1.一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法，其特征在于，所述方法包括：对心电数据进行特征提取，获得心电信号训练样本数据集；用AdaBoost算法对心电信号训练样本数据集进行分类，所述AdaBoost算法为单决策树的弱分类器的分类算法，所述弱分类器分类错误的样本的加权方式由弱分类器对心电信号训练样本数据集分类错误的概率和对心电信号训练样本数据集分类后取错误类值的概率所决定；

所述AdaBoost算法通过训练不同的弱分类器，然后综合起来，形成最终的强分类器；训练弱分类器时，给予每条心电数据用于计算误差的不同权重，对每个分类器，给予用于分类的不同权重；

用弱分类器对心电信号数据集分类错误的样本加权的步骤包括：

S301：设输入的特征提取后的心电信号训练样本数据集为{(A1,B1),(A2,B2),……,(At,Bt)}，At是数据集的属性向量，Bt是标志向量，Bt＝{‑1,1}；算法的循环次数为固定的数值n；

所述标志向量Bt将心电信号训练样本数据集分为两类，分别为1和‑1，其中，‑1代表心电异常类值，1代表心电正常类值；

S302：确定心电信号训练样本数据集的初始权重为D(Ai)＝1/t，i＝1,2,…,t；

S303：确定弱分类器Ht，用弱分类器对心电信号训练样本数据集进行分类，分类错误的概率为εt，心电信号训练样本数据集取正常类值和异常类值时的概率为(P(1),P(2),…,P(t))；

S304：当分类错误时，弱分类器Ht对心电信号训练样本数据集分类后取错误类值的概率为P(a)，分类后取正确类值的概率为1‑P(a)，加权因子为η＝2P(a)‑1；

S305：预设阈值，当步骤S5得到的取错误类值的概率P(a)大于预设的阈值时，返回步骤S302；

S306：当εt>0.5时，重新初始化心电信号训练样本数据集权重，并返回步骤S303，否则S307：更新分布Dt，Zt是一个标准化因子，则：其中，αt表示Ht(At)为最终的强分类器的重要程度；

S308：n轮训练结束后，输出最终的强分类器：

2.如权利要求1所述的一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法，其特征在于，所述特征提取算法为离散小波变换，具体为二进小波变换，包括如下步骤：S201：在需预处理的心电数据中取采样点；

S202：设置正阈值为极大值点幅值的平均值的1/4，负阈值为极小值点幅值的平均值的

1/4；

S203：函数选择二次B样条小波，尺度为4，利用1‑4尺度上的小波系数选出QRS波能量最大的某一尺度求出模极大值序列；

S204：在选取的尺度上设置初始阈值，在极大值点组成的序列和极小值点组成的序列中搜索极值对，保留正极大值大于正阈值，负极大值小于负阈值的模极大值对，同时将不符合要求的极值对从序列中删除；

S205：由最终的极值点组成的序列确定极值对的过零点位置，每一对的过零点就是R波的估计定位，将这些过零点纳入R波候选点序列中，并求出R波候选点序列中两两间隔的平均值RRmean；

S206：求出每个R波间隔，若在0.6×RRmean的时间内出现第二个R波，那么去掉绝对值小的R波，并将该点从R波候选点序列中去除；

S207：当发现R波间隔超过1.6×RRmean时，减小正阈值为平均值的1/6，返回步骤S204设置第二个阈值检测R波；若还检测不到目标，则存在倒向R波，将波形沿x轴翻转重新检测。

3.如权利要求2所述的一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法，其特征在于，所述S305中，阈值为3/4。

4.权利要求1‑3任一所述的一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法用于人体心电信号的分类。