1.一种多维度ECG信号智能诊断系统，其特征在于，包括特征提取模块、机器学习诊断网络集群模块和综合评估模块，所述特征提取模块用于提取ECG信号包括数值特征与形态特征在内的多维度特征；所述机器学习诊断网络集群模块用于对ECG信号的多维度特征进行智能诊断，并获得每一类疾病所对应的分类量化概率；所述综合评估模块用于根据每一类疾病的分类量化概率进行加权平均，综合评估得出最终的ECG诊断结果；

所述特征提取模块包括数值特征提取模块和形态特征提取模块，所述数值特征提取模块包括CEEMD信号分解模块和信息熵计算模块，其中，信号分解模块用于将降噪预处理后的ECG信号通过CEEMD算法分解为多个IMF分量；信息熵计算模块则用于计算分解后的各IMF分量的信息熵；CEEMD分解过程如下：k

①在ECG信号原始采集数据x(n)中加入k组辅助白噪声序列N (n)，其标准差为ε，于是当前信号表示为k k

x(n)＝x(n)+N(n)     (1)

k

②对于加入白噪声的k组信号序列x(n)+ε0N (n)进行CEEMD分解，对分解后的多组IMF1分量进行平均计算，获得第一组IMF1分量，即：③计算CEEMD信号分解的残余量

k

④对残余量r1(n)再次加入白噪声，将生成的r1(n)+ε1N(n)作为新信号进行CEEMD分解，经过一次EMD分解后，获取原信号第二组IMF2分量，其中E1表示进行一次EMD分解计算，⑤以此类推，不断将信号分解后的残余信号作为新的信号，重复步骤④的计算，将信号一步步分解为多个信号分量，即：其中，E表示对本阶段残余信号组成的新信号序列进行EMD分解计算；第i次分解过后的信号残余量表示为：ri(n)＝r(i‑1)(n)‑IMFi(n)      (6)

⑥为每一层分解获得的信号分量序列计算幅度绝对值以及过零检测计数；

⑦重复上述计算步骤，直至本次分解获得的信号分量幅度绝对值以及过零检测计数均小于设定阈值；

信号信息熵特征提取过程如下：

对于分解后的各个IMF分量，由信息熵计算模块对其进行特征提取；

设E＝{E1，E2...En}为信号经过CEEMD分解后的n个分量的能量，则 为第i个分量在整个信号中所占的能量比值；每个IMF分量的信息熵计算如下：H(IMFi)＝‑Pi*ln(Pi)       (7)；

所述形态特征提取模块包括二维ECG图像建立与2‑D CNN网络分析模块，其中，二维ECG图像建立模块用于对预处理后的ECG信号按正常平均心率周期进行分割，并建立“归一化幅度—时间”二维ECG图像；

2‑D CNN网络分析模块用于对“归一化幅度—时间”二维ECG图像进行特征提取，模块内的2‑D CNN网络包括3个卷积—池化层、Dropout层以及全连接特征输出层，其中池化层选择Max‑pooling方式，全连接特征输出层之前的各层均使用ReLu作为激活函数；

所述机器学习诊断网络集群模块包括形态特征诊断模块以及数值特征集成学习诊断模块：数值特征集成学习诊断模块以CEEMD分解后的各IMF分量信息熵计算结果作为输入特征向量，调用模块内的机器学习诊断网络对ECG信号进行诊断与分类；

所述数值特征集成学习诊断模块由子学习器网络集群与集成学习器两部分组成：子学习器网络集群由径向基函数为核函数的支持向量机分类器RBF‑SVC1、径向基函数神经网络RBF‑NN以及自适应模糊神经推理系统ANFIS组成，负责对输入特征向量进行独立的诊断与分类，并以信号分类量化概率作为其各自的网络输出，集成学习器由Logistic回归网络组成，以子学习器网络集群输出的量化概率结果作为输入特征向量，在对其进行二次学习的基础上，输出ECG信号的分类量化概率结果；

形态特征诊断模块将所建立2‑D CNN网络所提取的二维ECG“归一化幅度—时间”图像特征作为输入向量，建立RBF‑SVC2分类器对其进行诊断与分类，同样以ECG信号的分类量化概率作为网络输出，其中，上述各网络对ECG信号分类模型基于AAMI标准，将ECG信号分为“N、S、V、F、Q”五类。

2.根据权利要求1所述的多维度ECG信号智能诊断系统，其特征在于，所述综合评估模块以机器学习诊断网络集群模块中的RBF‑SVC2分类器和Logistic回归网络所获得的每一类疾病的分类量化概率为输入，针对二者在测试数据集中对于不同类型ECG信号分类准确率为依据，为其设置权重，权重之和为1，进而对当前诊断输出患病概率值进行加权平均计算，加权平均计算输出概率最高的ECG信号分类作为最终的系统分类结果。