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：学习率、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结合ewc方法对采样率为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；
步骤4，利用第一次训练好的卷积神经网络模型结合ewc方法对采样率为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；
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：学习率设为0.01、样本训练批次数设为500和迭代次数设为25。
4.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，所述步骤3的具体过程如下：
3.1，将采样率为128hz的所有心拍样本与各自对应的分类标签打乱，并划分其中50％的心拍样本为第一训练集，剩余的50％为第一测试集；
3.2，将第一训练集输入步骤2构建的卷积神经网络模型中进行训练，得到第一次训练好的卷积神经网络模型以及模型的参数，利用fisher信息矩阵计算每个参数的重要性，设定第一损失函数为：
其中，l1(θ)表示第一损失函数，l1cur(θ)表示第一次训练的损失，λ为学习率，f1,i表示第一次训练得到的第i个参数的重要性，θ0,i表示初始化的第i个参数，
3.3，利用第一测试集对第一次训练好的卷积神经网络模型进行测试。
5.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，所述步骤4的具体过程如下：
利用第一次训练好的卷积神经网络模型结合ewc方法对采样率为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
4.1，将采样率为360hz的所有心拍样本与各自对应的分类标签打乱，并划分其中50％的心拍样本为第二训练集，剩余的50％为第二测试集；
4.2，将第二训练集输入第一次训练好的卷积神经网络模型中进行训练，得到第二次训练好的卷积神经网络模型以及模型的参数，利用fisher信息矩阵计算每个参数的重要性，设定第二损失函数为：
其中，l2(θ)表示第二损失函数，l2cur(θ)表示第二次训练的损失，λ为学习率，f2,i表示第二次训练得到的第i个参数的重要性，
4.3，利用第二测试集对第二次训练好的卷积神经网络模型进行测试。