1.基于对比预测编码的ECG数据特征生成模型，其特征在于，包括如下步骤：s1、采用数据集并进行预处理；

s2、划分ECG训练数据,划分为正样本对与负样本对，正样本对是相同类别的数据，负样本对是不同类别的数据；正样本对与负样本对中又分别划分出训练数据与待训练数据；

s3、搭建对比预测编码CPC模型，输入为训练数据与待训练数据；

通过编码器将训练数据与待训练数据都进行编码,接着把训练数据经过编码得到的结果放入自回归模型得到上下文信息Context，Context进入预测模型后得到未来多步的预测值；

s4、将预测值与待训练数据经过编码后的值一起计算点积得到损失值；

s5、训练对比预测编码CPC模型；

S6、将训练好的CPC模型运用到下游的分类任务中。

2.根据权利要求1所述的基于对比预测编码的ECG数据特征生成模型，其特征在于，s1中的对数据集预处理过程包括：

s11、采用数据集自身标注的R峰位置采集心拍；

s12、将心拍重采样；

s13、使用小波变换进行滤波；

s14、为数据集重新打上标签并打乱重排，将数据集分为训练集和验证集，训练集又分为两部分，分别是训练数据与待训练数据；同时构造正样本对与负样本对。

3.根据权利要求1所述的基于对比预测编码的ECG数据特征生成模型，其特征在于，s3中的自回归模型构造过程包括：

使用自回归模型GRU来融合历史信息，输出维度为256，只返回最后一个单元的输出。

4.根据权利要求1所述的基于对比预测编码的ECG数据特征生成模型，其特征在于，搭建预测模型过程包括：

全连接层输出维度10，使用线性激活函数；由于四个全连接层是放在一个列表里的，使用Lambda层将这四个全连接层横向拼接起来构成一个网络。

5.根据权利要求1所述的基于对比预测编码的ECG数据特征生成模型，其特征在于，s4中，点积得到损失值使用sigmoid函数使其在[0,1]范围内，作为对比预测编码CPC模型的输出。

6.根据权利要求1所述的基于对比预测编码的ECG数据特征生成模型，其特征在于，训练CPC模型，步骤如下：

s51、初始化模型参数；

s52、将数据输入到模型中进行训练；

s53、保存模型，并作图绘制训练集以及验证集的准确率。

7.根据权利要求1所述的基于对比预测编码的ECG数据特征生成模型，其特征在于，s6包括如下步骤：

s61、划分训练数据，为了与训练好的CPC模型保持一致，将数据集划分为5份。

s62、构造分类模型，分类模型使用的三份相同的训练数据；每一份训练数据都经过CPC的编码器部分、一维卷积层、relu激活层、一维最大池化层、一维卷积层、relu激活层、一维最大池化层；将三份数据得到的结果进行拼接后接一个Flatten层、两个全连接层，最后经过一个激活函数为softmax的全连接层得到分类结果；

s63、训练分类模型，损失函数使用categorical_crossentropy，优化器使用rmsprop，批量大小设置为64，训练10个epoches。