1.一种基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，包括以下步骤：
步骤1：获取两个训练数据库，房颤训练数据库及非房颤训练数据库，对房颤训练数据库进行数据处理；
步骤2：对经过数据处理后的房颤训练数据库进行vq-vae2训练和先验训练，生成新的心电图图像；
步骤3：房颤心率类型识别：将步骤2最终生成的新的心电图数据与原有房颤训练数据库混合在一起，作为房颤样本集，然后将该房颤样本集与非房颤训练数据库输入到深度神经网络中进行判别。
2.根据权利要求1所述的基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，所述步骤1包括以下子步骤：
1-1：获取两个训练数据库：房颤训练数据库及非房颤训练数据库，所述房颤训练数据库存储已知房颤的心电数据，非房颤训练数据库存储非房颤的心电数据；
1-2：对房颤训练数据库中的每个导联心电图信号进行除噪处理；
1-3：提取r波峰值点，以r峰为中心进行分割提取单个心拍，通过对单个心拍的截取，取得测量时间在8秒以上的原始心电图波形数据、心电图附加信息；
1-4：生成n导联的心电信号训练样本集；
1-5：读入n个导联的心电信号的数据，对每个导联心电信号的同一时刻r波顶点的位置向前截取p个点，向后截取q个点，每个导联的每个心拍截图w＝p+q个点的数据，将原始每个心拍的心电信号的数据处理成256*256维的浮点数向量；
1-6：将向量化后的数据进一步进行标准化处理，使得浮点数据的值介于[-1,1]范围内。
3.根据权利要求2所述的基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，步骤1-2中对导联心电图信号进行预处理包括以下处理：
采用中值滤波滤除原始心电信号中的极限漂移；
采用巴特沃斯数字带阻滤波器滤除原始心电信号中的工频干扰；
采用切比雪夫数字低通滤波器滤除肌电干扰。
4.根据权利要求3所述的基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，所述步骤1-3中，提取r波峰值点主要包括：将除噪后的心电信号重采样至某一固定采样率；
通过斜率、幅度和宽度的数字分析定位qrs复合波；
通过二进样条小波变换检测r波峰值，随后提取r波峰值点。
5.根据权利要求2所述的基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，所述步骤2包括：
vq-vae2训练：将解码器e的输入变为量子化后的字典向量e，即将房颤训练数据库处理后的256*256维心电信号图像x作为编码器encoder的输入数据，首先进行上层量子化，其次进行下层量子化，获得字典向量etop和ebottom，其中上层潜在空间大小为32x32,下层潜在空间大小为64x64；
先验训练：pixelcnn自回归模型，对所有输入图片计算量子化的上层etop与下层ebottom,将计算得到的{etop}和{ebottom}集合作为训练数据，训练pixelcnn神经网络，从而得到全局语义信息的联合概率密度ptop和局部贴图信息的条件概率率密度pbottom，最后的生成过程是从ptop和pbottom抽样得到量子化的字典向量，然后输入到解码器d中，生成新的图片。
6.根据权利要求5所述的基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，所述vq-vae2训练包括以下子步骤：
vq-vae2-1：利用编码器e将输入图像处理成32x32xd的立体潜在表示ze(x)，ze(x)又可进一步表示为d个大小为32x32的二维潜在表示z构成，则z的量子化公式为：
其中，e1,e2,e3,...ek是字典向量，上层量子化后的字典向量etop用如下公式表示：
etop←quantize(etop(x))
vq-vae2-2：使用此字典向量etop作为条件，与输入数据x一起，计算下层潜在空间的量子化形式ebottom；
vq-vae2-3：将上层和下层量子化选中的字典向量etop和ebottom同时输入解码器d中，计算损失函数,更新编码解码网络，以及字典向量的权重，计算公式如下：
vq-vae2-4：重复上述操作，直至损失函数达到稳定。
7.根据权利要求6所述的基于vq-vae2和深度神经网络方法的心电异常检测方法，其特征在于，步骤3包括以下子步骤：
3-1：数据预处理：将步骤2最终生成的新的心电图与房颤训练数据库混合作为房颤样本集，并将混合后的房颤样本集及非房颤训练数据库中的图像都处理成12*w维的心电图浮点数向量；
3-2：搭建深度神经网络：深度神经网络包括多个依次串联的卷积层单元和全连接层单元，且在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像；
每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作；
构建的卷积神经网络的结构为输入层-卷积层-池化层-卷积层-池化层-卷积层-全连接层-输出层；
第一个卷积层单元的卷积核数为5个，卷积核大小为3，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为2；
经过第一层池化单元后的特征图维度为(w/2)*5；第二个卷积层单元的卷积核数为10个，卷积核大小为4，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为2；
经过第二层池化单元后的特征图维度为(w/4)*10，第三个卷积层单元的卷积核数为20个，卷积核大小为4，卷积层后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为2；经过第三层池化单元后的特征图维度为(w/8)*20；
多个导联的特征融合成一块，形成最终特征，得到的特征输入激励单元为softmax的全连接层，全连接层的层数为3层，得到输出分类结果y_pred；
3-3：训练卷积神经网络的参数：初始化所述卷积神经网络的参数，在房颤样本集与非房颤训练数据库中随机抽取80％数目的样本当作训练集，其他未选中的样本视为测试集；将训练集中的心电信号样本输入到初始化后的神经网络中，以最小化代价函数为目标进行迭代，生成所述卷积神经网络的参数并保存；
3-4：对测试集样本进行自动识别：将划分好的测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出，将测试集样本的标签使用one-hot编码的方法生成2维的标签向量，将输出的预测值与测试集样本的标签比对来检查分类是否正确，通过分类结果y_pred来判别模型的性能。