CN109994203A

CN109994203A - 一种基于eeg信号深度多视角特征学习的癫痫检测方法

Info

Publication number: CN109994203A
Application number: CN201910297211.9A
Authority: CN
Inventors: 邓赵红; 田晓彬; 王骏; 王士同
Original assignee: Jiangnan University
Current assignee: Jiangnan University
Priority date: 2019-04-15
Filing date: 2019-04-15
Publication date: 2019-07-09
Anticipated expiration: 2039-04-15
Also published as: CN109994203B

Abstract

本发明属于智能医疗应用领域，涉及一种基于EEG信号深度多视角特征学习的癫痫检测方法。该方法包括训练阶段和使用阶段两部分，训练阶段包括初始多视角特征构建模型、深度多视角特征提取模型和脑电信号分类。初始多视角特征构建模型使用傅立叶变换和离散小波包分解将原始的EEG信号转换到频域和时频域，获得信号的频域和时频域特征，然后和原始的EEG信号一起构建成初始多视角特征，获得初始多视角特征构建模型。本发明为了提高多视角特征的有效性，基于最初的多视角数据，利用CNN进行深度学习来构造出深度多视角特征。相对于原始多视角特征，经过深度特征提取的多视角特征具有更小的数据维度和更高的分类效果。

Description

一种基于EEG信号深度多视角特征学习的癫痫检测方法

技术领域

本发明属于智能医疗应用领域，涉及一种基于EEG信号深度多视角特征学习的癫痫检测方法。

背景技术

全球大约有1-2％的人患有癫痫，癫痫突然发生时的不可预测性是癫痫导致病人残疾甚至死亡的主要原因。尽管大多数患有癫痫的人在癫痫未发作期间和正常人无异，但发作的不确定性却严重影响病人的生活。EEG信号是一种记录大脑神经元活动的重要信号，它通过使用电生理指标来记录大脑活动时产生的大脑皮层的电波变化，是大脑神经元活动在大脑皮层的总体反映。在生物医学电信号研究方面，癫痫发作时的大脑神经元的异常放电产生的脑电波和正常放电产生的脑电波是不相同的，所以通过识别EEG信号来检测癫痫是否发作是一种重要的癫痫检测方法。

癫痫检测用于判断癫痫是否发作。在患者进行癫痫手术的评估期间，准确的癫痫发作检测并记录可以提高评估结果的准确性。准确的癫痫检测还提供了自动“闭环”治疗的可行性，可以在检测到患者发作癫痫时提供诸如电刺激，药物输注，冷却或生物反馈等自动治疗方法。特别地，闭环治疗可以根据检测到的癫痫发作特征和患者状态使用不同程度或者不同方式的治疗。

随着机器学习的发展，越来越多的智能算法被运用到EEG信号的癫痫检测，例如支持向量，朴素贝叶斯，神经网络和模糊逻辑系统等分类方法，以及PCA，WPD，HOC等特征提取方法。这些方法首先对原始特征进行特征提取，使用获得的新特征训练出一个分类模型，然后使用训练好的模型进行预测，从而达到癫痫检测的功能。虽然已有很多的特征提取和分类方法运用于EEG癫痫检测中，但如何提取有效的含有丰富鉴别信息的特征用于后续的有效检验依然是一个重要的挑战。

发明内容

本发明实现了一种基于EEG信号深度多视角特征学习的癫痫检测方法，该方法包括训练阶段和使用阶段两部分，训练阶段包括初始多视角特征构建模型、深度多视角特征提取模型和脑电信号分类。

训练阶段：初始多视角特征构建模型使用傅立叶变换和离散小波包分解将原始的EEG信号转换到频域和时频域，获得信号的频域和时频域特征，然后和原始的EEG信号(时域特征)一起构建成初始多视角特征，获得初始多视角特征构建模型；深度多视角特征提取模型构建出三个卷积神经网络，对初始的三个视角特征进行训练，以获得具有更好分类能力的深度多视角特征，得到深度多视角特征提取模型；脑电信号分类使用多视角TSK模糊系统来对深度多视角特征进行学习，获得具有癫痫判断能力的模型。

