1.基于持续深度学习的ECG数据分类方法，其特征在于，包括如下步骤：

步骤1，获取采样率分别为128Hz和360Hz的ECG数据，对采样率为128Hz的ECG数据进行预处理，得到采样率为128Hz的心拍样本，同样对采样率为360Hz的ECG数据进行预处理，得到采样率为360Hz的心拍样本；

步骤2，构建卷积神经网络模型，并设置卷积神经网络模型的超参数：旧任务相比新任务的重要性参数、样本训练批次数和迭代次数；

步骤3，利用步骤2构建的卷积神经网络模型对采样率为128Hz的心拍样本进行训练并测试，得到第一次训练好的卷积神经网络模型，根据第一次训练好的卷积神经网络模型利用Fisher信息矩阵计算得到模型中各个参数的重要性；

步骤4，利用第一次训练好的卷积神经网络模型结合弹性权重巩固EWC方法的损失函数对采样率为360Hz的心拍样本进行训练并测试，得到第二次训练好的卷积神经网络模型即ECG数据分类模型；

所述弹性权重巩固EWC方法的损失函数为：

其中，L2(θ)表示弹性权重巩固EWC方法的损失函数，L2cur(θ)表示第二次训练的损失函数，λ为旧任务相比新任务的重要性参数，F1,i表示第一次训练得到的第i个参数的重要性，表示第一次训练得到的第i个最优参数，θ2,i表示第二次训练得到的第i个参数；

步骤5，利用采样率为128Hz的心拍样本对ECG数据分类模型进行测试；

步骤6，获取待分类的ECG数据，采用ECG数据分类模型对待分类的ECG数据进行分类，得到分类结果。

2.根据权利要求1所述基于持续深度学习的ECG数据分类方法，其特征在于，步骤1所述对采样率为128Hz的ECG数据进行预处理以及对采样率为360Hz的ECG数据进行预处理，所采用的方法相同，对采样率为128Hz的ECG数据进行预处理的具体过程为：利用小波变换对采样率为128Hz的ECG数据进行去噪，对于去噪后的ECG数据定位QRS波，根据QRS波中R波的位置截取一个心拍样本，共截取3000个心拍样本，每个心拍样本的长度均为250个点，每个心拍样本都是根据QRS波中R波的位置向左侧取100个点，向右侧取150个点。

3.根据权利要求1所述基于持续深度学习的ECG数据分类方法，其特征在于，步骤2所述卷积神经网络模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层，卷积神经网络模型的超参数：旧任务相比新任务的重要性参数设为0.01、样本训练批次数设为500和迭代次数设为25。