1.一种房颤分类模型训练方法，其特征在于，所述方法包括：同步采集训练对象的面部脉搏信号和指尖脉搏信号；

根据面部脉搏信号和指尖脉搏信号训练解耦网络模型，利用所述解耦网络模型提取所述面部脉搏信号的共享特征作为训练数据；

将所述面部脉搏信号的共享特征输入到分类器中训练，得到房颤分类模型；

所述解耦网络模型包括编码器和解码器；

利用所述编码器将所述面部脉搏信号和指尖脉搏信号分别编码成潜在特征；

利用所述解码器将所述潜在特征依次进行重组和解码，实现对所述面部脉搏信号和指尖脉搏信号的重建；

所述解耦网络模型训练步骤包括：

所述编码器在编码阶段，分别对面部脉搏信号和指尖脉搏信号进行编码，得到面部脉搏信号的潜在特征FVPPG以及指尖脉搏信号的潜在特征FPPG；其中所述潜在特征FVPPG包括共享特征FsVPPG和私有特征FeVPPG；所述潜在特征FPPG包括私有特征FePPG和共享特征FsPPG；

所述解码器在解码阶段，将私有特征FeCPPG和共享特征FsVPPG进行依次进行特征融合和解码，输出第一面部脉搏重建信号；

将私有特征FePPG和共享特征FsPPG依次进行特征融合和解码，输出第一指尖脉搏重建信号；

将私有特征FeVPPG和共享特征FsPPG依次进行特征融合和解码，输出第二面部脉搏重建信号；

将私有特征FePPG和共享特征FsVPPG依次进行特征融合和解码，输出第二指尖脉搏重建信号；

所述分类器采用三层全连接网络结构，其中输出层采用softmax函数进行激活；所述的分类器的损失函数定义为预测值和训练标签的交叉熵，其表达式如下：式中，Cw,b是分类器的映射函数；y是独热编码标签；FsVPPG表示面部脉搏信号的共享特征；N表示训练样本数量；n表示第n例训练样本。

2.根据权利要求1所述的房颤分类模型训练方法，其特征在于，所述采集训练对象的面部脉搏信号步骤包括：获取预定帧率训练对象的脸部影像，提取所述训练对象脸部脉搏信号；其中在获取所述训练对象脸部影像的同时，采集所述训练对象与所述预定帧率对应的指尖脉搏信号。

3.根据权利要求2所述的房颤分类模型训练方法，其特征在于，所述的提取所述训练对象脸部脉搏信号步骤包括：通过判别响应图拟合算法对包括训练对象的脸部影像中人脸区域和面部特征点进行定位；

基于面部特征点在预定时间段内的位移轨迹，对脸部影像中的人脸运动进行追踪，抑制训练对象面部刚性运动之干扰；

计算脸部影像中人脸区域中所有像素点的灰度平均值，构建红、绿、蓝三通道的灰度值在时间轴上的变化信号；

提取绿色通道的灰度变化信号，作为所述训练对象脸部脉搏信号IVPPG。

4.一种房颤识别方法，其特征在于，包括：

获取包括目标对象的脸部影像，提取所述目标对象脸部脉搏信号；

提取所述脸部脉搏信号的共享特征，将共享特征向量输入到如权利要求1‑3任意一项所述的房颤分类模型中进行分类，得到对应的评价类别，所述评价类别包括房颤和非房颤。

5.一种房颤识别系统，其特征在于，包括：

第一提取模块，其用于获取包括目标对象的脸部影像，提取所述目标对象脸部脉搏信号；

第二提取模块，其用于提取所述脸部脉搏信号的共享特征；

被配置为权利要求1‑3任意一项所述的房颤分类模型，其用于接收所述目标对象的共享特征，输出对应的评价类别，所述评价类别包括房颤和非房颤。

6.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1‑4任一项所述的方法。

7.一种可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1‑4任一项所述的方法。