1.一种基于对比学习的心律失常分类方法，其特征在于：至少包括以下步骤：S1：输入一个心电信号，对其进行两种不同的数据增强，从而去构造正负样本对，正样本为同一心电信号经过不同数据增强后得到的新的心电信号，负样本为其他心电信号通过数据增强得到的心电信号；

S2：对上分支进行剪枝得到下分支，从而创建一个自我竞争模型，上分支为目标模型，下分支为自我竞争模型；

S3：对输入信号采样并应用两个不同的数据增强，创建两个不同的版本[Vi，V’i]；

S4：[Vi，V’i]由[fi(•)，f’1(•)]编码，并且它们的输出特征f1,f2]被馈送到非线性投影头中，以在NT‑Xent损失下强制相似性，共存在至少两种情况，其中一种情况，能够很好地记住了样本，则剪枝不会“忘记”它，因此不会造成额外的扰动，另一种情况下，将放大剪枝模型和未剪枝模型之间的预测差异，因此这些样本的权重将在总体损失中隐式增加；

S5：负样本使用了一个记忆队列来保存，扩充了负样本的数量；

S6：通过损失函数，拉近正样本之间的距离，拉远负样本之间的距离；

S7：在损失函数中，采用了动态温度系数；

S8：最后在微调中，加载一维编码器作为训练目标数据集的初始化参数并随机初始化分类器适配目标数据集。

2.根据权利要求1所述的一种基于对比学习的心律失常分类方法，其特征在于：所述S1中对心电信号采用对进行两种不同的数据增强，至少包括两种不同的小波变换(比例＝

0.5)+分段随机遮挡。

3.根据权利要求1所述的一种基于对比学习的心律失常分类方法，其特征在于：所述剪枝采用基于幅度的剪枝，所述剪枝比率设置为0.2。

4.根据权利要求1所述的一种基于对比学习的心律失常分类方法，其特征在于：所述f’1(•)的剪枝掩码在模型权重更新后每次迭代更新，应用至少包括以下步骤：主干网是一个大型DNN，其权重在一两次迭代中不会发生太大变化，因此我将剪枝掩码设置为在每个epoch开始时延迟更新，以节省计算开销；

同一时期的所有迭代都采用相同的mask；

由于自我竞争者总是从最新的目标模型中获得和更新，因此两个分支将在训练过程中共同进化。

5.根据权利要求1所述的一种基于对比学习的心律失常分类方法，其特征在于：在更新两个分支时，[fi(·)，f’1(·)]将在未剪枝部分共享相同的权重，并且fi(·)将独立更新其余部分，对应于f’1(·)的权重剪枝为零。

6.根据权利要求1所述的一种基于对比学习的心律失常分类方法，其特征在于：所述损失函数表示为：其中Zi和z’i代表同一样本xi的不同数据变换的投影表示；

τ表示温度系数，用于调节任务难度，越小的温度系数越关注于最难区分的负样本；

采用了动态温度系数的做法，给温度系数设置了上下界以及调节周期，长尾数据受益于更小的温度系数，非长尾数据受益于更大的温度系数，用于持续改善长尾数据中类之间的分离，而无须任何额外的计算成本。

7.根据权利要求1所述的一种基于对比学习的心律失常分类方法，其特征在于：所述S5至少包括以下步骤：采用记忆队列解决负样本数量和批次大小之间的平衡问题，使用一个队列将临近的几个过往批次中的样本表达保存下来；

保存下来的小队列与当前批次中的图片不同，因此均视为负样本，从而实现了负样本数与批次大小的解耦；

队列的存在，键分支无法正常的计算梯度，因此引入动量更新机制使用查询分支的参数对键分支的参数进行动量更新。