1.一种基于深度学习模型的睡眠脑电信号检测方法，其特征在于，包括：采集脑电信号；

对所述脑电信号进行时频转换，得到数据频域图；

从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心；

根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；

计算每个簇中所有特征向量的均值作为该簇的特征值；

将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；

将所述脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线；

将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果。

2.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，在所述对所述脑电信号进行时频转换之前，还包括：对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。

3.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，在所述计算每个簇中所有特征向量的均值作为该簇的特征值之后，还包括：计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值；

判断所述目标函数值发生的改变是否超出设定的差异范围；

若没有超出，则将所有簇的特征值按照时间顺序拼接起来；

若超出，则重新进行聚类。

4.如权利要求1所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，在所述将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线之后，还包括：对所述脑电信号的特征曲线进行归一化处理。

5.如权利要求1‑4中任一项所述的基于深度学习模型的睡眠脑电信号检测方法，其特征在于，所述将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果，包括：将预设采集通道的加权后的通道特征曲线进行线性融合，得到融合后的特征曲线；

将所述融合后的特征曲线输入到所述预设的睡眠检测模型中，得到睡眠分期检测结果。

6.一种基于深度学习模型的睡眠脑电信号检测系统，其特征在于，包括：脑电信号采集模块，用于采集脑电信号；

时频转换模块，用于对所述脑电信号进行时频转换，得到数据频域图；

聚类中心获取模块，用于从所述数据频域图中选择出各预设的睡眠阶段中的特征向量最大值作为各所述睡眠阶段的聚类中心；

聚类模块，用于根据所述数据频域图中的其余特征向量与各所述睡眠阶段的聚类中心之间的欧式距离进行聚类，得到对应的簇；

均值计算模块，用于计算每个簇中所有特征向量的均值作为该簇的特征值；

拼接模块，用于将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；

波形重构模块，用于将所述脑电信号的特征曲线乘以所属采集通道的权重，得到加权后的通道特征曲线；

睡眠检测模块，用于将所述加权后的通道特征曲线输入到预设的睡眠检测模型中，得到睡眠分期检测结果。

7.如权利要求6所述的基于深度学习模型的睡眠脑电信号检测系统，其特征在于，还包括：噪声处理模块，用于对所述脑电信号进行去除噪声和增加加性高斯白噪声处理。

8.如权利要求6所述的基于深度学习模型的睡眠脑电信号检测系统，其特征在于，还包括：目标函数值计算模块，用于计算所有特征向量到其所属簇的特征值之间的欧式距离的平方和作为目标函数值；

判断模块，用于判断所述目标函数值发生的改变是否超出设定的差异范围；

所述拼接模块，具体用于若没有超出，将所有簇的特征值按照时间顺序拼接起来，得到脑电信号的特征曲线；

跳转模块，用于若超出，执行所述聚类中心获取模块。

9.如权利要求6所述的基于深度学习模型的睡眠脑电信号检测系统，其特征在于，还包括：归一化模块，用于对所述脑电信号的特征曲线进行归一化处理。

10.如权利要求6‑9中任一项所述的基于深度学习模型的睡眠脑电信号检测系统，其特征在于，所述睡眠检测模块，包括：线性融合单元，用于将预设采集通道的加权后的通道特征曲线进行线性融合，得到融合后的特征曲线；

睡眠检测单元，用于将所述融合后的特征曲线输入到所述预设的睡眠检测模型中，得到睡眠分期检测结果。