1.一种快眼动睡眠分析方法，其特征在于，所述方法包括：
将视频多导睡眠监测数据进行快眼动期和非快眼动期的分类，将分类结果和视频数据按对应关系保存；
对视频数据进行数据预处理，并将预处理完的视频数据和对应分类结果分成训练集、测试集；
基于深度神经网络对训练集中的视频数据进行特征学习，参照给出的对应分类结果进行分类，并在测试集上对深度神经网络进行一定的调整；
将待分类的视频信息进行预处理、分片，得到与深度神经网络的输入相匹配的输入数据；
输入深度神经网络得到深度神经网络输出结果。
2.根据权利要求1所述的方法，其特征在于，将所述视频多导睡眠监测数据进行快眼动期和非快眼动期的分类，将分类结果和视频数据按对应关系保存，包括：
获取视频多导睡眠监测记录信息，所述视频多导睡眠监测记录信息包括：眼电信号、肌电信号、脑电信号和视频信号；
获取临床医生标记的对应快眼动分期标注；
根据所述视频多导睡眠监测记录信息和所述临床医生标记的对应快眼动分期标注获得所述快眼动期数据和非快眼动期数据。
3.根据权利要求2所述的方法，其特征在于，对所述视频数据进行数据预处理，并将预处理完的视频数据和对应分类结果分成训练集、测试集，包括：
按照医生给出标记的最小快眼动期分期时间间隔将所述视频数据划分成记录片段，每个片段时间长度相同，并且对应一个分期标签；
对所述视频数据进行预处理操作，所述预处理操作包括：重采样和计算光流叠加；
根据上述操作使用处理完的所述视频数据以及分期标签构造处理完全的标准数据集；
将该标准数据集分为训练集、测试集。
4.根据权利要求3所述的方法，其特征在于，所述基于深度神经网络对训练集中的视频数据进行特征学习，参照给出的对应分类结果进行分类，并在测试集上对深度神经网络进行一定的调整，包括：
基于深度神经网络使用训练集对其进行训练；
使用测试集进行测试并调整模型的参数。
5.一种快眼动睡眠分析系统，其特征在于，所述系统包括：
数据分类模块，用于将视频多导睡眠监测数据进行快眼动期和非快眼动期的分类，将分类结果和视频数据按对应关系保存；
数据预处理模块，用于对视频数据进行数据预处理，并将预处理完的视频数据和对应分类结果分成训练集、测试集；
特征学习模块，用于基于深度神经网络对训练集中的视频数据进行特征学习，参照给出的对应分类结果进行分类，并在测试集上对深度神经网络进行一定的调整；
数据输入模块，用于将待分类的视频信息进行预处理、分片，得到与深度神经网络的输入相匹配的输入数据；
输出结果模块，用于输入深度神经网络得到深度神经网络输出结果。
6.根据权利要求5所述的系统，其特征在于，所述数据分类模块包括：
第一获取单元，用于获取视频多导睡眠监测记录信息，所述视频多导睡眠监测记录信息包括：眼电信号、肌电信号、脑电信号和视频信号；
第二获取单元，用于获取临床医生标记的对应快眼动分期标注；
分类单元，用于根据所述视频多导睡眠监测记录信息和所述临床医生标记的对应快眼动分期标注获得所述快眼动期数据和非快眼动期数据。
7.根据权利要求6所述的系统，其特征在于，所述数据预处理模块包括：
数据划分单元，用于按照医生给出标记的最小快眼动期分期时间间隔将所述视频数据分成记录片段，每个片段时间长度相同，并且对应一个分期标签；
预处理单元，用于对所述视频数据进行预处理操作，所述预处理操作包括：重采样和计算光流叠加；
构造单元，用于根据上述操作使用处理完的所述视频数据以及分期标签构造处理完全的标准数据集；
将该标准数据集分为训练集、测试集。
8.根据权利要求7所述的系统，其特征在于，所述特征学习模块包括：
训练单元，用于基于深度神经网络使用训练集对其进行训练；
测试单元，用于使用测试集进行测试并调整模型的参数。
9.一种快眼动睡眠分析设备，其特征在于，包括：
处理器；
存储器，用于存储计算机可执行指令；
当所述处理器执行所述计算机可执行指令时，所述处理器执行权利要求1-4任一项所述的快眼动睡眠分析方法。