1.基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置，其特征在于，包括以下模块：脑电采集设备：用于采集脑电信号；其中，选取实验对象，使用脑电采集设备采集癫痫患者的脑电数据，建立实验数据库；

预处理模块：用于数据预处理；对采集到的原始EEG数据进行巴特沃斯带通滤波得到标准EEG信号；

自适应模板匹配棘波检测模块：用于执行自适应模板匹配棘波检测并得到结果；其中，首先根据癫痫棘波的波形特点定义一个通用模板，进行通用模板匹配，获得候选棘波信号；

然后使用K均值算法对候选棘波进行聚类，得到若干个类；统计每个类中候选棘波的数目，如果棘波数目小于总棘波数的5％，则剔除这个类；分别使用筛选后的类中心作为新的模板进行自适应模板匹配，将所有的匹配结果相加得到棘波检测结果；

机器学习棘波检测模块：用于执行机器学习棘波检测并得到结果；其中，首先将脑电信号分割成1s长的脑电片段，然后提取每个脑电片段中的时域和频域特征，构建棘波特征向量；使用特征向量训练随机森林分类模型，得到基于机器学习的棘波检测结果；

融合模块：用于将检测结果融合；其中，将自适应模板匹配棘波检测模块得到的棘波检测结果和机器学习棘波检测模块得到的棘波检测结果进行融合，如果自适应模板匹配棘波检测模块和机器学习棘波检测模块在同片段检测到棘波信号，则最终结果记为该片段有棘波信号的存在，则将其视为癫痫棘波；

其中，所述自适应模板匹配棘波检测模块执行：

步骤S31，统计脑电数据中棘波波形的上升沿斜率、下降沿斜率、幅值高度和持续时间，定义一个通用模板；

步骤S32，设置窗口宽度为300，按时间顺序对脑电信号进行通用模板匹配操作，得到候选棘波信号；

步骤S33，对候选棘波进行K均值聚类，将候选棘波根据波形不同分成不同的类；

步骤S34，统计每个棘波聚类中候选棘波的个数，如果数目小于总候选棘波数的5％，则剔除这个类，最后将剩下的类的质心作为新的模板；

步骤S35，分别使用每个类的质心作为模板进行新的模板匹配，并将结果叠加得到棘波检测结果；

所述机器学习棘波检测模块执行：

步骤S41，将脑电信号的每个通道都分割成1s长的片段，提取每个片段的时域特征和频域特征，构建每个脑电片段的特征向量；

步骤S42，将特征向量分成训练集和测试集，使用训练集中的数据训练随机森林分类模型；

步骤S43，将测试集中的数据输入到随机森林模型中，得到的输出结果即为棘波检测结果，能够检测出在这一片段中是否有棘波。

2.如权利要求1所述的基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置，其特征在于，在进行数据预处理时，使用频率范围为0.5‑32Hz的5阶IIR巴特沃思带通滤波器来去除EEG信号中的噪声和伪迹。