接下来我将阐述该项目的主要创新点 首先该项目使用的疾病精细化诊断模型使用的是结合基于重放的方法和EWC方法的CNN模型，他们可以针对两种不同采样率的心电数据进行疾病分类从而解决灾难性遗忘问题和协变量偏移问题，进一步提高疾病分类的效率和精度。 其次，本项目使用的是基于可持续学习的一维卷积网络的轻量级心血管疾病异常诊断模型，该模型可以通过一维卷积将输入数据轻量化，减少APP所占用的手机资源，从而达到提升异常检测效率，实现实时异常检测的目的。扩写一下

好的，本项目的创新点主要体现在两个方面：

1. 疾病精细化诊断模型：该模型结合了基于重放的方法和 EWC 方法，可以针对两种不同采样率的心电数据进行疾病分类，解决灾难性遗忘问题和协变量偏移问题，从而提高疾病分类的效率和精度。基于重放的方法可以保留先前学习的经验，避免遗忘问题，EWC 方法可以抑制重要性较大的参数更新，减少协变量偏移问题的影响。通过结合这两种方法，可以更好地解决实际应用中的数据变化问题，从而提高疾病分类模型的鲁棒性和准确性。

2. 轻量级心血管疾病异常诊断模型：该模型基于可持续学习的一维卷积网络，通过一维卷积将输入数据轻量化，减少 APP 所占用的手机资源，从而达到提升异常检测效率，实现实时异常检测的目的。一维卷积网络减少了模型的参数量，提高了模型的运行速度，同时也减少了模型的内存占用，可以更好地适应于移动设备等资源受限的场景。通过采用可持续学习的方式，可以在新数据到来时快速适应，不需要重新训练整个模型，提高了模型的可用性和实用性。

这些创新点对于心电信号分类和异常检测任务来说具有重要意义，可以提高模型的性能和效率，同时也拓展了深度学习在医疗领域的应用场景。