1.一种基于改进粗粒度与优化多尺度样本熵（ICG‑OMSE）脑电通道选择的EEG数据处理方法，其特征在于，具体步骤如下：步骤一：输入原始EEG数据y={x1,x2,…,xN }并进行预处理；

步骤二：基于ICG重构EEG通道对应的时序信号，尺度因子τ=1时，ICG得到与原信号序列(τ)相同的信号序列，尺度因子τ≠1时，ICG得到k个时序信号yk ；

其中， （1）

根据公式（1），各尺度EEG信号粗粒化过程如下：（1）尺度因子τ=2时，粗粒化后时序EEG信号为 ，滞后一个数据点计算两个连续数据点间均值，即 ，…，

；

（2）尺度因子τ=3时，粗粒化后时序EEG信号由两部分构成， 和，计算三个连续数据点间均值；k=2，滞后一个数据点计算，即， ，…， ；k=3，滞后两个

数据点计算，即 ， ，…， ；

（3）以此类推，ICG采用计算连续τ个数据点的均值重构信号，根据不同尺度每次滞后k‑

1个数据点， 是第k个粗粒化时序信号的第j个数据点，j的取值为，N为信号序列长度；

步骤三：对重构后EEG信号进行OMSE计算，通过线性Sigmoid函数优化各尺度上EEG信号的样本熵（SE）计算，将优化后的各尺度SE值组合成多尺度样本熵（MSE），具体步骤如下：m m m m

（1）将各尺度上EEG信号组成维度为m的向量序列 {X (1),…,X (i),…,X (N‑m+1)}，X(i)可以表示为：m

X(i)={x(i),x(i+1),…,x(i+m‑1)}‑x0(i)                     （2）其中，x0(i)是基线， ，i=1,…, N‑m+1；

m m m m

（2）任意两向量X (i)和X (j)之间关系定义为X (i)和X(j)之间的相似度 ，对于给定m m相似性阈值r , Sigmoid函数用于计算X(i)和X(j)之间的相似度 ：  （3）

m m

其中， 是X(i)和X (j)之间的距离，定义为EEG信号之间最大差的绝对值，计算过程如下：   （4）

（3）相似度 小于r的概率记为 ：

（5）

其中， 的均值为：

 （6）

m+1 m+1

（4）向量维数增加至m+1时，X (i)和X (j)之间相似度 的概率记为 ，的均值为：

 （7）

（5）长度为N的EEG信号SE值可表示为：    （8）

上式中参数设置如下：m=2，r=0.2 *SD，SD为对应尺度EEG信号标准差；

步骤四：基于步骤三得到EEG通道对应信号的MSE，对其求均值并排序，使用相关EEG特征及Bayes‑2D‑CNN‑BiLSTM检测模型，基于Sigmoid函数“样本熵值越大，序列相似性越高；

样本熵值越小，样本序列越复杂”的性质，根据MSE均值大小，由小到大逐次添加EEG通道对应信号的相应特征至Bayes‑2D‑CNN‑BiLSTM检测模型，得到最优EEG通道子集，进而确定抑郁症检测准确率最高时的通道组合作为最优EEG通道；

具体包括以下步骤：

（1）、从EEG通道中提取的特征和对应标签输入2D‑CNN，在卷积层添加计算效率高的ReLU激活函数，特征映射通过非线性激活函数生成卷积层输出，二维矩阵卷积设计如式(9)所示，卷积层后添加最大池化层，通过丢弃部分信息以降低数据维度，从而避免过拟合，池化层后添加批归一化层、展开层和平滑层，为后续检测模型输入提供便利；

             (9)

式中，g(l, j)为第l观测点第j通道的卷积输出结果，X(l‑m, j‑k)是第l观测点第j时间数据为中心、尺寸为(m, k)的实数矩阵； 是遍历输入特征；b是偏置参数；

σ是非线性激活函数；

（2）、2D‑CNN展开层和平滑层将高维数据转化为一维向量作为BiLSTM输入，BiLSTM是一种双向的LSTM，双向传播使其在每一时刻的输出可以包括神经元的前向输出和后向输出，通过双层LSTM提高抑郁症检测的准确性，充分考虑时序EEG信号中前后节点之间的相关性，以更加全面地学习和发掘EEG中蕴藏的信息，对BiLSTM学习到的新特征进行批归一化处理，输入全连接层，使用全连接层将前一层提取的新特征转化为分类向量，softmax层计算各类别的预测概率，输出中间检测结果；

（3）、对2D‑CNN‑BiLSTM参数进行最优化，使用耗时和占用资源小的Bayes优化2D‑CNN‑BiLSTM参数，Bayes优化通过参数空间概率建模进行较少次数的迭代，快速找到满足全局最优解的参数组合，找到最优解时自动停止且不受目标函数的凸性和非凸性限制。