1.基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于，包括以下步骤：
s1、采集心电信号训练数据，并分别附上标签进行数据预处理；
s2、将预处理后的训练数据进行数据增强；
s3、构建由卷积神经网络和循环神经网络结合的联合神经网络模型，利用增强后的训练数据对联合神经网络模型进行训练，得到训练模型；
s4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；
s5、根据输出的概率值进行正负例判断，得出分类判断结果；
在步骤s3中，构建的联合神经网络模型结构的正向传播方向依次包括：
第一一维卷积层conv1d，输出通道为32,卷积核为15，strides为7，激活函数为relu，padding为valid；
第二一维卷积层conv1d，输出通道为64,卷积核为11，strides为3，激活函数为relu，padding为valid；
一维最大池化层maxpooling1d，池化核为2
第三一维卷积层conv1d，输出通道为128,卷积核为7，strides为2，激活函数为relu，padding为valid；
第一长短时记忆层lstm，输出通道为128；
第二长短时记忆层lstm，输出通道为256；
第三长短时记忆层lstm，输出通道为512；
随机失活层dropout，随机使一半的神经元失活；
第一全连接层dense，神经元数量为256，激活函数为relu；
第二全连接层dense，神经元数量为2，激活函数为softmax，输出该心电病例阴阳性的概率。
2.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s1中，采集的心电信号训练数据包含集至少600个病例数据，每个病例数据有5000个时间步和12个通道。
3.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s1中，对训练数据进行数据预处理的步骤包括：
s11、读取所有通道心电信号训练数据；
s12、构建多通道数据矩阵：将读取的多通道心电数据按照[time_step,channel]的矩阵形式排布，其中，time_step为时间步，也就是按照时间顺序的采样点数，channel为通道数；
s13、对数据矩阵进行数据归一化处理：在特征维度上，每个特征值都减去该时间步下所有特征的均值，然后再除以该时间步下所有特征的标准差；
s14、将归一化处理后的数据对应标签进行0-1编码：正例为1，负例为0。
4.根据权利要求3所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s23中，对数据矩阵进行数据归一化处理的公式为：
其中，fnew为归一化之后的特征值，fold为归一化之前的特征值，μ为该时间步下所有特征值的均值，σ为该时间步下所有特征值的标准差。
5.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s2中，对预处理后的训练数据进行数据增强的步骤包括：
s21、在时间步的维度上，将数据提前或者延后一个设定的范围；
s22、然后对数据添加高斯噪声；
s23、最后将数据的时序翻转。
6.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s3中，对联合神经网络模型进行训练的步骤包括：
s31、从训练数据中读取一个批量的心电样本数据；
s32、将样本数据输入联合神经网络模型中进行正向传播，得出预测概率；
s33、将预测概率与真实标签概率做交叉熵损失函数计算，得出平均损失值；
s34、将平均损失值通过梯度下降法逐层反向传播，进行参数更新；
s35、重复上述步骤s31至s34的过程，直到平均损失值降到标准范围。
7.根据权利要求6所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s33中，交叉熵损失函数计算公式为：
其中，loss为一个批量的平均损失值，n为一个批量的样本个数，yi为第i个样本的真实标签概率，
8.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法，其特征在于：在步骤s5中，根据输出的概率值进行正负例判断公式为：
其中，p为训练模型输出概率值，p0为正负例的分割阈值，取0.5。