1.一种基于人工智能的心电图异常程度检测方法，其特征在于，所述方法包括：获取心电图；所述心电图仅包括波段像素；获取所述波段像素中的峰值点与峰谷点；根据所述峰值点与峰谷点获得多个子波段的周期和幅值；

将所有所述子波段的所述周期和所述幅值映射至参数坐标系，获得包含投票值的坐标点；所述参数坐标系以周期作为横坐标，幅值作为纵坐标；若所述坐标点的投票值大于等于预设投票值阈值，则对应的所述子波段为正常波段，否则为第一异常波段；

根据所述正常波段最大的所述周期和所述幅值获得最大影响半径；根据每个所述坐标点的投票值获得调整权重，根据所述调整权重和所述最大影响半径获得每个所述正常波段的影响半径；筛选出在所述正常波段的所述影响半径范围内的所述第一异常波段作为第二异常波段，在所述正常波段的所述影响半径范围外的所述第一异常波段作为余下的第一异常波段；

根据所述调整权重和预设的最大影响程度获得每个所述正常波段的影响程度；获取所述第二异常波段与对应的所述正常波段的距离；根据所述距离和所述影响程度获得每个所述第二异常波段的受影响程度；若所述受影响程度大于预设受影响程度阈值，则对应的所述第二异常波段为正常波段；否则为第三异常波段；以所述余下的第一异常波段和所述第三异常波段作为最终的异常波段；

获得正常心电图；获得所述最终的异常波段与所述正常心电图对应位置处的差异；根据所述差异和所述受影响程度获得心电图异常程度；

所述根据所述正常波段最大的所述周期和所述幅值获得最大影响半径包括：根据最大影响半径公式获得所述最大影响半径；所述最大影响半径公式为：其中，R为所述最大影响半径，t为所述周期，h为所述幅值；

所述根据所述距离和所述影响程度获得每个所述第二异常波段的受影响程度包括：将所述距离和所述影响程度的乘积作为所述第二异常波段在对应的所述正常波段的所述影响半径范围内的初始受影响程度；将每个所述第二异常波段的所述初始受影响程度累加，获得每个所述第二异常波段的所述受影响程度；

根据所述差异和所述受影响程度获得心电图异常程度包括：通过心电图异常程度获取公式获得所述心电图异常程度；所述心电图异常程度获取公式包括：′

其中，S为所述最终的异常波段的数量，Wk为第k个所述最终的异常波段的所述受影响程度，Ck第k个所述最终的异常波段对应的所述差异。

2.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述获取心电图后还包括：将所述心电图送入预先训练好的波段检测网络中，获得所述波段像素。

3.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述获取所述波段像素中的峰值点与峰谷点包括：遍历分析每个所述波段像素在预设邻域范围内的像素特征；当所述波段像素在所述邻域范围内左、右和上方均无其他所述波段像素时，则对应所述波段像素为峰值点；当所述波段像素在所述邻域范围内左、右和下方均无其他所述波段像素时，则对应所述波段像素为峰谷点。

4.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述根据每个所述坐标点的投票值获得调整权重包括：获得所述坐标点最大投票值；以每个所述坐标点的投票值与所述最大投票值的比值作为所述调整权重。

5.根据权利要求1所述的一种基于人工智能的心电图异常程度检测方法，其特征在于，所述获得正常心电图包括：将所述心电图中的所述最终的异常波段剔除后输入预先训练好的心电图填充网络，输出所述正常心电图。

6.一种基于人工智能的心电图异常程度检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～5任意一项所述方法的步骤。