1.一种基于二维图像的深度学习心率失常分类方法，其特征在于，该方法包括以下步骤：S1：对一维原始心电信号进行间期异常和幅值异常的分类；

S2：对间期异常和幅值异常的一维心电信号进行二维图像化处理，获得二维图像集，具体包括：(1)对于间期异常的情况：提取3000个点为10s的心电信号分为5份从上至下依次排列，横轴就是每段信号的600个取点也是相应的时间变化，利用颜色变化代表幅值的变化就得到彩色的二维图像；将整组数据分为两类，一类为10s全部标记为正常的数据，另一类为10s内存在间期异常情况的数据；

(2)对于幅值异常情况：根据一维信号R波位置得到每个周期的心电波形图，在对其进行傅里叶变换，将变换后的信号与时间结合，最后把连续10个周期的波形绘制到一张二维时频图像中，横轴表示时间的变化，纵轴表示频率的时频；

将所有图像的大小调整为224*224，调用split()函数将原本为RGBA图像格式分割为四个通道，再调用PIL下的image.merge()改为RGB合适的图像并保存；

S3：将得到的二维图像集分为训练集和测试集；

S4：利用迁移学习将已经训练好且调整后的VGG16网络模型的相关参数转移到新的数据集上训练；

调整后的VGG16网络模型包括：依次连接的输入层、卷积层、最大池化层、全连接层和Softmax分类器；卷积层用于提取出二维图像集的代表特征，完成样本的二维卷积特征提取，卷积核尺寸为3*3；最大池化层用于减少卷积层的特征数；全连接层将多通道的数据整合；Softmax分类器根据标记进行分类；

卷积层的运算公式为：

其中，(i,j)表示中心像素的坐标，m表示宽度，n表示高度，g表示卷积层输出图像，f表示原图像，h表示卷积核，*是卷积运算符；

S5：输出当前目标心电信号对应的心率失常分类结果。

2.根据权利要求1所述的深度学习心率失常分类方法，其特征在于，步骤S3具体包括：将得到的二维图像集按7:3的比例分为训练集和测试集。

3.根据权利要求1所述的深度学习心率失常分类方法，其特征在于，步骤S4中，全连接层具体为：将原始VGG16模型中全连接第二层提取出来，即减少一层全连接层；全连接层的激活函数选择Relu函数，再利用主成分分析算法，对特征维度降维。

4.根据权利要求1所述的深度学习心率失常分类方法，其特征在于，步骤S4中，Softmax分类器包括：训练Softmax分类器时使用Adam优化器，损失函数选用交叉熵损失函数。