1.一种基于MutiFacolLoss‑Densenet的心电信号分类方法，由于每条记录所测得的心电信号时间长短不一或者时间过长，无法对其进行直接分类，需要对每条记录以等长的时间间隔分割处理，然后把分割后的心电信号片段进行归一化处理，最后把处理好的心电信号输入到卷积神经网络中进行分类；该方法的主干网络主要采用DenseNet结构的思想；该主干网络的输入为分割后的心电信号片段，输出为心电信号类别个数，网络的每个输出分别为所属类别的概率，是一种端到端的心电信号分类方法；

其特征在于：具体方法步骤如下，

S1、首先计算每条记录的总长度为RL，确定分割窗口长度为WL以及窗口向前移动步长为S，然后对每条记录进行等长度的分割，最后对分割后的心电信号片段进行Z‑Score归一化处理；每条记录分割出片段数量为：其中，S,WL,RL>0

S2、构建面向心电信号的MutiFacolLoss‑Densenet模型；该模型的每层结构依次顺序是：卷积层、池化层、Dense Block1包含四个Bottleneck_Layer、Tansition Layer1、Dense Block2包含四个Bottleneck_Layer、Tansition Layer2、Dense Block3包含六个Bottleneck_Layer、卷积层、池化层、全连接层；

S3、对步骤2构建的模型进行优化训练；包括每层滤波器的大小与个数，网络的层数，学习率以及MultiFocal‑Loss损失函数等；

MultiFocal‑Loss损失函数定义如下：γ

其中 aj表示Softmax函数对样本属于类别j的概率输出；(1‑aj) 表示交叉熵损失的调节因子，γ≥0；

S4、把测试集中每条记录所分割的等长心电信号片段分别输入到训练好的模型中进行分类；根据每条记录分割后的心电信号片段分类结果，对其进行加权投票，投票最高的类别作为该记录最终的分类结果；

所述S4包括如下步骤：

(1)计算每条记录分割出的所有心电信号片段为Segs＝{seg1,seg2,…,segN},共有N条分割的片段；

(2)把分割的片段Segs输入到训练好的模型中，通过softmax函数得到每条分割片段属于各个类别的概率向量 其中n表示第n条分割的片段， 表示第n条片段属于类的别为k概率；

(3)计算每条分割片段最大概率的类别向量 则整个记录中所有分割片段分别得到的最大概率类别矩阵表示为Kj表示所有K个类别中第j个类别；

(4)通过该记录的所有分割片段最大概率矩阵MaxW，对各个类别的概率值相加，最终获

1 2 K

得每类的加权投票数向量WNums＝[w ,w ,...,w]，则投票数最多的类别即为该记录的最终分类结果。