1.基于符号化排列传递熵的癫痫脑电双向耦合分析方法，该方法包括如下步骤：步骤一：采集癫痫患者的多通道头皮脑电信号；

步骤二：对癫痫EEG信号进行预处理：步骤三：对EEG数据进行多尺度符号化：首先进行多尺度符号化直接根据原始序列的数值特点进行符号划分的静态方法,对于长度为n的时间序列Xt＝{x1,x2,x3···}的符号化公式如公式(1)：S为符号的数量；S的大小可以任意的放大或缩小，S的值越大符号序列就越接近原始序列；分别取时间序列的最小值与最大值，得到采样点个数为S‑1的等差划分集合{X1，S

X2···XS‑1}，将原始时间序列划分得到X符号序列；

步骤四：采用排列模式对EEG数据重构：S

采用排列熵算法中的排列模式对EEG数据进行重构；首先对X进行相空间重构：其中m为嵌入维数,τ为延迟因子；对时间重构序列按升序排列:会得到一组符号序列πj＝{j1,j2…jm}表示重构时间序列中各个元素原始位置索引,序列共有m！种排列可能；对m！种排列对应{0,1,2,3,…，m！‑1}进行符号化，得到新的时间序列；

步骤五，多尺度符号化排列传递熵计算：结合步骤三、步骤四的多尺度符号化、排列模式后对重构的数据进行传递熵的求取；

在已知随机过程Y的历史状态条件下，随机过程X的历史状态包含的Y的未来信息量；

对于任意两个随机变量X和Y，其概率分布函数分别是：p(x)，p(y)，x、y是实数，是分布函数和密度函数的自变量；联合分布为p(x,y)；则X的信息熵定义为：X,Y的联合信息熵定义为：

X以Y为条件的条件信息熵为:

则可定义Y对X的信息熵；

设Xt，Yt为两个长度为n的时间序列，各自从t‑1时刻到t‑p时刻的历史记为‑ ‑ ‑ ‑

其中I(X；Y|X)X与Y 在X下的互信息，互信息就是Yt对Xt的传递熵TX→Y；

步骤六，分析癫痫EEG信号双向耦合强度和分析癫痫EEG信号同步性；

选取符号化尺度以及相空间重构的嵌入维数和延迟因子，对EEG信号进行多尺度符号化排列传递熵的求取，并进行双向耦合分析，通过生成的同步矩阵结合单因素方差分析对同步矩阵内每个通道进行显著性分析，保留发作期与发作间期间具有显著变化的通道，确定为癫痫发作间期到癫痫发作期的重要通道；对重要通道进行双向耦合分析；再对多通道EEG信号划分脑区，分为颞叶、顶叶、枕叶、额叶四个脑区，进行脑区间的同步分析；采用S估计器将双通道同步分析拓展到多通道上来，得到数据矩阵XM*N＝[xij]，i＝1,2,3,…M,j＝1,

2,3…N；XM*N的协方差矩阵为C，对C进行特征分解求得特征值λi，对特征值归一化：λi'为协方差矩阵归一化后的特征值；S估计器定义为：Se为S估计器同步强度值,Se∈[0,1],Se的值越大，表示同步性越强；Se值是一种全局的索引，用来描述全局的同步强度。

2.根据权利要求1所述的基于符号化排列传递熵的癫痫脑电双向耦合分析方法，其特征在于：所述的对癫痫EEG信号进行预处理；具体为：先滤除EEG数据中有电力线干扰的50Hz左右的信号；再进行EEG数据的消噪处理，采用db6小波进行6层分解，进行小波阈值消噪；

对消噪过后的脑电信号，采用滑窗为5s，无重叠的方式选取患者的癫痫发作间期与发作期的脑电信号进行分析。