1.一种基于改进灰狼算法优化的SVM心电信号识别方法，其特征在于，包括以下步骤：步骤S1：采集ECG数据；

步骤S2：对ECG信号进行简单的去噪处理后，通过小波变换进行特征提取，由此得到原始ECG信号样本熵特征 和小波能量比特征并将此组成融合特征空间作为分类模型的输入向量；

步骤S3：进入改进灰狼算法DIGWO，在迭代过程中，计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动，达到最大迭代次数停止迭代，输出参数惩罚因子C和核函数参数g的最优组合，其中改进灰狼算法DIGWO是在传统灰狼算法的基础上，从子群划分、收敛因子和比例权重三个方面对灰狼算法进行改进，改进的灰狼算法具体流程步骤如下：步骤S31：参数初始化，设定灰狼种群数量N，迭代次数T，随机初始化灰狼种群位置；

步骤S32：遍历当前种群灰狼，计算适应度值，找出灰狼群体中的最优个体α狼，以及适应度最差的ω狼，分别计算并保留α狼的坐标Xα,Yα，以及最差位置ω狼的坐标Xω,Yω；

步骤S33：分别计算灰狼个体i与最优个体之间的距离Disti_abest及与最差个体之间的距离Disti_worst；若Disti_abest≤(Disti_worst)/2，则将灰狼个体i划分到较优子群，转步骤S34；否则，将灰狼划分到较差子群，转步骤S35；

步骤S34：较优子群内灰狼采用收敛因子a1及欧式权重对灰狼个体位置更新，并且计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动；

步骤S35：较差子群内灰狼采用收敛因子a2及欧式权重对灰狼个体位置更新，并且计算每个灰狼的适应度值，并与前一次迭代中相应灰狼的适应度值比较，若比之较好则替换位置信息，反之不动；

步骤S36：将较优与较差子群进行合并；

步骤S37：判断DIGWO算法是否达到了迭代次数，若满足，则结束，若没有达到迭代次数T，则返回步骤S32；

步骤S4：将得到的参数C和g来训练SVM，建立DIGWO‑SVM分类模型；

步骤S5：基于训练好的DIGWO‑SVM分类系统进行分类；

步骤S6：根据DIGWO‑SVM分类结果作为心电信号识别结果。

2.根据权利要求1所述的一种基于改进灰狼算法优化的SVM心电信号识别方法，其特征在于，所述灰狼个体i与最优个体之间的距离Disti_abest及与最差个体之间的距离Disti_worst计算公式如下式(1)：

式中，Xi为当代种群灰狼位置，Xα为当代种群中适应度值最高的α狼位置，Xω为当代种群中适应度最低的灰狼位置。

3.根据权利要求1所述的一种基于改进灰狼算法优化的SVM心电信号识别方法，其特征在于，针对较优子群与较差子群适应度值的差异，采用不同的收敛因子，如下式(2)为较优子群的收敛因子公式，如下式(3)为较差子群的收敛因子公式：

4.根据权利要求3所述的一种基于改进灰狼算法优化的SVM心电信号识别方法，其特征在于，在改进的灰狼算法中，提出一种基于欧式距离的位置更新策略，对当前灰狼个体位置进行更新，根据如下公式(4)至公式(7)更新灰狼个体的位置信息：每一只ω狼与α、β、δ狼的距离公式如下式(4)：更新α、β、δ狼的位置信息如下式(5)：式中C1＝2r11，C2＝2r12，C3＝2r13，A1＝2ar21‑a，A2＝2ar22‑a，A3＝2ar23‑a， 其中a在迭代过程中从2线性减小到0，如果当前灰狼个体属于较优子群，a取a1，如果当前灰狼个体属于较差子群，a则取a2；r11、r12、r13和r21、r22、r23是取值在[0,1]之间的随机向量；

式(4)中Xα、Xβ、Xδ分别当前种群中α、β、δ的位置向量，X(t)为第t代灰狼个体的位置，Dα、Dβ、Dδ分别表示当前候选α、β、δ灰狼与第t代灰狼个体之间的距离，C1，C2，C3是摆动因子；式(5)中X1表示迭代后的α狼位置，X2表示β狼位置，X3表示δ狼位置，A1，A2，A3是各自的收敛因子；

基于欧氏距离的位置更新策略，以Dα、Dβ、Dδ倒数的占比作为权重系数，对当前灰狼中除α、β、δ狼外的其他灰狼个体位置进行更新，计算公式如下式(7)：