使用阶段：获取病人实时的EEG信号，利用实时EEG信号构建出实时的初始多视角特征；再利用训练出来的三个卷积神经网络对实时的初始多视角特征进行预测，得到实时的深度多视角特征；最后使用训练好的多视角TSK模糊系统(即具有癫痫判断能力的模型)对实时的深度多视角特征进行判断，得到最终的判断结果。

所述的基于EEG信号深度多视角特征学习的癫痫检测方法集合深度学习技术和多视角学习技术，深度学习的深层次结构优化特征表示，多视角技术有效地利用每个视角的独立性和视角之间的相关性。将深度学习技术和多视角学习技术有效结合可以充分提取EEG信号中的有效信息，提高分类器的泛化能力。

EEG信号具有很大的复杂性，被看成是不同频率信号叠加形成的。根据研究发现，EEG信号的频率主要处于0HZ到60HZ之间，主要分为6个频率区间：Delta-1(0-2Hz)，Delta-2(2-4Hz)，Theta(4-8Hz)，Alpha(8-15Hz)，Beta(15-30Hz)，Gamma(30-60Hz)。为了在减少频域特征数量的同时又可以较好地还原时域信号，本发明设置离散傅立叶变换后的频率采样间隔为1Hz，并且只选取4Hz到30Hz作为频率采样范围。图7即为图6时域信号数据转化得到的频域特征，其中横轴代表频率，纵轴代表振幅。

信号的时频特征能描述信号在各个时间点下的瞬时频率，即在保留信号的时间特征之外有效计算出信号的频域特征。小波分解是一种常用的将信号转换到时频域的方法。小波变换将傅立叶变换的三角函数基转换成小波函数基，小波函数中有两个变量：尺度和平移量。尺度控制小波变换的伸缩即频率，平移量控制小波变换的平移即时间。由这两个变量控制的小波变换可以对信号逐步进行多尺度的细化，从而达到自适应时-频信号分析的要求。

小波包分解(WPD)是小波变换的一种常用方法。本发明使用WPD来获得EEG信号的时频特征，采用的小波基函数为Daubechies(dbN)。dbN小波具有较好的正则性，随着阶次的升高消失矩阶数增大，光滑性就变的越好，频域的局部化能力越强，频带的划分效果就越好。但过大的消失矩阶数会使得时域的支撑性减弱，计算量增大，即实时性变差。本发明设置小波函数的阶数N为4，同时因为转换到时频域的信号是三维的数据(通道*频率*时间)，为了减少转换后特征的数量，减少计算时间，设置和单频域时不同的频域采样间隔。设置频率采样间隔为2Hz，由此可确定小波变换的分解层数为6层。和傅立叶频域变换一样，这里只考虑频率范围4Hz到30Hz之间的信号。图8为图6时域信号数据的时频域特征，其中横轴代表时间，纵轴代表相应频率的振幅，频率在图中线段前面标识。图中显示了14个不同频率对应不同时刻的振幅。

该部分的具体步骤如下：

第一步：使用原始EEG信号作为时域特征X¹。

第二步：使用快速傅立叶变换(FFT)将原始EEG信号转换成频域特征X²。

第三步：使用WPD将原始EEG信号转换成时频特征X³。得到初步多视角数据集D＝{X¹，X²，X³，y}

本发明的深度多视角特征提取部分使用卷积神经网络对EEG信号的各个视角特征进行自动提取。对于原始的EEG数据，经过预处理后可以得到时域特征、频域特征和时频域特征，针对三个不同视角的特征，分别构建三个不同的卷积神经网络来对不同视角特征进行深度自动提取。

