1.一种癫痫样放电分类模型的训练方法，其特征在于，所述癫痫样放电分类模型是基于初始模型训练得到的，所述初始模型包括依次连接的卷积神经网络、多头自注意力模块和树突神经网络，所述训练方法包括：步骤S1：获取多个原始脑电波数据，每个所述原始脑电波数据对应一个标注结果，对于每个所述原始脑电波数据，所述标注结果表征了所述原始脑电波数据的波形类别；

步骤S2：将多个所述原始脑电波数据输入至所述卷积神经网络，通过所述卷积神经网络对每个所述原始脑电波数据进行特征提取，得到多个图像特征矩阵；

步骤S3：将多个所述图像特征矩阵输入至所述多头自注意力模块，通过所述多头自注意力模块对每个所述图像特征矩阵进行特征提取，得到多个输出特征矩阵；

步骤S4：将多个所述输出特征矩阵输入至所述树突神经网络，通过所述树突神经网络对每个所述输出特征矩阵进行分类识别，得到每个所述输出特征矩阵对应的预测分类结果，所述预测分类结果表征了所述初始模型对所述原始脑电波数据的波形类别进行预测的结果；

步骤S5：根据各个所述预测分类结果和各个所述标注结果，确定损失函数值；

步骤S6：若所述损失函数值满足预设的训练结束条件，则将满足所述训练结束条件的初始模型作为所述癫痫样放电分类模型，若所述损失函数值不满足所述训练结束条件，调整所述初始模型的模型参数，并根据调整后的模型参数对所述初始模型进行训练，直到所述损失函数值满足所述训练结束条件。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对每个所述原始脑电波数据进行降噪处理，得到每个所述原始脑电波数据对应的中间脑电波数据；

对每个所述中间脑电波数据进行短时傅里叶变换，得到每个所述中间脑电波数据对应的时频域矩阵；

对每个所述时频域矩阵进行图片化处理，得到每个所述时频域矩阵对应的时频域特征图片；

所述步骤S2，具体包括：

将多个所述时频域特征图片输入至所述卷积神经网络，通过所述卷积神经网络对每个所述原始脑电波数据进行特征提取，得到多个图像特征矩阵。

3.根据权利要求1所述的方法，其特征在于，所述多头自注意力模块包括多个单头自注意力单元，多个所述单头自注意力单元的数量为所述多头自注意力模块的自注意力头数；

所述通过所述多头自注意力模块对每个所述图像特征矩阵进行特征提取，得到多个输出特征矩阵，具体包括：随机初始化自注意力头数和转换矩阵；

对于每个所述图像特征矩阵，通过多个所述单头自注意力单元分别对所述图像特征矩阵进行特征提取，得到每个所述单头自注意力单元对应的自注意力矩阵；

对于每个所述图像特征矩阵，将所述图像特征矩阵对应的自注意力矩阵进行拼接，得到所述图像特征矩阵对应的多头自注意力矩阵；

对于每个所述图像特征矩阵，通过所述转换矩阵调整所述图像特征矩阵对应的多头自注意力矩阵的维度大小，得到所述图像特征矩阵对应的输出特征矩阵。

4.根据权利要求3所述的方法，其特征在于，每个所述单头自注意力单元包含3个可学习的参数矩阵，对于每个所述图像特征矩阵，所述通过多个所述单头自注意力单元分别对所述图像特征矩阵进行特征提取，得到每个所述单头自注意力单元对应的自注意力矩阵，具体包括：对于所述多头自注意力模块包含的每个单头自注意力单元，随机初始化所述单头自注意力单元中的3个可学习的参数矩阵，得到第一权重矩阵、第二权重矩阵和第三权重矩阵；

将所述第一权重矩阵与所述图像特征矩阵相乘，得到所述图像特征矩阵对应的查询矩阵；将所述第二权重矩阵与所述图像特征矩阵相乘，得到所述图像特征矩阵对应的键矩阵；

将所述第三权重矩阵与所述图像特征矩阵相乘，得到所述图像特征矩阵对应的值矩阵；

计算所述图像特征矩阵对应的查询矩阵和键矩阵之间的相似度，得到所述图像特征矩阵对应的分值，将所述分值进行归一化处理，得到所述图像特征矩阵对应的注意力权重，将所述注意力权重与所述值矩阵相乘，得到所述图像特征矩阵对应的自注意力矩阵。

5.根据权利要求1所述的方法，其特征在于，所述树突神经网络包括树突模块、线性模块和softmax层，所述树突模块包括多个依次连接的树突单元，所述线性模块包括可学习的参数矩阵；

所述通过所述树突神经网络对每个所述输出特征矩阵进行分类识别，得到每个所述输出特征矩阵对应的预测分类结果，具体包括：对于每个所述树突单元，通过所述树突单元对输入所述树突单元的输出矩阵进行哈达玛积运算，得到每个所述树突单元对应的乘积矩阵，每相邻的两个所述树突单元中，位置在前的所述树突单元的输出作为位置在后的所述树突单元的输入；

对于每个所述输出特征矩阵，通过所述参数矩阵对所述树突模块中最后一个树突单元对应的乘积矩阵进行线性转换，得到所述输出特征矩阵对应的D维向量，其中，D为所述波形类别的数量；

