1.基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，包括：采集脑电信号；

通过所述脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图；

将所述小波散射功率谱密度能量图和所述频率谱密度能量图融合，得到融合后的特征图；

将所述融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。

2.如权利要求1所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，所述通过所述脑电信号生成小波散射功率谱密度能量图，包括：对所述脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；

利用多尺度多方向复小波获取所述频率成分中高频成分中的底层特征，通过所述底层特征对高频成分系数取模，得到高频成分系数的模数；

对所述高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；

利用所述小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。

3.如权利要求1所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，所述通过所述脑电信号生成频率谱密度能量图，包括：将所述脑电信号进行信号分解，在时域中被分解成重叠的区块；

对每个所述区块进行傅里叶变换计算每个区块的频谱幅度；

对所述频谱幅度进行测量和并排放置生成频率谱密度能量图。

4.如权利要求1‑3中任一项所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，在所述通过所述脑电信号生成小波散射功率谱密度能量图和频率谱密度能量图之前，还包括：3

将所述脑电信号进行3级分解，分解为2 个小波包基，所述小波包基包含着低频成分系数和高频成分系数的线性组合；

选择使损失函数最小的小波包基作为最优小波包基，得到所述最优小波包基分解的低频成分系数；

利用所述最优小波包基设定熵标准，利用所述熵标准计算得到小波分解系数；

将绝对值小于阈值的所述小波分解系数置为0，将绝对值大于或者等于所述阈值的所述小波分解系数予以保留，得到小波系数的估计值；

根据所述最优小波包基分解的低频成分系数和所述小波系数的估计值进行小波重构，得到重构后的脑电信号；

通过预设滑动窗口和预设步长对所述重构后的脑电信号进行加窗分段处理。

5.如权利要求4所述的基于脑电特征融合深度学习模型的癫痫分类方法，其特征在于，所述阈值T通过公式 计算得到；其中，cD1为第一层分解系数，N为数据长度。

6.基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，包括：脑电信号采集模块，用于采集脑电信号；

小波散射功率谱密度能量图生成模块，用于通过所述脑电信号生成小波散射功率谱密度能量图；

频率谱密度能量图生成模块，用于通过所述脑电信号生成频率谱密度能量图；

能量图融合模块，用于将所述小波散射功率谱密度能量图和所述频率谱密度能量图融合，得到融合后的特征图；

癫痫分类模块，用于将所述融合后的特征图输入到预设的深度学习模型中，输出得到癫痫分类结果。

7.如权利要求6所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，所述小波散射功率谱密度能量图生成模块，包括：第一信号分解单元，用于对所述脑电信号进行信号分解，分解成具有多个谐波分量的频率成分；

取模单元，用于利用多尺度多方向复小波获取所述频率成分中高频成分中的底层特征，通过所述底层特征对高频成分系数取模，得到高频成分系数的模数；

局部平均运算单元，用于对所述高频成分系数的模数通过非线性运算的小波散射特征进行卷积尺度函数平均，获得同时具有平移不变性和局部变形稳定性的小波散射特征；

小波散射功率谱密度能量图生成单元，用于利用所述小波散射特征得到小波散射功率谱密度，并生成小波散射功率谱密度能量图。

8.如权利要求6所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，所述频率谱密度能量图生成模块，包括：第二信号分解单元，用于将所述脑电信号进行信号分解，在时域中被分解成重叠的区块；

频谱幅度获得单元，用于对每个所述区块进行傅里叶变换计算每个区块的频谱幅度；

频率谱密度能量图生成单元，用于对所述频谱幅度进行测量和并排放置生成频率谱密度能量图。

9.如权利要求6‑8中任一项所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，还包括：3

信号分解模块，用于将所述脑电信号进行3级分解，分解为2个小波包基，所述小波包基包含着低频成分系数和高频成分系数的线性组合；

最优小波包基获得模块，用于选择使损失函数最小的小波包基作为最优小波包基，得到所述最优小波包基分解的低频成分系数；

小波分解系数计算模块，用于利用所述最优小波包基设定熵标准，利用所述熵标准计算得到小波分解系数；

小波系数估计值获得模块，用于将绝对值小于阈值的所述小波分解系数置为0，将绝对值大于或者等于所述阈值的所述小波分解系数予以保留，得到小波系数的估计值；

小波重构模块，用于根据所述最优小波包基分解的低频成分系数和所述小波系数的估计值进行小波重构，得到重构后的脑电信号；

加窗分段模块，用于通过预设滑动窗口和预设步长对所述重构后的脑电信号进行加窗分段处理。

10.如权利要求9所述的基于脑电特征融合深度学习模型的癫痫分类系统，其特征在于，还包括：阈值计算模块，用于通过公式 计算得到所述阈值T；其中，cD1为第一层分解系数，N为数据长度。