CNN网络在训练时采用最后一层输出层的结果计算误差并进行反向传播，由此来进行网络的学习。因为倒数第二层计算得到的特征向量到输出层只经过一个全连接层，可以认为根据网络输出层训练优化网络结构的同时，对倒数第二层输出特征向量的表达也进行了优化，即网络在训练的同时也学习到了更好的特征表达，所以选择网络倒数第二层的输出作为网络学习到的特征。通过卷积神经网络的自动学习获得的特征，具有比原始特征更小的维度，并且得到的特征是经过非线性组合的具有更好划分能力的特征，可以使后续的分类模型具有更好的泛化效果。

图9，图10，图11为三个视角深度特征提取所使用的CNN网络架构图。用k@m*n表示网络各个层的特征图，k表示该层特征图的个数，m*n表示特征图的大小。网络的二维卷积核用k*m*n表示，k是卷积核的个数，m*n为卷积核的大小；三维卷积核用k*m*n*l表示，k是卷积核的个数，m*n*l为卷积核的大小。卷积核的步长默认为1。网络的输入为各个视角特征，输出为一个向量，向量长度等于2(癫痫和非癫痫)。若样本是癫痫样本，则第一维等于0，第二维等于1；若样本是非癫痫样本，则第一维等于1，第二维等于0。

图9为时域视角深度特征提取使用的CNN网络架构，总共包括4个卷积层和3个全连接层。多通道的EEG时域视角特征是一个通道数*时间的二维矩阵，所以网络的输入为23*256的二维矩阵。网络第一层卷积层为1个1*128的卷积核，得到的1个23*129的特征图；第二层卷积层为30个1*65的卷积核，得到30个23*65的特征图；第三层卷积层为20个4*33的卷积核，得到20个20*33的特征图；第四层卷积层为10个8*18的卷积核，得到10个13*16的特征图。网络第五、六、七层为全连接层，首先将10个13*16的特征图转换成一个1*1024的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

图10为频域视角深度特征提取使用的CNN网络架构，总共包括2个卷积层和3个全连接层。多通道的EEG频域视角特征是一个通道数*频率的二维矩阵，所以网络的输入为23*27的二维矩阵。网络第一层卷积层为20个4*4的卷积核，得到的20个20*24的特征图；第二层卷积层为10个8*8的卷积核，得到10个13*17的特征图。网络第三、四、五层为全连接层，首先将10个13*17的特征图转换成一个1*512的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

图11为时频视角深度特征提取使用的CNN网络架构，总共包括4个三维卷积层和4个全连接层。多通道的EEG时频视角特征是一个时间*通道数*频率的三维矩阵，所以网络的输入为128*23*14的三维矩阵。因为输入为三维矩阵，卷积核采用三维卷积核，三维卷积操作是二维卷积操作在三维空间的扩展，基本原理和二维卷积操作相同。网络第一层卷积层为1个129*1*1的卷积核，得到的1个128*23*14的特征图；第二层卷积层为30个65*4*4的卷积核，得到30个64*20*11的特征图；第三层卷积层为20个30*4*4的卷积核，得到20个32*17*8的特征图；第四层卷积层为10个17*8*1的卷积核，得到10个16*10*8的特征图。网络第五、六、七、八层为全连接层，首先将10个13*16的特征图转换成一个1*2048的向量，再转换成一个1*1024的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

三个网络的每一层后面都使用tanh函数作为激活函数来引入非线性变换，因为tanh(x)∈[-1,1]，且tanh函数的均值为0，所以在实际应用中具有比sigmoid更好的效果。tanh函数的表达如下：

网络的损失函数采用softmax交叉熵损失函数，该函数的定义如下。

softmax：

loss：

softmax函数计算第j个样本属于第i类的概率a_ji，z_ji为第j个样本在第_i个输出节点的输出。y_j＝{y_ji|i＝1,…,K}为第j个样本的真实标签，K是总的类别数，N是样本的总个数，L为N个样本的总平均交叉熵损失。