对于每个所述输出特征矩阵，通过所述softmax层对所述输出特征矩阵对应的D维向量进行分类，得到所述输出特征矩阵对应的预测分类结果。

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据多个所述时频域特征图片，划分出训练集、测试集和验证集；

所述步骤S2，具体包括：

将所述训练集输入至所述卷积神经网络，通过所述卷积神经网络对所述训练集中包含的每个所述时频域特征图片进行特征提取，得到多个图像特征矩阵；

所述步骤S6，具体包括：

若所述损失函数值满足预设的训练结束条件，则将满足所述训练结束条件的初始模型作为初始癫痫样放电分类模型，若所述损失函数值不满足所述训练结束条件，调整所述初始模型的模型参数，并根据调整后的模型参数对所述初始模型进行训练，直到所述损失函数值满足所述训练结束条件；

所述步骤S6之后，还包括：

步骤S7：通过所述测试集对所述初始癫痫样放电分类模型进行测试，若测试通过，将所述初始癫痫样放电分类模型作为中间癫痫样放电分类模型，执行步骤S8，若测试未通过，则根据多个所述时频域特征图片，重新划分训练集、测试集和验证集，重复所述步骤S2至步骤S7，直到测试通过；

步骤S8：调整所述中间癫痫样放电分类模型的模型参数，得到调整后的中间癫痫样放电分类模型，通过所述验证集对调整后的中间癫痫样放电分类模型进行验证，若验证通过，则将所述调整后的中间癫痫样放电分类模型作为所述癫痫样放电分类模型，若验证未通过，则重复所述步骤S8，直到验证通过。

7.根据权利要求6所述的方法，其特征在于，所述步骤S7具体包括：

步骤S7.1：将所述测试集输入所述初始癫痫样放电分类模型中进行分类识别，得到所述初始癫痫样放电分类模型的第一测试准确率，判断所述第一测试准确率是否大于预设的第一阈值，若是，则将所述初始癫痫样放电分类模型作为所述中间癫痫样放电分类模型，若否，则执行步骤S7.2；

步骤S7.2：将所述测试集输入所述初始癫痫样放电分类模型中进行训练，得到第一分类模型；

步骤S7.3：将所述训练集输入到所述第一分类模型中进行分类识别，得到所述第一分类模型的第二测试准确率，判断所述第二测试准确率是否大于所述第一阈值，若是，则将所述第一分类模型作为所述中间癫痫样放电分类模型，若否，则执行步骤S7.4；

步骤S7.4：根据多个所述时频域特征图片，重新划分出训练集、测试集和验证集，重复所述步骤S2至步骤S7.3，直至所述第一测试准确率大于所述第一阈值或所述第二测试准确率大于所述第一阈值；

所述步骤S8具体包括：

步骤S8.1：调整所述中间癫痫样放电分类模型中的模型参数，得到调整后的中间癫痫样放电分类模型，将所述验证集输入所述调整后的中间癫痫样放电分类模型中进行分类识别，得到所述调整后的中间癫痫样放电分类模型的验证准确率，判断所述验证准确率是否大于预设的第二阈值，若是，则将所述调整后的中间癫痫样放电分类模型作为所述癫痫样放电分类模型，若否，则执行步骤S8.2；

步骤S8.2：重复步骤S8.1，直到所述验证准确率大于所述第二阈值。

8.一种癫痫样放电分类模型的识别方法，其特征在于，包括：

将待识别的原始脑电波数据输入至权利要求1至7中任一项所述的癫痫样放电分类模型，通过所述癫痫样放电分类模型对所述原始脑电波数据进行分类识别，输出所述原始脑电波数据对应的分类结果。

9.一种癫痫样放电分类模型的训练系统，其特征在于，包括：

模型构建模块，用于构建初始模型，所述初始模型包括依次连接的卷积神经网络、多头自注意力模块和树突神经网络；

数据获取模块，用于获取多个原始脑电波数据，每个所述原始脑电波数据对应一个标注结果，对于每个所述原始脑电波数据，所述标注结果表征了所述原始脑电波数据的波形类别；

第一训练模块，用于将多个所述原始脑电波数据输入至所述卷积神经网络，通过所述卷积神经网络对每个所述原始脑电波数据进行特征提取，得到多个图像特征矩阵；

第二训练模块，用于将多个所述图像特征矩阵输入至所述多头自注意力模块，通过所述多头自注意力模块对每个所述图像特征矩阵进行特征提取，得到多个输出特征矩阵；

第三训练模块，用于将多个所述输出特征矩阵输入至所述树突神经网络，通过所述树突神经网络对每个所述输出特征矩阵进行分类识别，得到每个所述输出特征矩阵对应的预测分类结果，所述预测分类结果表征了所述初始模型对所述原始脑电波数据的波形类别进行预测的结果；

函数值确定模块，用于根据各个所述预测分类结果和各个所述标注结果，确定损失函数值；

模型生成模块，用于根据所述损失函数值和预设的训练结束条件，确定所述癫痫样放电分类模型：若所述损失函数值满足预设的训练结束条件，则将满足所述训练结束条件的初始模型作为所述癫痫样放电分类模型，若所述损失函数值不满足所述训练结束条件，调整所述初始模型的模型参数，并根据调整后的模型参数对所述初始模型进行训练，直到所述损失函数值满足所述训练结束条件。

10.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的癫痫样放电分类模型的训练方法。