1.一种基于BI‑LSTM网络的癫痫发作预测分析的方法，其特征在于：步骤1、癫痫脑电信号预处理：将发作间期和前期的脑电数据利用小波变换对癫痫数据进行降噪处理，将处理好的数据分割为八秒半重叠窗口，提取出有效的EEG信号；

步骤2、特征提取阶段，基于PLV的脑功能网络的特征提取；先构建好基于PLV的脑功能网络，再基于图论对脑网络进行分析，分别针对不同的病例数据，提取网络中的特征，进一步构建对应的特征向量；采用度和聚类系数作为脑功能网络的度量指标，分别从间期和前期检测节点和节点之间的信息交互能力；

在构建功能性脑网络的过程中，将脑电数据中的通道作为复杂拓扑网络中的网络节点，采集到的脑电信号 共有23个通道，每个通道采集的采样点数记为L, 对应每个通道的经验模态分解得到的时频分量，其中ch表示运动想象脑电数据的通道数，m表示分量分解的数目；在运动想象脑电信号中，节点i和节点j之间的关系定义为脑电信号中通道i和通道j之间的第m个固有模式函数之间的相位锁值，其计算过程如公式(7)所示：式中 表示通道i和通道j之间在t时刻的瞬时相位差值，N为在时间段内采集到的样本点总数；PLV代表计算所得的相位锁值，其范围在0到1之间，PLV的值越大说明两个节点之间的同步性越高；

步骤3、特征分类阶段，利用BI‑LSTM网络进行特征分类；

首先通过遗忘门流程去除不重要的信息，ht‑1为上一隐藏层状态值，和现输入值xt一起进入隐藏层，激活函数sigmoid为σ，决定去留的信息；其值域为0到1，当信息值趋于0时丢弃，趋于1时保留，遗忘门公式如式(1)：ft＝σ(wf*[ht‑1，xt]+bf)    (1)

式中：w——权重；b——权重偏置；

其次为通过输入门操作存放保留信息；得到候选值kt，然后通过遗忘门和输入门舍去信息得到当前信息ct，具体操作如式(2)—式(3)：it＝σ*(wi*[ht‑1,xt]+bi)    (2)kt＝tanh(wc*[ht‑1,xt]+bc)    (3)ct＝ft*ct‑1+it*kt    (4)式中：it——输入门，

最后为输出操作，通过sigmoid确定信息要输出的内容，再将输出信息同tanh相乘确定要输出的部分，具体操作如下：kt＝tanh(wc*[ht‑1,xt]+bc)    (5)ht＝ot*tanh(ct)    (6)

步骤4、参数优化阶段，将不同超参数经过讨论分析后得出最佳参数组合使得分类效率变高的同时减少算力，确定Bi‑LSTM模型的初始学习率为0.01，隐藏层神经元数为30。