1.基于空间注意力的生成对抗网络心拍信号生成方法，其特征是，包括：获取噪声信号；

将噪声信号输入生成模型进行转置卷积后，输出模拟心拍信号；所述生成模型为经过判别模型对抗训练后的生成模型，所述判别模型对抗训练包括：获取随机噪声信号和真实心拍信号；

将随机噪声信号输入所述生成模型，得到模拟心拍信号样本；

将真实心拍信号和模拟心拍信号样本作为训练样本，对所述判别模型进行训练更新；

固定更新后的判别模型，对所述生成模型进行训练更新，得到经过判别模型对抗训练后的生成模型；

其中，所述判别模型将模拟心拍信号和真实心拍信号依次经过卷积处理和池化权重处理后，通过全连接层输出真实心拍信号概率，所述真实心拍信号概率用于输入到判别模型的损失函数中进行判别模型训练；

所述判别模型接收真实心拍信号概率后根据loss值进行迭代更新，响应于loss值随模型迭代更新降低至平稳在某一个数值区间时完成训练；

所述池化权重处理包括：

获取经过卷积映射得到的特征；

将特征输入多个通道进行全局最大池化和全局平均池化后，在每个通道中得到两个通道特征；

对每个通道中的两个通道特征做连接操作形成连接特征；

将连接特征经过卷积操作后降维形成通道特征；

将通道特征通过Sigmoid函数形成三维的特征权重系数矩阵；

将特征权重系数矩阵和经过卷积映射得到的特征相乘，得到最终的生成特征。

2.根据权利要求1所述的基于空间注意力的生成对抗网络心拍信号生成方法，其特征是，所述生成模型将符合均匀分布的一维随机噪声信号经过转置卷积处理后，输出与截取心拍长度一致的模拟心拍信号样本。

3.根据权利要求2所述的基于空间注意力的生成对抗网络心拍信号生成方法，其特征是，所述截取心拍由真实心拍信号经过小波变换处理后，对处理后的真实心拍信号通过差分阈值法进行识别，以识别到的QRS波波峰为中心对真实心拍信号进行截取得到。

4.根据权利要求1所述的基于空间注意力的生成对抗网络心拍信号生成方法，其特征是，所述生成模型和判别模型使用的优化器均为Adam，学习率lr均设置为0.001，且均采用GPU进行加速训练。

5.基于空间注意力的生成对抗网络心拍信号生成系统，其特征是，包括：输入模块，用于获取噪声信号；

输出模块，用于将噪声信号输入生成模型进行转置卷积后，输出模拟心拍信号；所述生成模型为经过判别模型对抗训练系统处理后的生成模型，所述判别模型对抗训练系统包括：信号接收模块，用于获取随机噪声信号和真实心拍信号；

信号处理模块，用于将随机噪声信号输入所述生成模型，得到模拟心拍信号样本；

判别模型训练模块，用于将真实心拍信号和模拟心拍信号样本作为训练样本，对所述判别模型进行训练更新；

生成模型训练模块，用于固定更新后的判别模型，对所述生成模型进行训练更新，得到经过判别模型对抗训练后的生成模型；

其中，所述判别模型将模拟心拍信号和真实心拍信号依次经过卷积处理和池化权重处理后，通过全连接层输出真实心拍信号概率，所述真实心拍信号概率用于输入到判别模型的损失函数中进行判别模型训练；

所述判别模型接收真实心拍信号概率后根据loss值进行迭代更新，响应于loss值随模型迭代更新降低至平稳在某一个数值区间时完成训练；

所述池化权重处理包括：

获取经过卷积映射得到的特征；

将特征输入多个通道进行全局最大池化和全局平均池化后，在每个通道中得到两个通道特征；

对每个通道中的两个通道特征做连接操作形成连接特征；

将连接特征经过卷积操作后降维形成通道特征；

将通道特征通过Sigmoid函数形成三维的特征权重系数矩阵；

将特征权重系数矩阵和经过卷积映射得到的特征相乘，得到最终的生成特征。

6.基于空间注意力的生成对抗网络心拍信号生成装置，其特征是，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1 4任一项所述方法的步~骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1 4任一项所述方法的步骤。

~