1.一种面向癫痫脑电的识别方法，其特征在于，包括以下步骤：S1、构建基于一维卷积神经网络的简化深度学习模型L-NET；

S2、采集脑电数据；

S3、所述脑电数据经过EMD预处理，输入简化深度学习模型L-NET；

S4、所述简化深度学习模型L-NET采用RMSProp算法作为模型优化算法，通过预定义的目标函数来进行损失估计。

2.根据权利要求1所述的面向癫痫脑电的识别方法，其特征在于，所述简化深度学习模型L-NET至少包括：

五个一维卷积层conv1d_1、conv1d_2、conv1d_3、conv1d_4、conv1d_5，两个一维池化层max_pooling1d_1、max_pooling1d_2，两个批标准化层batch_normalization_1、batch_normalization_2，一个全局均值池化层global_average_pooling1d_1，两个全连接层dense_1、dense_2，一个Dropout层dropout_1，所述conv1d_1、conv1d_2、batch_normalization_1、max_pooling1d_1、conv1d_3、conv1d_4、batch_normalization_2、max_pooling1d_2、conv1d_5、global_average_pooling1d_1、dense_1、dropout_1和dense_2依次相邻设置。

3.根据权利要求2所述的面向癫痫脑电的识别方法，其特征在于，所述简化深度学习模型L-NET中还设置有L2正则化，使权值变化率相应减小。

4.根据权利要求3所述的面向癫痫脑电的识别方法，其特征在于，所述步骤S2中采集的脑电数据总共分为5类子集，分别为Z，O，N，F，S，每类脑电子集包含100个信道序列，总共500个信道序列，每个信道持续时间为23.6秒，信号采样点是4097个数据点，五类脑电数据子集分别代表：(1)不同人的脑电测试信号，其中Z、O表示的是正常清醒的健康人，N、F表示的是未发作的癫痫病人，S表示癫痫病发作时的病人；(2)记录位置不同，Z、O两类是在颅外记录的数据，而N，F，S是在颅内记录的数据。

5.根据权利要求4所述的面向癫痫脑电的识别方法，其特征在于，所述步骤S2中所有脑电数据都是由128通道的放大器系统记录的，在经过12位模数转换后，数据以173.6Hz的采样频率连续读入，组合形成一个行向量，再将行向量转置成列向量方便数据预处理。

6.根据权利要求5所述的面向癫痫脑电的识别方法，其特征在于，所述步骤S3具体表现为：

S301、对经过步骤S2后的500个列向量进行数据预处理，每一条原始数据经过EMD后形成8-13不等阶数的IMF分量；

S302、分别取前三、前五、前七、前八阶分量作为简化深度学习模型L-NET的输入。

7.根据权利要求6所述的面向癫痫脑电的识别方法，其特征在于，所述步骤S4中预定义的目标函数为损失函数binary crossentropy，用于做极大似然估计。

8.根据权利要求7所述的面向癫痫脑电的识别方法，其特征在于，所述简化深度学习模型L-NET采用RMSProp算法和损失函数binary crossentropy计算后得知：脑电数据经过EMD处理后取前三阶分量进行分类识别的识别率最高。