1.一种基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：包括以下步骤：

1)选取心律失常源域数据集、心肌梗塞源域数据集和目标域数据集：2)对心律失常源域数据集、心肌梗塞源域数据集和目标域数据集中的数据进行降噪预处理；3)根据与目标域数据集的相关性对心律失常源域数据集、心肌梗塞源域数据集中的心电信号数据进行降序排列；4)构建疾病诊断模型，并将心律失常源域数据集、心肌梗塞源域数据集中经过降噪预处理的心电信号数据送入模型进行训练；5)将训练好的疾病诊断模型采用整体迁移的形式应用到降噪预处理后的目标域数据集中，对癫痫疾病进行诊断；

其中，步骤4)的具体步骤为：4.1)构建疾病诊断模型，所述疾病诊断模型由顺次相连的Input层、第一个残差网络块的第一个卷积层、第一个残差网络块中的第二个卷积层、第一个残差网络块中的最大池化层、第一个残差网络块的Dropout层、第二个残差网络块的第一个卷积层、第二个残差网络块的第二个卷积层、第二个残差网络块的最大池化层、第二个残差网络块的Dropout层、第三个残差网络块的第一个卷积层、第三个残差网络块的第二个卷积层、第三个残差网络块的最大池化层、第三个残差网络块的Dropout层、第一个全局卷积层、第二个全局卷积层、全局最大池化层、全局Dropout层、第一个Dense层、第二个Dense层以及Softmax分类器构成，且前序层的输出作为当前层的输入；4.2)将心律失常源域数据集、心肌梗塞源域数据集中经过降噪预处理的心电信号数据送入疾病诊断模型进行训练。

2.根据权利要求1所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

从MIT‑BIH数据库中获取心电信号数据作为心律失常源域数据集，从PTB数据库中选取心电信号数据作为心肌梗塞源域数据集，从德国波恩大学癫痫研究中心数据库获取脑电信号数据作为目标域数据集。

3.根据权利要求1所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤2)的具体步骤为：

2.1)依次利用巴特沃斯高通滤波器、巴特沃斯带阻滤波器以及中值滤波器对心律失常源域数据集中的心电信号数据中存在的肌电干扰、工频干扰和基线漂移进行除噪处理；依次利用巴特沃斯高通滤波器、巴特沃斯带阻滤波器以及中值滤波器对心肌梗塞源域数据集的数据中存在的肌电干扰、工频干扰和基线漂移进行除噪处理；2.2)依次利用巴特沃斯高通滤波器和50Hz的陷波滤波器对目标域数据集中的脑电信号数据中存在的眼动干扰、肌电干扰、心电干扰以及高频噪声干扰进行去除。

4.根据权利要求3所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤2.1)中，巴特沃斯高通滤波器用于对心律失常源域数据集和心肌梗塞源域数据集中心电信号数据存在的肌电干扰进滤除，巴特沃斯高通滤波器的传递函数如公式(1.1)所示：公式(1.1)中，n∈N，且n≤10000，N为非负整数集，D0为指定的非负数值，D(u，v)为频率矩形的中心到傅里叶变换中心的距离；其中，D(u，v)计算公式如公式(1.2)所示：

2 2 1/2

D(u，v)＝|(u‑M/2) +(v‑N/2) ]     (1.2)

公式(1.2)中，u和v是频率矩阵的中心坐标点，该中心坐标点是通过(u，v)＝(M/2，N/2)得到的；其中，M×N为心律失常源域数据集、心肌梗塞源域数据集中心电信号数据的维度大小；

巴特沃斯带阻滤波器用于对心律失常源域数据集和心肌梗塞源域数据集中中心电信号数据存在的工频干扰进行滤除，传递函数如公式(1.3)所示：公式(1.3)中，n∈N，且n≤10000，N为非负整数集，D0为指定的非负数值，D(u，v)为频率矩形的中心到傅里叶变换中心的距离，W指频带的宽度；

中值滤波器用于对心律失常源域数据集和心肌梗塞源域数据集中心电信号数据存在的基线漂移噪声进行滤除，取窗口长度为m，此处m＝490，传递函数如公式(1.4)所示：yi＝Med{Xi‑v，……，Xi，……，Xi+v}    (1.4)

