1.一种基于元学习的自适应心电信号压缩方法，其特征在于，包括：获取目标心电信号，对所述心电信号进行预处理，获得预处理后的心电信号；

将所述预处理后的信号输入嵌套瓶颈自编码器，通过动态路由选择压缩比；

提取信号片段的元特征，通过元学习器根据元特征和预设重构误差阈值选择压缩模型；

当预测熵超过设定阈值时，切换至差分脉冲编码调制与bzip2混合的保障压缩模式；

使用选定模型对心电信号进行压缩编码；

所述嵌套瓶颈自编码器的构建过程包括：全共享编码器提取初级特征；4个分支分别通过部分共享编码器层和分支特定编码器层实现不同压缩比；解码器包含与编码器对应的逆向操作块；

所述分支特定编码器层的训练过程包括：初始训练最高压缩比分支至收敛；按压缩比从低到高顺序，分阶段解冻并训练各分支特定参数；在增量训练阶段采用双重构损失约束；

所述元特征提取过程包括：计算信号均值与标准差；检测信号与三条分位线的交点数量；计算四等分子段间的相关系数；获取各子段最大振幅值；

所述元学习器的应用过程包括：使用XGBoost分类器建立元特征与最优模型的映射关系；计算预测熵值评估选择可靠性；当熵值超过0.8时激活保障压缩模式；

所述保障压缩模式的实现过程包括：对信号进行二阶差分处理；将差分结果量化为8位数据；采用bzip2算法进行无损压缩。

2.如权利要求1所述的基于元学习的自适应心电信号压缩方法，其特征在于，所述预处理过程包括：采用4阶巴特沃斯带通滤波器消除基线漂移；按360Hz采样的信号使用1024采样点窗口进行滑动分割；对分割后的信号片段进行极差归一化处理，获得预处理后的心电信号。

3.如权利要求1所述的基于元学习的自适应心电信号压缩方法，其特征在于，所述分支特定编码器层包括：混合局部通道注意力模块和多尺度卷积模块；

所述混合局部通道注意力模块，用于特征权重分配；

所述多尺度卷积模块，用于支持结构重参数化。