1.深度网络堆栈模型自适应加权特征融合的癫痫检测方法，其特征在于包括如下步骤：步骤1：原始脑电信号经过预处理后，对脑电信号每个通道的数据进行离散傅里叶变换，并获得其平均振幅谱；将取得的平均振幅谱特征随机划分为几部分，以适用于自适应加权特征融合的深度网络堆栈模型；

步骤2：在深度网络堆栈模型自适应加权特征融合的癫痫检测算法中，使用不同结构的卷积神经网络对步骤1中得到的数据集进行第二次特征提取；

步骤3：将不同的卷积神经网络提取的特征进行自适应加权特征融合，最后由基于支持向量机的纠错输出编码(ECOC)模型预测样本所属类别。

2.根据权利要求1所述的深度网络堆栈模型自适应加权特征融合的癫痫检测方法，其特征在于所述步骤1的具体实现步骤如下：

1-1.整理脑电信号每个通道的信息，将脑电信号调整为13通道，并将其分割成多个时长为2秒的样本，且每两个相邻的样本中间有1秒的重叠部分；

1-2.将癫痫发作前的一个小时平均划分为三个时期，即前期一、前期二和前期三，癫痫发作时记为发作期，癫痫发作前后四小时以外的时间记为癫痫发作间期，并以此为步骤1-1中所述的样本设置标签；

1-3.对于每一个样本，将样本中的每个通道进行离散傅里叶变换，并由下式获取各通道的幅度谱P(k)：P(k)＝|Xk|

其中，Xk为离散傅里叶变换的结果；将频率信号分为19个频段，并由以下公式计算这19个频段的平均振幅谱：MASi＝mean(P(k),k∈Ki)

其中i＝1,2,...,19表示第i个频率子带，Ki表示第i个子带进行离散傅里叶变换时k值的集合；将得到的矩阵在0到255区间内进行归一化，如此便将癫痫预测所需的每个样本转化为18*19的灰度图像；

1-4.将实验所需的每类数据按照4：1随机划分为训练集和测试集，再将训练集随机分为5份，用于5倍交叉验证。

3.根据权利要求2所述的深度网络堆栈模型自适应加权特征融合的癫痫检测方法，其特征在于所述步骤2中将设置4种不同的卷积神经网络的结构，并对步骤1中所述的数据集进行第二次特征提取，具体实现如下：

2-1.第一种结构的卷积神经网络，在图像输入层后连接第一个卷积层，第一个卷积层设置128个5*5的卷积核，步长为1，零填充；接着设置激活函数为ReLU的激活层，其后是核为

2*2、步长为2的最大池化层；下面是第二个卷积层，它有256个5*5的卷积核，后面连接有与之前相同的激活层和最大池化层；之后连接50个神经元的全连接层，并使用保留概率为0.5的dropout正则化；最后连接5个神经元的softmax层，该层通过以下公式输出样本的概率向量：其中T，aj和Sj表示类别的总数、softmax层的第j个神经元的网络输入以及表示样本属于第j类癫痫状态的概率；

2-2.第二种卷积神经网络在第一种卷积神经网络的基础上，将激活层函数替换为LReLU：其中，a是提前定义好的参数，这里我们将其设为0.01；

第三种卷积神经网络在第一种卷积神经网络的基础上，在每个最大池化层之后加入Batch Normalization层进行批量标准化；

第四种卷积神经网络在第二种卷积神经网络的基础上，同样在每个最大池化层之后加入Batch Normalization层；

2-3.完成所有卷积神经网络的模型设置和训练后，再将脑电数据输入模型后，即可在softmax层得到模型对每个样本的特征向量输出即 其中，pi＝[p(1),p(2),…,p(k)],1≤i≤m；表示第i个卷积神经网络对测试样本的概率向量输出，其维数为k，这里k＝5。

4.根据权利要求3所述的深度网络堆栈模型自适应加权特征融合的癫痫检测方法，其特征在于所述步骤3中使用自适应加权特征融合算法将不同的卷积神经网络提取的特征向量进行特征融合，再由基于支持向量机的纠错输出编码模型对其进行最终的分类，具体实现方法如下：

3-1.对卷积神经网络提取的特征进行自适应加权特征融合，使用下式计算权值；

其中，m表示不同卷积神经网络的个数， 为每个模型对样本分类的特征向量的最大值；

3-2.融合后得到5维的特征向量，再将其作为纠错输出编码模型的输入；该模型中采用一对一编码，使用10个线性核的二分类支持向量机进行分类，得到编码矩阵M，根据以下公式预测样本所属类别：其中，mkl为编码矩阵M中第k行l列的元素；sl为第k类所对应的编码；函数g功能为计算mkl和sl间的海明距离；为预测类别。