1.一种心电信号分类方法，其特征在于，包括以下步骤：

获取心电信号数据并进行预处理，得到数据集，以数据集中的心电信号数据为神经网络的输入数据；

以局部感受野的超限学习机为特征提取器，学习心电信号数据中的空间信息，通过三个堆叠的随机卷积和池化过程，提取心电信号数据中不同维度的特征数据；

将提取到的特征数据经过融合后作为序列学习阶段的输入，采用深度双向长短期记忆网络进行序列学习，并最终输出心电信号分类结果；

所述神经网络的第一层为输入层，第二层到第七层分别为：第一随机卷积层、第一池化层、第二随机卷积层、第二池化层、第三随机卷积层和第三池化层；

所述神经网络的第八层为Flatten层，用于将提取到的特征经过融合后作为序列学习阶段的输入；

所述神经网络的第九层和第十层均为双向长短期记忆网络层，输入心电图信号的顺序相反，从初始时间到结束时间和从结束时间到初始时间的心电图信号值分别作为输入数据进入相应的、两个不同的长短期记忆网络层，对相应的参数进行训练学习；

第十一层为Flatten层；第十二层为全连接层；第十三层为输出层。

2.如权利要求1所述的心电信号分类方法，其特征在于，所述心电信号数据的预处理方法为进行归一化处理，具体为：其中，x表示输入样本点，xmax和xmin分别表示样本数据的最大值和最小值；

或者，如果输入的心电信号采样频率不同，通过重采样的方式将不同的心电信号变化为相同的采样频率，再通过带通滤波器进行滤波。

3.如权利要求1所述的心电信号分类方法，其特征在于，所述第一随机卷积层包含4个随机滤波器，卷积核大小为17×1，步长为1，参数根据概率分布随机确定，不使用激励函数；

所述第二随机卷积层包含8个随机滤波器，卷积核大小为6×1，步长为1，参数根据概率分布随机确定，不使用激励函数；

所述第三随机卷积层包含3个随机滤波器，卷积核大小为5×1，步长为1，参数根据概率分布随机确定，不使用激励函数；

所述第一池化层、第二池化层和第三池化层的池化窗大小均为2，均采用最大化池化方法。

4.如权利要求3所述的心电信号分类方法，其特征在于，

两个双向长短期记忆网络均包含78个记忆单元，每个记忆单元包括输入门、遗忘门和输出门；

输入门控制将新信息的部分保存到单元格状态，遗忘门确定历史单元格状态的保留信息，输出门控制将更新的单元格状态导出；

第十层的双向长短期记忆网络输出经过Flatten层和全连接层后，通过输出层输出多类心电信号的标签。

5.如权利要求4所述的心电信号分类方法，其特征在于，在序列学习阶段引入随机失活方法，在双向长短期记忆网络前向训练阶段，随机失活的值为0.1，在双向长短期记忆网络反向训练阶段，随机失活的值为0.2。

6.一种心电信号分类系统，其特征在于，包括：

预处理模块，被配置为：获取心电信号数据并进行预处理，得到数据集，以数据集中的心电信号数据为神经网络的输入数据；

特征提取模块，被配置为：以局部感受野的超限学习机为特征提取器，学习心电信号数据中的空间信息，通过三个堆叠的随机卷积和池化过程，提取心电信号数据中不同维度的特征；

序列学习模块，被配置为：将提取到的特征经过融合后作为序列学习阶段的输入，采用深度双向长短期记忆网络进行序列学习，并最终输出心电信号分类结果；

所述神经网络的第一层为输入层，第二层到第七层分别为：第一随机卷积层、第一池化层、第二随机卷积层、第二池化层、第三随机卷积层和第三池化层；

所述神经网络的第八层为Flatten层，用于将提取到的特征经过融合后作为序列学习阶段的输入；

所述神经网络的第九层和第十层均为双向长短期记忆网络层，输入心电图信号的顺序相反，从初始时间到结束时间和从结束时间到初始时间的心电图信号值分别作为输入数据进入相应的、两个不同的长短期记忆网络层，对相应的参数进行训练学习；

第十一层为Flatten层；第十二层为全连接层；第十三层为输出层。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的心电信号分类方法中的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的心电信号分类方法中的步骤。