该部分的具体步骤如下：

第一步：利用X¹，y对时域深度特征提取网训练，取时域视角深度特征提取使用的CNN网络架构的倒数第二层用做时域深度特征

第二步：利用X²，y对频域深度特征提取网络训练，取频域视角深度特征提取使用的CNN网络架构的倒数第二层用做频域深度特征

第三步：利用X³，y对时频深度特征提取网络训练，取时频视角深度特征提取使用的CNN网络架构的倒数第二层用做时频深度特征得到多视角数据集

本发明的脑电信号分类部分使用多视角TSK模糊系统(Multiview-TSK-FLS)作为分类器，Multiview-TSK-FLS是基于TSK模糊系统构建而成的多视角分类器，很好的继承了TSK模糊系统的可解释性，并且该方法可以根据每个视角的权重来评估各个视角的重要性，基于权重进行最后的决策。

首先描述TSK模糊系统，定义TSK模糊系统的模糊推理规则如下：

其中K是规则系统中模糊规则的总数，是x_i的第k条规则的模糊集，是线性函数中第k条规则上x_i的系数，∧是模糊连接操作。第k条规则将输入向量x＝[x₁,x₂,…,x_d]^T从输入空间映射到输出f^k(x)，TSK模糊系统的输出f(x)可以被定义为：

其中μ^k(x)是第k条规则的模糊隶属程度，规范化后得到

是x_i在模糊集上的隶属程度，高斯隶属度函数被广泛的应用于计算模糊隶属度程度。

其中中心参数，为核宽。和叫做前件参数，定义了模糊集的具体形式，可以通过应用聚类算法或者模糊空间划分方法来得到。一旦前件参数确定下来，TSK模糊系统的输出就可以被认为是一个线性模型：

相应的数据和参数通过以下公式计算得到：

x_e＝(1,x^T)^T,

p_g＝[(p¹)^T,(p²)^T,…,(p^K)^T]^T,

x_g是通过模糊规则将原始输入x映射到新的特征空间的向量，p_g为TSK模糊系统中的规则构建出来的模糊规则的后件参数，该后件参数可以通过使用线性模型的而优化技术来得到最优的值。

Multiview-TSK-FLS首先对每个视角训练出一个TSK模型，得到每个视角的前件参数，通过前件参数计算得到原始映射到高维空间的i为第i维特征，k为第k个视角。得到后，通过最小化得到最优的后件参数和视角权重w_k。

这里是第k个视角第j类的后件参数即特征权重，w_k为第k个视角的视角权重。若第i个数据属于第j类，y_i,j值为1，否则为0。K为总共的视角个数，C为数据的类别数，N为数据的总个数。

的第一项(a)和第二项(b)用于通过使用经典TSK模糊系统来实现从每个视角的视角独立性信息的学习，即继承了传统TSK模糊系统的全部优点；第三项(c)充分利用多视角的特性，将不同视角间的关系建模，以期望从不同视角的TSK分类模型得到一致的决定；第四项(d)引用信息熵来调整不同视角的重要程度，并确保权重之和为1。λ_co>0和λ_w>0为各项的正则化系数，用于平衡各项，它们的值可以通过交叉验证手工设置。

是一个非凸优化问题，无法直接进行求解，为了求解这个最小化问题，使用交叉迭代方法求解和w_k。固定w_k，通过求解可得到每个视角最优后件参数的迭代更新公式：

固定通过求解和限制可以得到每个视角最优权重w_k的迭代更新公式：

根据公式(1)和(2)，迭代的求解出最优的后件参数和视角权重w_k，最大的迭代次数可以根据具体实验器材的计算能力来确定。根据和w_k，全局决策值可以通过各个视角的决策值计算得到：

