1.一种基于特征权重的自适应学习关键脑区判定方法，其特征在于：步骤1、脑电数据的获取和处理；

1‑1、被测人员佩戴64导联电极帽进行脑电数据采集，得到n1组脑电信号；

1‑2、对采集得到的脑电数据降频滤波至1‑50Hz；

1‑3、对n1组脑电信号分五个频段进行特征提取，得到各频段上各通道的平均微分熵特征步骤2、将n1组平均微分熵特征导入GRLSR模型，并进行调参，获取预测准确率；

2‑1.给定一个有标签数据XL，标签记为YL以及未标记数据XU，标签记为YU；矩阵XL为n2×

5d的矩阵；矩阵XU为n1×5d的矩阵；矩阵XU的n1行元素分别为n1组平均微分熵特征；矩阵YL为n2×c的矩阵，c为类别数；令X＝[XL,XU]，Y＝[YL,YU]；矩阵X有n行；n＝n1+n2；d为被使用的通道数；

2‑2.GRLSR模型具有γ和α两个参数，γ和α采用网格搜索进行取值，网格搜索的范围为‑3 ‑2 3[10 ,10 ,...10]；γ和α的每种取值组合均进行以下操作；

目标函数如下：

其中，L为图拉普拉斯矩阵；b、 Y为目标函数的三个待求变量；

分别求得三个待求变量b、 Y；

b的求解公式为：

的求解公式为：

其中， Q是对角矩阵，其对角值为 I为n×n的单位矩阵； 为矩阵 的第v行元素； 为矩阵 的第j行元素；ε为避免分母等于零的正数；

Y的求解公式为

其中，yi为矩阵Y的第i行元素，xi为矩阵X的第i行元素；η为拉格朗日乘子法参数；(a)+＝max(0，a)；

对矩阵Y求解后得到矩阵YU；矩阵YU的各个元素分别对应n1个预测时长；所得的矩阵YU的各个元素与真实睡眠时长相比较，得到矩阵YU的准确率；

每种γ和α的取值组合均对应一个准确率；取所有准确率中最高的那个准确率作为当前所使用的脑区的预测准确率；

步骤3、取第一次执行步骤2时所得的预测准确率所对应的矩阵 计算各频段上各通道的特征权重值θj，j＝1,2,…,310； 为矩阵 的第j行元素； 为矩阵的第i行元素；

步骤4、利用特征权重值筛选关键脑区；

4‑1.将310个特征权重值按照通道不同分为62组，与62个脑区分别对应；

4‑2.对62组特征权重值各自求取通道权重均值；

4‑3.按照62个脑区按照通道权重均值从小到大进行排序；

4‑4.按照排列顺序逐个减少使用的脑区，使得被使用的通道数d每次减小1；d每减小1，均将剩余的各通道数据通过步骤2的方法计算预测准确率；从而得到62个预测准确率；取62个预测准确率中的最大值所对应的各个脑区作为被测人员的被测指标的关键脑区。

2.根据权利要求1所述的一种基于特征权重的自适应学习关键脑区判定方法，其特征在于：步骤1‑1中，脑电信号由ESI神经扫描系统记录、按照国际10‑20系统标准布置，采样率为1000Hz，所佩戴的64导联电极帽，其中一个导联接地，一个导联为参考电极，采到的实际数据为62导联。

3.根据权利要求1所述的一种基于特征权重的自适应学习关键脑区判定方法，其特征在于：步骤1‑2中，先将采集到的脑电信号的频率从1000Hz降至200Hz；取出与坏电极对应的信号，通过插值相邻进行再生；再通过Butterworth带通滤波器将脑电图滤波至1‑50Hz，去除噪声。

4.根据权利要求1所述的一种基于特征权重的自适应学习关键脑区判定方法，其特征在于：步骤1‑3的具体过程如下：首先从五个频段中提取了脑电图特征；被提取的五个频段分别是Delta频段，Theta频段，Alpha频段，Beta频段，Gamma频段；然后利用短时傅里叶变换来计算各频段上各通道的平均微分熵特征，采用线性动力系统进行特征平滑；最后，对所有平均微分熵特征进行标准化。

5.根据权利要求1所述的一种基于特征权重的自适应学习关键脑区判定方法，其特征在于：还对利用特征权重值筛选关键频段；过程如下：①.将310个特征权重值按照频段不同分为五组，与Delta、Theta、Alpha、Beta、Gamma分别对应；

②.将五组特征权重值各自求取频段权重平均值；

③.将步骤②所得的五个频段权重平均值的大小，确定五个频段对获取被测数据的重要性顺序。