1.一種檢測模型獲取方法，其特征在于，包括：
獲取第一預設數量的心動周期的形態特征；所述第一預設數量的心動周期的形態特征中包括第二預設數量的第一類心動周期的形態特征和第三預設數量的第二類心動周期的形態特征；
通過聚類算法，對所述第一預設數量的心動周期的形態特征聚類；
按照第一預設規則在每類心動周期的形態特征中選取心動周期的形態特征；
根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型。
2.根據權利要求1所述的方法，其特征在于，所述根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型，包括：
根據選取出的心動周期的形態特征，通過深度學習算法訓練獲取第一參數檢測模型。
3.根據權利要求2所述的方法，其特征在于，所述第三預設數量的第二類心動周期包括第二預設數量的室上性心律失常心動周期、第二預設數量的室性心律失常心動周期及第二預設數量的室性融合波心動周期。
4.根據權利要求3所述的方法，其特征在于，所述方法還包括：
獲取待檢測目標的第四預設數量的心動周期的形態特征；
通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征分類；
按照第二預設規則在每類待檢測目標的心動周期的形態特征中選取待檢測目標的心動周期的形態特征；
根據選取出的待檢測目標的心動周期的形態特征，通過深度學習算法對所述第一參數檢測模型進行優化，獲取第二參數檢測模型，以根據所述第二參數檢測模型對待檢測目標的心動周期的形態特征進行分類。
5.根據權利要求4所述的方法，其特征在于，所述通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征聚類，包括：
通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征進行無監督聚類，以實現對所述待檢測目標的第四預設數量的心動周期的形態特征的聚類。
6.根據權利要求5所述的方法，其特征在于，所述方法還包括：
利用所述第二參數檢測模型對所述待檢測目標的第四預設數量的心動周期的形態特征中的未選取的心動周期的形態特征進行分類。
7.根據權利要求6所述的方法，其特征在于，所述聚類算法為基于密度的聚類算法，所述深度學習算法為遞歸神經網絡算法。
8.根據權利要求1-7中任一項所述的方法，其特征在于，每個所述心動周期的形態特征包括當前心動周期中第一預設間隔的采樣點的幅值和所述當前心動周期的前一心動周期的T波周期內第二預設間隔的采樣點的幅值。
9.一種檢測模型獲取裝置，其特征在于，包括：
獲取單元，用于獲取第一預設數量的心動周期的形態特征；所述第一預設數量的心動周期的形態特征中包括第二預設數量的第一類心動周期的形態特征和第三預設數量的第二類心動周期的形態特征；
聚類單元，用于通過聚類算法，對所述第一預設數量的心動周期的形態特征聚類；
選取單元，用于按照第一預設規則在每類心動周期的形態特征中選取心動周期的形態特征；
訓練單元，用于根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型。
10.根據權利要求9所述的裝置，其特征在于，所述訓練單元，還用于：
根據選取出的心動周期的形態特征，通過深度學習算法訓練獲取第一參數檢測模型。