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：

1

第一步：使用原始EEG信号作为时域特征X；

2

第二步：使用快速傅氏变换将原始EEG信号转换成频域特征X；

3

第三步：使用小波包分解WPD将原始EEG信号转换成时频特征X ；得到初步多视角数据集

1 2 3

D＝{X，X，X，y}；

1

第四步：利用X ，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2

第五步：利用X ，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3

第六步：利用X ，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，通前件参数得到新的多视角数据集第八步：使用新的多视角数据集 对多视角TSK模糊系统

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数据集

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。