1.一种基于脑电图深度学习的辅助诊断方法，其特征在于，包括：S10：获取采集的脑电图样本数据，将所述脑电图样本数据整合至预设规范化模型中，得到规范化脑电图整型数据；

S20：根据预设词嵌入模型，将所述规范化脑电图整型数据转换为词嵌入向量；

S30：根据预设深度学习模型对所述词嵌入向量进行特征提取，并对提取后的特征进行时间标记以及识别诊断；

S40：根据所述时间标记以及识别诊断，输出疾病发作概率，并对所述疾病发作概率超过预设概率的脑电图样本数据进行区分。

2.根据权利要求1所述的一种基于脑电图深度学习的辅助诊断方法，其特征在于，所述步骤S10具体包括步骤：S101：将所述脑电图样本数据按采集的电极数目以及记录时长转换为二维矩阵；

S102：对所述二维矩阵进行池化处理，获取池化后的池化矩阵；

S103：对所述池化矩阵进行u律非线性压缩变换，得到脑电图整型数据。

3.根据权利要求1或2所述的一种基于脑电图深度学习的辅助诊断方法，其特征在于，所述步骤S20具体包括步骤：S201：根据记录时间顺序，将所述脑电图整型数据作为语料库，并通过词袋模型以及跳跃模型进行词预测监督学习，以形成词嵌入矩阵；

S202：将所述脑电图整型数据转换得到三维数据矩阵，并与所述词嵌入矩阵相乘，得到所述词嵌入向量。

4.根据权利要求1所述的一种基于脑电图深度学习的辅助诊断方法，其特征在于，所述步骤S30具体包括步骤：S301：将三维卷积层进行多层叠加，作为特征提取层；

S302：通过所述特征提取层对所述词嵌入向量进行特征提取，获取脑电图数据特征；

S303：将注意力层以及递归神经网络进行叠加并对所述脑电图数据特征进行时间标记以及识别诊断。

5.根据权利要求1所述的一种基于脑电图深度学习的辅助诊断方法，其特征在于，还包括步骤：S11：通过预设疾病发作数据库对所述预设词嵌入模块以及预设深度学习模块进行监督训练，所述预设疾病发作数据库包括失神发作数据库、强直发作数据库、广义非特异性发作数据库、阵挛性发作数据库、焦点非特异性发作数据库、强直阵挛性发作数据库、简单部分性发作数据库、失张力发作数据库、复杂部分性发作数据库以及肌阵挛发作数据库。

6.一种基于脑电图深度学习的辅助诊断系统，其特征在于，包括：输入规范化模块：用于获取采集的脑电图样本数据，将所述脑电图样本数据整合至预设规范化模型中，得到规范化脑电图整型数据；

词嵌入模块：用于根据预设词嵌入模型，将所述规范化脑电图整型数据转换为词嵌入向量；

深度学习模块：用于根据预设深度学习模型对所述词嵌入向量进行特征提取，并对提取后的特征进行时间标记以及识别诊断；

输出模块：用于根据所述时间标记以及识别诊断，输出疾病发作概率，并对所述疾病发作概率超过预设概率的脑电图样本数据进行区分。

7.根据权利要求6所述的一种基于脑电图深度学习的辅助诊断系统，其特征在于，所述系统具体包括：二维矩阵转换单元：用于将所述脑电图样本数据按采集的电极数目以及记录时长转换为二维矩阵；

池化处理单元：用于对所述二维矩阵进行池化处理，获取池化后的池化矩阵；

压缩变换单元：用于对所述池化矩阵进行u律非线性压缩变换，得到脑电图整型数据。

8.根据权利要求6或7所述的一种基于脑电图深度学习的辅助诊断系统，其特征在于，所述系统具体包括：词嵌入矩阵单元：用于根据记录时间顺序，将所述脑电图整型数据作为语料库，并通过词袋模型以及跳跃模型进行词预测监督学习，以形成词嵌入矩阵；

词嵌入向量单元：用于将所述脑电图整型数据转换得到三维数据矩阵，并与所述词嵌入矩阵相乘，得到所述词嵌入向量。

9.根据权利要求6所述的一种基于脑电图深度学习的辅助诊断方法，其特征在于，所述系统具体包括：叠加单元：用于将三维卷积层进行多层叠加，作为特征提取层；

特征提取单元：用于通过所述特征提取层对所述词嵌入向量进行特征提取，获取脑电图数据特征；

标记识别单元：用于将注意力层以及递归神经网络进行叠加并对所述脑电图数据特征进行时间标记以及识别诊断。

10.根据权利要求6所述的一种基于脑电图深度学习的辅助诊断系统，其特征在于，还包括：监督训练模块：用于通过预设疾病发作数据库对所述预设词嵌入模块以及预设深度学习模块进行监督训练，所述预设疾病发作数据库包括失神发作数据库、强直发作数据库、广义非特异性发作数据库、阵挛性发作数据库、焦点非特异性发作数据库、强直阵挛性发作数据库、简单部分性发作数据库、失张力发作数据库、复杂部分性发作数据库以及肌阵挛发作数据库。