1.一种基于二维时频图像深度卷积神经网络的癫痫脑电识别方法，包括下列步骤：
步骤1：对原始脑电信号的预处理
分成多段数据，为每段数据设置相应的标签，标签一共分为两类，第一类为发作状态，设置为1；第二类为非发作状态，设置为0；再对各段数据分别进行低通滤波处理，去除高于32Hz的信号。
步骤2：脑电信号的有效频段提取
通过小波变换进行5层分解，提取出经过预处理的脑电信号中多个有效频段的信号，再将提取出的多个信号进行叠加，合成得到0～32Hz频段的一维脑电信号，此频段的脑电信号能反映出患者癫痫发作时的有效信息。
步骤3：脑电信号的时频分析
对合成后的0～32Hz频段的一维脑电信号通过短时傅里叶变换对有效频段的脑电信号进行变换，使一维时域信号，转化为包含时间和频率信息的二维时频图像，时频图像纵轴的频率范围为0～32Hz，横轴的时间范围为窗口长度，所得到的时频图像在癫痫发作状态与非癫痫发作状态具有不同的图像特征，反映不同的时频信息；
步骤4：利用时频图训练深度卷积神经网络
将对某患者的经过步骤1-3处理得到的二维时频图像分为训练数据和测试数据，建立LeNet-5结构的深度卷积神经网络，输入到深度卷积神经网络中对其进行训练，对图像进行特征提取，通过全连接的网络进行数据降维，最终输出用于表示分类结果的二维向量，二维向量为(0,1)则表示癫痫发作状态，(1,0)则表示非癫痫发作状态，将患者的脑电数据的各个通道，均通过这种方式来训练对应的网络参数。
步骤5：选出患者特定的最优的五个通道，并计算权重
根据患者所有通道测试数据的识别结果，选出准确率排在前五的通道，并用其准确率构建该五个通道的权重，这五个准确率相对较高的通道用于最终的癫痫发作识别通道。
步骤6：采用加权求和的方法结合最优的五个通道进行癫痫的识别
进行实时癫痫发作状态识别时，对所采集的原始脑电信号进行步骤1-3的处理，再根据上述步骤选出的五个通道及其权重，将五个通道的识别结果加权求和，所得结果与癫痫发作标签值进行比较，如果所得结果的标签值与癫痫发作标签值更接近，便可判断患者处于癫痫发作状态，反之如果所得结果的标签值与非癫痫发作标签值更接近，则判断患者处于非癫痫发作状态。