1.短时训练卷积神经网络的心电信号分类方法，其特征在于：具体包括如下步骤：步骤1，载入MIT‑BIH数据库中的心电信号g(n)并进行去噪，得到去噪后的心电信号f(n)；

步骤2，对步骤1所得的心电信号f(n)进行R波检测并截取QRS波所处的心拍段w；

步骤3，根据MIT‑BIH数据库中心拍标签对步骤2截取的心拍段w进行分类，并在每一类中随机选取N个心拍得到心拍矩阵D和与心拍矩阵D对应的标签矩阵L；

步骤4，利用小波变换对步骤3中的心拍矩阵D进行特征系数提取得到特征矩阵F；

步骤5，对特征矩阵F进行随机切分得到训练集心拍train_F和测试集心拍test_F，并根据标签矩阵L生成训练集心拍对应的标签train_L和测试集心拍对应的标签test_L；

步骤6，建立卷积神经网络，利用步骤5中得到的训练集和测试集对建立的网络进行训练与测试，分别得到正常心拍准确度A1、左束支阻滞心拍准确度A2、右束支阻滞心拍准确度A3、早搏心拍准确度A4及整体准确度A。

2.根据权利要求1所述的短时训练卷积神经网络的心电信号分类方法，其特征在于：所述步骤2的具体过程为：

步骤2.1，利用动态双阈值法对心电信号f(n)进行R波检测，得到R波的位置向量p；

步骤2.2，以检测出R波的位置为基准，并根据Q波和S波相对于R波的时间位置分别向前向后截取，得到QRS波所在的心拍段w：w＝[…,p(i)‑WQ*fs:p(i):p(i)+WS*fs，…]；

其中，WQ代表Q波相对于R波的时间距离，WS代表S波相对于R波的时间距离，fs代表采样率，p(i)为第i个R波对应的采样点数，i＝1，2，…,NR，NR表示步骤2.1检测出R波的总个数。

3.根据权利要求1所述的短时训练卷积神经网络的心电信号分类方法，其特征在于：所述步骤3中心拍矩阵D为：

其中，S1为正常心拍信号矩阵，S2为左束支阻滞信号矩阵，S3为右束支阻滞信号矩阵，S4为早搏信号矩阵；

所述步骤3中的标签矩阵L为：

其中，L1为与正常心拍信号矩阵S1对应的标签矩阵；L2为与左束支阻滞信号矩阵S2对应的标签矩阵；L3为与右束支阻滞信号矩阵S3对应的标签矩阵；L4为与早搏信号矩阵S4对应的标签矩阵。

4.根据权利要求1所述的短时训练卷积神经网络的心电信号分类方法，其特征在于：所述步骤4的具体过程为：

步骤4.1，利用离散化的多贝西小波对步骤3得到的心拍矩阵D进行小波分解，得到系数矩阵C：

C＝wavedec(D,Nc,'name')；

其中，wavedec(·)表示小波变换函数，Nc代表小波分解层数，name代表选取的小波类型。

步骤4.2，根据步骤4.1得到的系数矩阵C，选取前M个作为特征系数，得到新的特征矩阵F。

5.根据权利要求1所述的短时训练卷积神经网络的心电信号分类方法，其特征在于：所述步骤6的具体过程为：

步骤6.1，搭建CNN卷积神经网络；

步骤6.2，利用步骤5得到的训练集，使用随机梯度下降法对步骤6.1建立的CNN卷积神经网络进行训练；

步骤6.3，利用步骤5得到的测试集，对步骤6.2训练好的网络进行测试，分别得到正常心拍准确度A1、左束支阻滞心拍准确度A2、右束支阻滞心拍准确度A3、早搏心拍准确度A4、整体准确度A：

其中，Ntest为测试集心拍总数，TP1为正常心拍被分类为正常心拍的心拍数，TN1为非正常心拍被分类为非正常心拍的心拍数，TP2为左束支阻滞心拍被分类为左束支阻滞心拍的心拍数，TN2为非左束支阻滞心拍被分类为非左束支阻滞心拍的心拍数，TP3为右束支阻滞心拍被分类为右束支阻滞心拍的心拍数，TN3为非右束支阻滞心拍被分类为非右束支阻滞心拍到的心拍数，TP4为早搏心拍被分类为早搏心拍的心拍数，TN4为非早搏心拍被分类为非早搏心拍的心拍数。