1.一种基于多粒度级联混合网络的心电图分类方法，其特征在于，所述分类方法包括：获取第一导联心电图和第二导联心电图；

分别对第一导联心电图和第二导联心电图进行预处理；

通过构建的多粒度级联混合网络进行心电特征提取与分类，多粒度级联混合网络包括多粒度级联任务相关成分分析‑主成分分析网络(MGC‑TPNet)、多粒度级联独立成分分析‑主成分分析网络(MGC‑IPNet)、级联加权平均与Dempster‑Shafer(CWA‑DS)构成；其中MGC‑TPNet用于挖掘心电信号中的多尺度导联间相关性特征，而MGC‑IPNet用于挖掘多尺度单导联特异性特征，然后线性支持向量机处理以上多尺度特征获取决策概率，最终CWA‑DS在决策层融合上述决策概率，获取最终分类标签。

2.根据权利要求1所述的基于多粒度级联混合网络的心电图分类方法，第一导联心电图和第二导联心电图进行预处理的方法包括：心拍分割：采用片段对齐分割方法将长期心电图信号划分为短期心跳；

归一化：差标准化方法用于将心拍的幅值标准化到0～1之间；

矩阵化：将N个样本点心拍重构尺寸为n×m的二维心电矩阵。

3.根据权利要求1所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，多粒度级联任务相关成分分析‑主成分分析网络(MGC‑TPNet)由多粒度扫描层、任务相关性分析卷积层、初阶输出层、主成分分析卷积层、级联输出层构成，用于从双导联心电图中提取多尺度导联间相关性特征。

4.根据权利要求3所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，其中任务相关性分析卷积层具体为：c

根据等式(2)，从多粒度扫描层中的一阶待处理矩阵X (t)中获取任分r(t)和任务无关成分u(t)；

c c

其中 和 是将r(t)和u(t)映射为X的混淆系数，其中c代表导联系数，t代表矩阵X中的元素位置；

需根据等式(3)提取任务相关成分r(t)；

c c

其中y(t)是对X(t)加权后的矩阵，w为权重；为得到y(t)＝r(t)，需实现 和采用试次间协方差最大化来解决这个问题；等式(4)描述了第h1和h2试次之间协方差的所有可能组合；

h h

其中x (t)和y (t)分别表示为第h试次的心电数据和任务相关成分，试次区间为t∈[th,th+T]，并且协方差矩阵y(t)的方差Var(y(t))受等式(5)约束；

根据等式(6)解决等式(5)的约束优化问题；

根据等式(7)计算TRCA卷积核；

1 ‑1

Wl＝matk(ql(Q S)),l＝1,2,…,L1    (7)‑1

其中ql()从Q S中按其对应特征值的降序提取L1个特征向量，并matk()将每个特征向1

量映射为相应的TRCA卷积核Wl；

1 c

然后，将TRCA卷积核Wl与X卷积以获取第一阶特征矩阵

5.根据权利要求1所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，多粒度级联独立成分分析‑主成分分析网络(MGC‑IPNet)主要由多粒度扫描层、独立成分分析卷积层、初阶输出层、主成分分析卷积层、级联输出层构成，用于从第一导联心电图和第二导联心电图中最有价值的导联心电图中提取多尺度单导联特异性特征。

6.根据权利要求5所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，独立成分分析卷积层具体为：c c c c

采用PCA技术白化X以计算矩阵Z＝VX，其中 是白化矩阵；

c c

具有高斯非线性的FastICA工具处理Z以计算正交矩阵B；

c

正交矩阵B用于计算解混淆矩阵

1

根据等式(9)计算ICA卷积核Wl；

1

其中matk()重构每个特征向量 为相应的ICA卷积核Wl ,l＝1,2,…,L1；

1 c

ICA卷积核Wl ,l＝1,2,…,L1与X卷积以获取第一阶特征矩阵

7.根据权利要求5所述的基于多粒度级联混合网络的心电图分类方法，其特征在于，主成分分析卷积层具体为：边长为k的窗口以1的步长扫描每个一阶特征向量 获取矩阵块 并且将每个矩阵块的元素减去均值；

将这些无均值矩阵块转化为向量

在处理所有第一阶特征矩阵后，组合所有向量 获取和

根据等式(10)，计算L2个PCA卷积核计算第二阶特征矩阵

8.一种应用如权利要求1～7任意一项所述心电图分类方法的心电图分类系统，其特征在于，所述心电图心拍分类系统包括：数据获取模块，用于获取第一导联心电图和第二导联心电图；

预处理模块，用于对数据获取模块中的第一导联心电图和第二导联心电图进行预处理；

心电特征提取与分类模块，所述心电特征提取与分类模块基于多粒度级联混合网络进行心电特征提取与分类；其中，多粒度级联混合网络包括多粒度级联任务相关成分分析‑主成分分析网络(MGC‑TPNet)、多粒度级联独立成分分析‑主成分分析网络(MGC‑IPNet)、级联加权平均与Dempster‑Shafer(CWA‑DS)构成；其中MGC‑TPNet用于挖掘心电信号中的多尺度导联间相关性特征，而MGC‑IPNet用于挖掘多尺度单导联特异性特征，然后线性支持向量机处理以上多尺度特征获取决策概率，最终CWA‑DS在决策层融合上述决策概率，获取最终分类标签。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～7任意一项所述心电图分类方法的步骤。

10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述心电图分类方法的步骤。