1.一种心电信号分类模型的训练方法，其特征在于，所述方法包括：构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；

通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；

根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；

根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

2.根据权利要求1所述的方法，其特征在于，根据所述异常标签向量生成标签相关性矩阵，包括：根据所述异常标签向量，获取所述心电信号样本的标签词向量矩阵、可训练参数矩阵以及条件概率矩阵；

根据所述心电信号样本的标签词向量矩阵、所述可训练参数矩阵以及所述条件概率矩阵，获得所述标签相关性矩阵。

3.根据权利要求1所述的方法，其特征在于，根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型，包括：根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值；

基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

4.根据权利要求3所述的方法，其特征在于，根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值，包括：将所述异常概率分布向量中大于第一预设阈值的概率值对应的异常标签作为所述心电信号样本的多个异常预测标签；

获取所述多个异常预测标签和所述多个异常标注标签之间的差异；

确定所获取的各个差异之和的平均值，将确定的所述平均值作为所述损失函数的值。

5.根据权利要求3所述的方法，其特征在于，基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型，包括：当所述损失函数的值超出第二预设阈值时，基于所述待训练心电信号分类模型的损失函数确定相应的误差信号；

将所述误差信号在所述待训练心电信号分类模型中反向传播，并在传播的过程中更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

6.一种心电信号分类方法，其特征在于，所述方法包括：通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；

通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；

其中，所述心电信号分类模型通过权利要求1至5任一项所述的方法进行训练得到。

7.一种心电信号分类模型的训练装置，其特征在于，所述装置包括：构建单元，配置为构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；

获取单元，配置为通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；

生成单元，配置为根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；

训练单元，配置为根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

8.一种心电信号分类装置，其特征在于，所述装置包括：提取单元，配置为通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；

分类单元，配置为通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；

其中，所述心电信号分类模型通过权利要求1至5任一项所述的方法进行训练得到。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的心电信号分类模型的训练方法，或实现如权利要求6所述的心电信号分类方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的心电信号分类模型的训练方法，或权利要求6所述的心电信号分类方法。