1.基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：包括以下步骤：S101：获取癫痫脑电信号的四个特征：模糊熵、短时能量、功率比和频谱质心构成一个特征向量，在不同时刻得到多组所述四个特征，构成多个特征向量；

S102：采用期望最大化高斯混合模型聚类算法对所述多个特征向量进行分类；

在分类过程中，包括建立量化误差模型对所述期望最大化高斯混合模型聚类算法的聚类数目C进行优化，得到最优的聚类数目C*；最后根据最优的聚类数目C*得到聚类结果；所述聚类数目C的优化过程为：根据量化误差JC： D是所述D维特征向量Vi的维数，建立量化误差模型：其中，a是模型参数，Const是一个常量；

根据所述量化误差模型，得到对数线性模型： 其中，根据对数线性回归的系数，计算模型参数a和模型参数b：

即所述模型参数a和所述模型参数b满足公式 取值最小 ，此时 得到所 述模型 参数a 和所述 模型参数 b ；得 到模型参 数a为 ：其中，C是聚类数目，M＝Cmax-1，Cmax是聚类数目的最大值；

通过公式 得到量化误差模型的一个常量Const；基于常量Const，构造参数化成本函数PCF：PCF(C)＝JC·C2/a；所述参数化成本函数PCF最小时，得到最优的聚类数目C*：C*＝argmin{PCF(C)}；

S103：根据所述期望最大化高斯混合模型聚类算得到的聚类结果，采用箱形图的方法对不同类别特征进行统计学分析，检测出癫痫脑电信号的高频振荡节律。

2.如权利要求1所述的基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：步骤S101中，所述模糊熵的具体计算步骤如下：S201：获取癫痫脑电信号时间序列X＝[x(1),x(2),...,x(N)]；

S202：将所述癫痫脑电信号时间序列按顺序构造m维向量其中，i＝1,2,...,N-m+1，m为正整数，且m≥1，I是元素全为1的m维行向量，

S203：计算出向量 与 之间的距离 其

中，i,j∈1,2,...,N-m+1，j≠i，k＝0,1,…,m-1；

S204：根据所述距离 采用模糊隶属度函数 计算所述 与所述 之间的相似度 其中， 为 与 之间的相似度，r为相似容忍度；

S205：根据相似度 得到函数 其中， 为

与 之间的相似度，N为所述癫痫脑电信号时间序列的长度，m为所述向量I的维数；

S206：将所述向量I的维数增加到m+1，得到函数Φm+1(n,r)；

S207：根据所述函数Φm(n,r)和所述函数Φm+1(n,r)，得到所述模糊熵：FuzzyEn(n,r,N)＝lnΦm(n,r)-lnΦm+1(n,r)；

采用均方法计算得到所述短时能量的估计值： 其中，E*(t)为所述短时能量的估计值，x(k)为脑电信号的幅值；

所述功率比R的计算公式为： 其中，P[80-200]是疑似高频振荡节律在ripples带宽内的功率，P[250-500]是疑似高频振荡节律在fast ripples带宽内的功率；

所述频谱质心fc的计算公式为： 其中，T是采样周期，L是窗长，M(k)是多窗口功率谱密度估计值，且 w(l)是长度为L的汉明窗。

3.如权利要求1所述的基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：在步骤102中，所述基于所述期望最大化高斯混合模型的聚类算法对所述多个特征向量进行分类的具体步骤为：S301：采用模糊c-均值聚类算法得到所述基于期望最大化高斯混合模型的聚类算法的初始化参数；

S302：根据所述初始化参数，通过公式(1)计算D维特征向量Vi属于第c类的概率其中，t是迭代次数，T≥1， 和 分别是第t次迭代的权重、聚类中心和协方差矩阵，P(Vi)t是第t次迭代所述D维特征向量Vi对应的概率；

计算所述D维特征向量Vi对应的概率的公式是：

其中，C是聚类数目，Wc是第c个高斯成分的权重，并且满足 uc为聚类中心，uc∈RD，Σc为协方差矩阵，Σc∈RD×D；

S303：根据计算出的所述D维特征向量Vi属于第c类的概率，通过公式(3)、公式(4)和公式(5)，更新高斯混合模型的参数，分别得到第t+1次迭代的权重 聚类中心 和协方差矩阵其中， 是所述D维特征向量Vi属于第c类的概率， 是所述D维特征向量Vi属于第c类的总数，且S304：根据第t+1次迭代的权重 聚类中心 和协方差矩阵 通过公式(2)得到第t+1次迭代所述D维特征向量Vi对应的概率P(vi)t+1，再通过公式(6)计算得到第t+1次迭代的对数似然函数：其中，P(vi)t+1为第t+1次迭代时所述D维特征向量Vi对应的概率；

当|Lt+1-Lt|＜E且t

4.如权利要求1所述的基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：在步骤S102中，采用所述模糊c‐均值聚类算法对所述期望最大化高斯混合模型聚类算法的参数进行初始化，得到所述期望最大化高斯混合模型聚类算法的初始化参数，具体步骤为：S401：随机产生初始聚类中心vc，c＝1,2,…,C，C是聚类数目；

S402：根据聚类中心vc，计算第i个特征向量属于第c类的隶属度值μic：其中，μic满足条件： C是聚类数目，p是加权模糊参数，Vi是所述D维特征向量，且由提取的所述模糊熵、所述短时能量、所述功率比和所述频谱质心构成；

S403：根据公式(7)更新聚类中心vc：

其中，Vi是所述D维特征向量，由所述模糊熵、所述短时能量、所述功率比和所述频谱质心构成，Nfl是所述D维特征向量Vi的长度，μic是第i个特征向量属于第c类的隶属度值；

S404：当满足max1≤c≤C‖vc,new-vc,old‖＜ε时，所述模糊c‐均值聚类算法结束；其中，vc,new是更新后的聚类中心，vc,old是更新前的聚类中心，ε是设定的精度误差；

根据所述模糊c-均值聚类算法，通过公式(8)、公式(9)和公式(10)分别得到所述基于期望最大化高斯混合模型的聚类算法的初始化参数：权重Wc、聚类中心uc和协方差矩阵Σc：uc＝vc    (9)其中，Nc是第c类特征向量的数目之和， 是属于第c类的特征向量构成的矩阵。

5.如权利要求1所述的基于量化误差优化高斯混合模型的高频振荡节律检测方法，其特征在于：在步骤S103中，使用所述箱形图得到中位数和四分位距两个指标，对不同类别的统计学特征进行分析，确定出每个类别随时间变化的波形状态，从而检测出高频振荡节律。