该部分的具体步骤如下：

第一步：对每个视角使用TSK模糊系统，得到各个视角的前件参数和后件参数通过前件参数得到新的多视角数据集

第二步：使用对Multiview-TSK-FLS进行训练。

在本方法的使用阶段，具体的步骤如下：

第一步：对待检测数据使用初始多视角特征构建模型构建初步多视角检测数据集

第二步：使用深度多视角特征提取模型得到深度多视角检测数据集

第三步：使用训练好的脑电信号分类模型对深度多视角检测集进行决策。

本发明的优点包括以下几点：

1)初始多视角EEG特征的构建：EEG信号有很多构建特征的方法，用不同方式构造出的特征都具有一定的效果，也各有优缺点。使用多视角特征来进行癫痫的检测可以很好的将不同方法构造特征的优势结合起来。

2)深度多视角特征的构建：为了提高多视角特征的有效性，基于最初的多视角数据，利用CNN进行深度学习来构造出深度多视角特征。相对于原始多视角特征，经过深度特征提取的多视角特征具有更小的数据维度和更高的分类效果；

3)多视角学习分类器的构建：利用多视角分类器学习技术，基于CCN学习到的深度多视角特征进行学习，来获得更具有泛化能力的多视角分类器用于EEG信号的癫痫检测。

附图说明

图1是本发明的算法方法框架图。

图2是本发明的不同视角信号获取算法框架图。

图3是本发明的多视角深度特征学习算法框架图。

图4是本发明的多视角分类器学习算法框架图。

图5是本发明的癫痫预测算法框架图。

图6是EEG时域信号数据。

图7是图6时域信号转化得到的EEG频域信号数据。

图8是图6时域信号转化得到的EEG时频域信号数据。

图9是时域深度特征提取网络。

图10是频域深度特征提取网络。

图11是时频域深度特征提取网络。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1～图5所示，本发明实现了一种基于EEG信号深度多视角特征学习的癫痫检测方法，该方法包括初始多视角特征构建、深度多视角特征提取和脑电信号分类三部分。初始多视角特征构建部分获得原始EEG信号的初始的多视角特征；深度多视角特征提取部分对初始多视角特征进行深度特征学习，获得多视角深度特征；脑电信号分类部分利用多视角TSK模糊系统对多视角深度特征进行分类，作出判断。

训练阶段的具体步骤。本方法的初始多视角特征构建部分首先从原始EEG信号中提取出时域、频域和时频域三个特征，构造成共有3个视角的多视角EEG数据。

原始EEG信号即是随时间变化的时序信号，一个离散的点表示某一时间的信号的能量强度，即测量到的该时刻的电压值。本算法利用原始的EEG信号作为时域视角的特征。图6绘制了单通道的EEG信号时域视角特征，其中横轴代表时间，纵轴代表信号的能量强度。

实施例1

按照训练阶段的实施方式，针对CHB_MIT数据集的癫痫EEG信号数据完成实施例。该数据集包含24个组，每一组都包含一个患者的连续十几个小时的EEG信号记录。这些连续的信号通过256Hz的频率采样，即一秒的信号有256的采样点。每个患者的EEG信号通过18个通道进行采集构成单通道数据集，后续处理成为23个通道的多通道数据。图8是一段时间的CHB_MIT数据集的原始数据，总共包含23个连续多通道信号，每个多通道信号由两个单通道连续信号的差值求得。

因为该数据集的癫痫信号和非癫痫信号的数量有很大的差距(1：100)，这样大的比例会影响最后的评价效果，带来严重的过拟合。在这个数据比例下，即便算法全部把测试样本分为非癫痫类也有99％的准确率。针对此不平衡数据，对非癫痫数据采用欠采样方法，将部分非癫痫数据抛弃不用；同时对癫痫数据采用过采样方法，在划分癫痫片段时设置一部分的重叠，从而可以减少不同类样本间的数量差距。将连续的EEG信号分成多个长度为一秒的信号段(根据采样频率可知1s信号有256个采样点)。表1的第一列是病人的编号，第二、四列为每一个病人癫痫发作和不发作总共的时间长度，第三、五列是采用的癫痫发作和不发作的时间长度。

