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：利用小波变换对癫痫数据进行降噪处理，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；

步骤3、特征分类阶段，利用BI‑LSTM网络进行特征分类；

步骤4、参数优化阶段，将不同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。

2.根据权利要求1所述的一种基于BI‑LSTM网络的癫痫发作预测分析的方法，其特征在于：步骤1中将发作间期和前期的脑电数据数据利用小波变换进行降噪；将处理好的数据分割为八秒半重叠窗口。

3.根据权利要求1所述的一种基于BI‑LSTM网络的癫痫发作预测分析的方法，其特征在于：步骤2中先构建好基于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。

4.根据权利要求1所述的一种基于BI‑LSTM网络的癫痫发作预测分析的方法，其特征在于：步骤3中根据特征提取阶段得到的特征数据利用BI‑LSTM网络进行分类；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)。

5.根据权利要求1所述的一种基于BI‑LSTM网络的癫痫发作预测分析的方法，其特征在于：步骤4中，确定Bi‑LSTM模型的初始学习率为0.01，隐藏层神经元数为30。