1.基于深度神经网络的两步骤心律失常分类方法，其特征在于：具体操作步骤如下：

步骤(1.1)、对收集到的ECG信号进行预处理，定位QRS波收集N、SV、F和Q类心跳对应的前一个RR间期并截取出ECG信号中的心跳；从而确定心跳的类型及各类型心跳对应的数据量；

其中，N表示正常心跳，S表示室上异位心跳，V表示心室异位心跳，F表示融合心跳，Q表示不可分心跳，将S类和V类作为一大类SV类；

步骤(1.2)、将收集到的所有的RR间期与截取到的ECG信号中的心跳分别按类别进行编码，得到所对应的类别标签；

步骤(1.3)、再将收集到的所有的RR间期与对应的标签按相同的顺序打乱，划分出训练集与测试集，对RR间期的Bi‑LSTM分类模型进行训练，得到训练好的RR间期Bi‑LSTM分类模型；

步骤(1.4)、对于数据量在一定区间的心跳类型，使用生成对抗网络GAN生成不平衡心跳数据，即使用GAN生成该类型的心跳，并将生成的心跳按照类别编码，得到对应的类别标签；

步骤(1.5)、将得到的所有的心跳数据与对应的标签按相同的顺序打乱，并划分训练集与测试集，对心跳的Bi‑LSTM分类模型进行训练，得到训练好的心跳的Bi‑LSTM分类模型；

步骤(1.6)、利用训练好的基于深度神经网络的两步骤心律失常分类模型对未知类别的ECG心跳进行分类；

所述两步骤心律失常分类模型即：利用生成对抗网络和堆叠的双向长短时记忆循环神经网络建立了一个基于深度神经网络的两步骤心跳分类框架；按照标准，将心跳分为五大类：正常心跳、室上异位心跳、心室异位心跳、融合心跳及不可分心跳；该框架的第一步先将室上异位心跳类和心室异位心跳类作为一大类，将心跳分成四个类别，第二步再对室上异位心跳类和心室异位心跳类进行划分，从而完成心跳的分类。

2.根据权利要求1所述的基于深度神经网络的两步骤心律失常分类方法，其特征在于：

在步骤(1.1)中，所述对收集到的ECG信号进行预处理的具体操作方法如下：

(1.1.1)、收集N、SV、F和Q类心跳对应的前一个RR间期，将所有心跳对应的RR间期序列构成的集合表示为S，所述S＝{Si，i＝1，2，3，...，n}，Si表示一个心跳所对应的RR间期序列，即Si＝[Rt‑NeRan,…,Rt‑1,Rt,Rt+1,…,Rt+NeRan]；

式中，Rt表示第t‑1个心跳到第t个心跳的RR间隔，NeRan表示心跳的邻域范围；

(1.1.2)、定位QRS波截取SV类中S类和V类的心跳，将收集到的原始ECG信号时间序列分割成m段子序列，所述m段子序列构成的集合为X,则X＝{Xi,i＝1,2,3,…,m}；其中，Xi表示构成ECG信号的基本单位：心跳。

3.根据权利要求1所述的基于深度神经网络的两步骤心律失常分类方法，其特征在于：

在所述步骤(1.3)中，对RR间期的Bi‑LSTM分类模型进行训练的具体操作方法如下：采用十折交叉验证的方法对Bi‑LSTM模型进行训练，即将全部的所有的心跳数据分成十个相等的部分，使用其中的任意一个部分用于测试，剩余的九个部分用于训练，通过移动选择测试部分重复十次训练操作。

4.根据权利要求1所述的基于深度神经网络的两步骤心律失常分类方法，其特征在于：

在所述步骤(1.4)中，使用生成对抗网络GAN生成不平衡心跳数据的具体操作方法如下：其中，生成对抗网络GAN由生成器和判别器两个部分组成；其具体操作过程如下：(1.4.1)、将需要扩充数据的类型的心跳Xi＝{x1,x2,x3,…,xt}作为GAN的训练集输入到GAN中，GAN先固定生成器并从训练集中随机采样心跳作为判别器的输入，使判别器获得真实数据的概率分布；当输入为生成的数据时，判别器就判断其真实性；当判别器判定数据为真实的数据，则判别器就会输出1；当判别器判定是生成的数据，则判别器就会输出0；

(1.4.2)、GAN中生成器的输入为一组噪声信号Zi＝{z1,z2,z3,…,zt}，该噪声信号满足高斯分布，生成器会将这一组噪声尽量输出为与真实的ECG信号具有相同概率分布的数据；

生成器的任务就是使生成的数据能够“骗过”判别器，使判别器以为生成的数据就是原始的样本；生成器和判别器交替迭代训练，训练完成后整个GAN输出的结果为与真实的样本的概率分布相同的生成ECG信号X′i＝{x′1,x'2，x'3,…,x′t}。

5.根据权利要求1所述的基于深度神经网络的两步骤心律失常分类方法，其特征在于：

在所述步骤(1.5)中，采用十折交叉验证的方法对Bi‑LSTM模型进行训练，即，将全部的ECG心跳序列分成十个相等的部分，使用其中的任意一个部分用于测试，剩余的九个部分用于训练，通过移动选择测试部分重复十次训练操作。

6.根据权利要求1所述的基于深度神经网络的两步骤心律失常分类方法，其特征在于：

在步骤(1.2)中，所述的所有的RR间期的个数在35‑50个之间。