我们的目标是将输入的EEG信号分为癫痫发作和未发作两类。表2分别显示了24组数据使用5折交叉验证的平均结果，以及24组数据的平均效果。由表2可以看出，所有组的平均accuracy、sensitivity和specificity分别为98.33％、96.66％和99.14％。除去第12组之外所有数据的三个效果均在90％以上，其中12个组的准确度在99％之上；7个组的敏感性在99％以上，19个组的特异性在99％以上。可以看出算法在准确度和特异性上均取得较好的结果。

表3不同方法的实验效果

表3总结了近些年关于EEG癫痫检测的特征提取方法的研究，以下研究均采用CHB-MIT数据集进行实验，但实验的设置各不相同，表中详细描述了各个实验的具体设置。表3可以看出，由于数据集的不平衡性，造成大多数算法的准确度和敏感性较低，我们提出的算法在保持特异性变化不大的基础上，获得了较好的准确度和敏感性。

实施例2

为了验证提出方法的深度特征提取方法的有效性，采用不同的特征提取方法提取不同的特征，然后再对不同的特征统一使用SVM，KNN，NB，DT和TSK-FLS进行分类，最后计算出各种特征提取方法的效果绘制成表4表5表6。频域和时频域深度特征在各个分类器上的平均accuracy，sencificity和sensitivity效果均达到了最好；时域深度特征在各个分类器的对原始频域和时频特征使用深度特征自动提取方法达到的深度特征都得到了较好的特征表达，获得了较好的分类效果。

表4不同特征提取方法accuracy比较

表5不同特征提取方法sensitivity比较

表6不同特征提取方法specificity比较

表7比较三个视角的深度特征分别使用不同单视角分类器和本方法的TSK-FLS多视角分类器的效果，发现本文提出的算法在accuracy、sensitivity和specificity都取得了最好的效果。此结果说明多视角分类器在本文提出的算法中达到了提高效果的作用。

表7深度特征在不同分类器上的实验效果

实施例3

检测延迟时间可以作为EEG癫痫检测的算法实时性的一个度量标准。定义S_m∈{0，1}表示癫痫片段m是否被检测出癫痫，0代表片段m未被检测出癫痫，1代表片段m被检测出癫痫；定义EO_Latency,m表示片段m被检测出癫痫时的延迟时间。

N_s为癫痫片段的数量；EO_Latency为算法的平均检测延迟时间。

表8算法延迟时间统计

实施例3将待测的癫痫患者发作癫痫时的EEG信号划分成十秒一个的长信号，用该信号来模拟癫痫发作的情景，来计算本算法的检测延迟。经过试验，测量出每一段长信号是否被检测出癫痫以及第几秒检测出癫痫，由此可以计算出所有组在癫痫发作时第一秒检测出癫痫的概率和检测延迟时间，结果如表所示。可以看出在24组数据中，在癫痫发作的第一秒算法即判断出结果的平均概率达到了97.25％，有7组数据有99％以上的概率在第一秒检测出癫痫发作；而检测延迟时间EO_Latency,m只有1.0431s，可以看出能基本达到在1s内检测出癫痫的效果。

