1.一种基于对比测试时间适应的心率失常分类方法，其特征在于，包括以下步骤：S1、采集心率失常数据并生成数据集，通过数据集自身标注的Q峰位置采集心拍；

S2、使用SMOTE算法对步骤S1采集的心拍进行类别平衡采样；

S3、使用多模态图像融合框架将一维心拍转换成二维图像，划分数据集；

S4、搭建训练阶段的卷积神经网络模型；

S5、初始化步骤S4搭建的卷积神经网络模型参数；将步骤S3划分的数据集输入到卷积神经网络模型中进行训练；

S6、将步骤S5训练好的卷积神经网络模型进行对比测试时间域适应；包括改进伪标签、自监督对比学习以及正则化；经过对比测试时间域适应后，在适应的过程中更新源模型的权重参数，将经过调整后的模型用于最终的心率失常分类任务；

步骤S1具体指：采用MITdb、MITsa心率失常数据库作为数据集，其中MITdb心率失常数据库采样频率为360Hz，通过波形数据库工具包将MITsa心率失常数据重采样到360Hz，将除正常心拍、室上异位搏动、室性异位搏动、融合拍以及不可分类拍以外的数据删除，根据数据集的注释文件得到Q峰所在的位置下标索引，然后以Q峰的位置为基准,向左包括150个点，向右包括100个点，然后将这一段数据截取出来作为心拍；

步骤S3中使用多模态图像融合框架将一维心拍转换成二维图像；将一维ECG数据转换成三种不同类型的二维灰度图像，分别是格拉姆角场、递归图和马尔可夫变迁场，然后将这三个灰度图像组合起来形成三通道彩色图像，将MITdb心率失常数据库重新打上标签并打乱重排，将MITdb心率失常数据库分为训练集和测试集，取前90％的数据作为训练集，后

10％的数据作为测试集；

步骤S5中，模型学习率为10^(‑4)，样本批次大小为256，迭代次数为20，使用Adam优化学习率，其中平滑因子β_1＝0.6，β_2＝0.98，损失函数使用交叉熵；

步骤S6中改进伪标签具体指：使用预训练模型的权重初始化目标模型，使用目标模型为未标记的目标数据生成伪标签，建立一个长度为M的内存队列QW存储弱增强目标样本的特征向量Ew和预测概率pw，每当输入一个测试样本xt后，使用目标模型得到特征向量Ew和预测概率pw对队列进行更新，使用动量更新的方法更新目标模型参数θ，公式表达如下：θt+1＝mθt+1+(1‑m)θt

其中，θt+1表示时间步t+1时目标模型的参数，m是动量超参数，m＝0.2；每当输入一个测试样本xt后，得到xt的弱增强图像的特征向量Et，然后从内存队列QW中取出与Et余弦距离最近的10个特征向量Ew和预测概率pw,然后求10个概率的平均值 最终伪标签 公式表达如下：其中，argmax是Pytorch框架中内置的函数，能返回指定维度最大值的序号；

步骤S6中自监督对比学习具体指：将测试图像编码成两个不同强增强视图的特征query(q)和key(k)，q,k被视为正样本，维持一个长度为N的负样本的队列Qnegtive存储负样本的特征k‑,对比学习损失函数的目标是最小化q,k之间的余弦距离，同时最大化q和队列Qnegtive中每一个负样本特征k‑之间的余弦距离，对比损失函数公式表达如下：其中，N表示队列Qnegtive的长度，q表示特征query，k+表示特征key, 表示队列中的第i个负样本，τ是温度系数超参数，τ＝0.1。

2.根据权利要求1所述一种基于对比测试时间适应的心率失常分类方法，其特征在于，步骤S2具体指：通过在少数类样本与其3个最近邻样本之间线性内插的方法合成新的样本，使用的SMOTE算法将正常心拍、室上异位搏动、室性异位搏动、融合拍以及不可分类拍均采样到20000个样本。

3.根据权利要求1所述一种基于对比测试时间适应的心率失常分类方法，其特征在于，步骤S4中训练阶段使用的网络模型是ResNet‑18,ResNet‑18中包含17个卷积层和一个全连接层，所以将ResNet‑18的全连接层输出维度改为5。

4.根据权利要求1所述一种基于对比测试时间适应的心率失常分类方法，其特征在于，步骤S6中采用了一致性正则化维持对图像的强增强图像和弱增强图像之间预测的一致性，公式表达如下：其中，C表示分类任务的类别数，C＝5，pw表示弱增强图像通过模型输出的预测概率，qs表示强增强图像通过模型输出的预测概率。

5.根据权利要求1所述一种基于对比测试时间适应的心率失常分类方法，其特征在于，步骤S6采用了多样性正则化减少模型在适应过程中盲目相信错误标签导致模型出现错误积累，公式表达如下：其中，C表示分类任务的类别数，C＝5，ps表示强增强图像通过模型输出的预测概率；

最终损失函数表达式如下所示：

cont con div

L＝αL +βL +γL

其中，α，β，γ为控制各损失之前的权重值，α＝0.9，β＝0.7，γ＝0.5。