公式(1.4)中，Xi表示心律失常源域数据集和心肌梗塞源域数据集中心电信号数据中的心电信号数据；i∈N，

5.根据权利要求3所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤2.2)中，巴特沃斯高通滤波器的传递函数如公式(1.1)和(1.2)所示，其中，公式(1.2)中M×N表示的是目标域数据集中脑电信号数据的维度大小，陷波滤波器的传递函数h为：公式(1.5)中，w0是陷波滤波器的中心频率，即设置的想要陷掉的频率，此处为50Hz；w是陷波滤波器的频带宽度，s是指输入的脑电信号的信号频率。

6.根据权利要求1所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤3)的具体步骤为：

3.1)分别计算心律失常源域数据集、心肌梗塞源域数据集中降噪预处理后的心电信号的每个特征与目标数据集中降噪预处理后的脑电信号的每个特征之间的互信息；

3.2)计算完互信息之后，对互信息进行降序排列。

7.根据权利要求6所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤3.1)中，互信息采用如公式(1.6)进行计算：

公式(1.6)中，Xs表示源域数据集中降噪预处理后的心电信号的特征，Xt表示目标域数据集中降噪预处理后的脑电信号的特征，p(xs，xt)是当前Xs和Xt的联合概率密度函数，p(xs)和p(xt)分别是Xs和Xt的边缘概率密度函数。

8.根据权利要求6所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤3.2)中，降序序列Y是通过公式(1.7)计算得到的：

Y＝sort(‑(I(Xs,Xt)))    (1.7)。

9.根据权利要求1所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：

步骤4.2)的具体步骤为：通过Input层将步骤3.2得到的降序序列Y输入到疾病诊断模型中的第一个残差网络块中的第一个卷积层中，而后，该卷积层学习降序序列Y中局部的数据特征；而后，第一个残差网络块中的第二个卷积层对第一残差网络块中的第一个卷积层输出的特征数据进行学习；而后，第一个残差网络块中的最大池化层对第一个残差网络块中的第二个卷积层输出的特征数据进行旋转；而后，第一个残差网络块的Dropout层根据设置的丢失率随机对第一个残差网络块中的网络节点进行丢弃，减小第一个残差网络块的过拟合情况；而后，第二个残差网络块的第一个卷积层对第一个残差网络块的Dropout层输出的特征数据进行局部学习；而后，第二个残差网络块的第二个卷积层对第二个残差网络块的第一个卷积层输出的特征数据进行学习；而后，第二个残差网络块的最大池化层对第二个残差网络块中的第二个卷积层输出的特征数据进行旋转；而后，第二个残差网络块的Dropout层根据设置的丢失率随机对第二个残差网络块中的网络节点进行丢弃，减小第二个残差网络块的过拟合情况；而后，第三个残差网络块的第一个卷积层对第二个残差网络块的Dropout层输出的特征数据进行局部学习；而后，第三个残差网络块的第二个卷积层对第三个残差网络块的第一个卷积层输出的特征数据进行学习；而后，第三个残差网络块的最大池化层对第三个残差网络块中的第二个卷积层输出的特征数据进行旋转；而后，第三个残差网络块的Dropout层根据设置的丢失率随机对第三个残差网络块中的网络节点进行丢弃；而后，整个疾病诊断模型中的第一个全局卷积层对第三个残差网络块的Dropout层输出的特征数据进行局部学习；而后，第二个全局卷积层对第一个全局卷积层输出的特征数据进行学习；而后，全局最大池化层对第二个全局卷积层输出的特征数据进行展平，得到向量；而后，全局Dropout层Ⅳ根据设置的丢失率随机对整个疾病诊断模型中的网络节点进行丢弃，减小整个疾病诊断模型过拟合情况；而后，第一个Dense层使用Relu激活函数，把Dropout层Ⅳ输出的向量的特征数据保留并映射到第二个Dense层中；而后，第二个Dense层按照2个分类类别将特征数据映射给Softmax分类器；而后，Softmax分类器将映射结果与目标域标签进行比对，当映射结果与目标域标签相同时，则判定为患有癫痫疾病，反之则未患癫痫疾病。

10.根据权利要求3所述的基于双源域整体迁移学习的癫痫疾病识别方法，其特征在于：步骤5)中，整体迁移是指：采用心律失常源域数据集、心肌梗塞源域数据集训练得到的最终疾病诊断模型中的全部参数，将步骤2.2)中目标域数据集中降噪预处理后的脑电信号数据输入疾病诊断模型进行测试。