Claims

1.一种基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：

训练阶段的步骤为：

第一步：使用原始EEG信号作为时域特征X¹；

第二步：使用快速傅氏变换将原始EEG信号转换成频域特征X²；

第三步：使用WPD将原始EEG信号转换成时频特征X³；得到初步多视角数据集D＝{X¹，X²，X³，y}；

第四步：利用X¹，y对时域深度特征提取网训练，取时域视角深度特征提取使用的CNN网络架构的倒数第二层用做时域深度特征

第五步：利用X²，y对频域深度特征提取网络训练，取频域视角深度特征提取使用的CNN网络架构的倒数第二层用做频域深度特征

第六步：利用X³，y对时频深度特征提取网络训练，取时频视角深度特征提取使用的CNN网络架构的倒数第二层用做时频深度特征得到多视角数据集

第七步：对每个视角使用TSK模糊系统，得到各个视角的前件参数和后件参数通前件参数得到新的多视角数据集

第八步：使用对Multiview-TSK-FLS进行训练；

使用阶段的步骤为：

第九步：对测试数据使用初始多视角特征构建模型构建初步多视角测试数据集

第十步：使用深度多视角特征提取模型得到深度多视角测试数据集

第十一步：使用训练好的脑电信号分类模块对深度多视角测试集进行决策。

2.如权利要求1所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述第四步中的时域视角深度特征提取使用的CNN网络架构，包括4个卷积层和3个全连接层；CNN网络架构第一层卷积层为1个1*128的卷积核，得到的1个23*129的特征图；第二层卷积层为30个1*65的卷积核，得到30个23*65的特征图；第三层卷积层为20个4*33的卷积核，得到20个20*33的特征图；第四层卷积层为10个8*18的卷积核，得到10个13*16的特征图；第五、六、七层为全连接层，先将10个13*16的特征图转换成一个1*1024的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

3.如权利要求1或2所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述第五步中的频域视角深度特征提取使用的CNN网络架构，包括2个卷积层和3个全连接层；CNN网络架构第一层卷积层为20个4*4的卷积核，得到的20个20*24的特征图；第二层卷积层为10个8*8的卷积核，得到10个13*17的特征图；第三、四、五层为全连接层，首先将10个13*17的特征图转换成一个1*512的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

4.如权利要求1或2所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述第六步中时频视角深度特征提取使用的CNN网络架构，包括4个三维卷积层和4个全连接层；CNN网络架构第一层卷积层为1个129*1*1的卷积核，得到的1个128*23*14的特征图；第二层卷积层为30个65*4*4的卷积核，得到30个64*20*11的特征图；第三层卷积层为20个30*4*4的卷积核，得到20个32*17*8的特征图；第四层卷积层为10个17*8*1的卷积核，得到10个16*10*8的特征图；网络第五、六、七、八层为全连接层，首先将10个13*16的特征图转换成一个1*2048的向量，再转换成一个1*1024的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

5.如权利要求3所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述第六步中时频视角深度特征提取使用的CNN网络架构，包括4个三维卷积层和4个全连接层；CNN网络架构第一层卷积层为1个129*1*1的卷积核，得到的1个128*23*14的特征图；第二层卷积层为30个65*4*4的卷积核，得到30个64*20*11的特征图；第三层卷积层为20个30*4*4的卷积核，得到20个32*17*8的特征图；第四层卷积层为10个17*8*1的卷积核，得到10个16*10*8的特征图；网络第五、六、七、八层为全连接层，首先将10个13*16的特征图转换成一个1*2048的向量，再转换成一个1*1024的向量，再转换成一个1*100的向量，最后转换成一个1*2的向量。

6.如权利要求1或2或5所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述的时域视角深度特征提取使用的CNN网络架构、频域视角深度特征提取使用的CNN网络架构和时频视角深度特征提取使用的CNN网络架构的每一层后面都使用tanh函数作为激活函数来引入非线性变换，三个网络的损失函数采用softmax交叉熵损失函数。

7.如权利要求3所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述的时域视角深度特征提取使用的CNN网络架构、频域视角深度特征提取使用的CNN网络架构和时频视角深度特征提取使用的CNN网络架构的每一层后面都使用tanh函数作为激活函数来引入非线性变换，三个网络的损失函数采用softmax交叉熵损失函数。

8.如权利要求4所述的基于EEG信号深度多视角特征学习的癫痫检测方法，其特征在于：所述的时域视角深度特征提取使用的CNN网络架构、频域视角深度特征提取使用的CNN网络架构和时频视角深度特征提取使用的CNN网络架构的每一层后面都使用tanh函数作为激活函数来引入非线性变换，三个网络的损失函数采用softmax交叉熵损失函数。