1.一种基于深度学习模型对心电信号分类的数据预处理方法，其特征在于，所述方法包括以下步骤：a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs赫兹，异常心电信号类型共有L类，正常心电信号样本数为N，第1类异常心电信号样本数为N1，第2类异常心电信号样本数为N2……第L类异常心电信号样本数为NL；

b对原始训练样本做降噪处理，利用小波变换去除基线漂移；

c将训练样本分为训练集和测试集，对训练集做数据扩增；

d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；

e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。

2.如权利要求1所述的一种基于深度学习模型对心电信号分类的数据预处理方法，其特征在于，所述步骤b中，所述降噪处理包括以下步骤：b11使用自适应小波算法去除高频干扰；

b12使用小波变换去除基线漂移。

3.如权利要求1或2所述的一种基于深度学习模型对心电信号分类的数据预处理方法，其特征在于，所述步骤c中，所述数据扩增包括以下步骤：c11通过QRS波算法检测训练样本首个和末个Q波起始点，Q波起点接近水平基线；

c12截取首末Q波起始点之间的心电数据段作为有效样本；

c13通过c12中有效样本首尾相连拼接成时长为2×t秒的心电样本；

c14通过长度为t×fs的窗口在c13所得的心电样本上随机滑动若干次即可获得相应数量的时长为t的心电信号片段；

c15假定每种类别训练所需样本数为M，则正常心电信号和L类异常心电信号样本对应的窗口滑动次数为[M/N]、[M/N1]、[M/N2]……[M/NL]，[x]表示对x做取整运算。

4.如权利要求1或2所述的一种基于深度学习模型对心电信号分类的数据预处理方法，其特征在于，所述的步骤a中，原始心电信号为单导联信号或多导联信号。