1.一种基于持续学习的心律失常实时分类方法，其特征在于，所述实时分类方法包括以下步骤：S1，定位QRS波，截取出ECG信号中的心拍，针对不同心拍类型，各自采样得到若干个数据流；

S2，基于深度卷积神经网络构建心拍分类模型，该心拍分类模型用于对导入的心拍数据进行分类；

基于聚类算法对采样得到的数据流进行处理，计算得到同类数据的原型，原型是指相同类别标签所有数据的平均值，将每类数据的原型和部分数据流一起存储至缓冲区；分批量多次导入数据流，从缓冲区中读取相同批量大小的数据，合成新的训练数据，采用指数加权平均的方式对每次输入后的原型进行迭代更新，对心拍分类模型进行训练和参数更新；

S3，将待识别的ECG心拍数据导入完成训练的心拍分类模型，进行心拍类型识别；

步骤S2中，所述心拍分类模型包括依次连接的输入层、第一卷积层、5个结构相同的特征提取模块、第一全连接层、第一ReLU激活层、第二全连接层和softmax激活层；

所述特征提取模块包括依次连接的第二卷积层、第二ReLU激活层、第三卷积层、融合层、第四卷积层和池化层；所述第一卷积层的输出端分别连接至第二卷积层和融合层的输入端，第一卷积层的输出特征依次经第二卷积层、第二ReLU激活层、第三卷积层处理，由融合层将处理结果与原始输出特征融合后再导入第四卷积层；

所述心拍分类模型的训练过程包括以下步骤：

S21，将采样得到的数据流划分成训练集和测试集两个部分，训练集和测试集的数据流数量比例为9：1；

S22，采用深度卷积神经网络构建心跳分类模型1D‑Resnet network对训练集的数据流进行分类处理；其中，采用stride=2的卷积做下采样，并且用global average pool层替换了全连接层；

S23，针对每个心拍类型，采用K‑means方法，按照样本之间的距离大小，将相应的样本集划分为K个簇，从所有相同标签的数据中计算出最具有代表性的点，记为该类的原型，将计算出的原型和部分数据存入缓冲区；

S24，分批量多次导入数据流，从缓冲区中读取相同批量大小的数据，合成新的训练数据，采用指数加权平均的方式对每次输入后的原型进行迭代更新，对心拍分类模型进行训练和参数更新；其中，指数加权参数β=0.9，损失函数是取负对数似然并对批中的所有实例求和；

S25，将最后取得的最优参数保留，输入测试集至心拍分类模型中进行测试，如果测试通过，结束训练流程，否则返回步骤S21。

2.根据权利要求1所述的基于持续学习的心律失常实时分类方法，其特征在于，步骤S1中，所述心拍类型包括正常心拍、室上异位心拍、心室异位心拍、融合心拍以及不可分心拍。

3.根据权利要求1所述的基于持续学习的心律失常实时分类方法，其特征在于，步骤S25中，将测试集的分类结果与最近邻原型进行比对，以持续更新原型。