1.一种基于智能算法优化模糊聚类的高频振荡节律检测方法，其特征在于：包括以下步骤：S101：获取癫痫病人的癫痫脑电信号时间序列，并在不同时刻计算所述脑电信号时间序列的四个特征：平均奇异值MSV、线长fl、功率比R和频谱质心fc，进而构成多个特征向量Vi；每个所述特征向量由一个时刻的四个特征组成；

S102：采用模拟退火算法结合遗传算法对模糊c均值聚类算法进行优化，并根据所述多个特征向量Vi得到优化的聚类中心vc；

S103：根据优化的聚类中心vc，得到聚类结果；

S104：根据聚类结果，采用箱形图的方法对聚类后每个类中的四个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；所述每个类中的四个特征，是指在获取聚类后的每一个类种的平均奇异值MSV、线长fl、功率比R和频谱质心fc。

2.如权利要求1所述的一种基于智能算法优化模糊聚类的高频振荡节律检测方法，其特征在于：步骤S101中，所述平均奇异值MSV的具体计算步骤如下：S201：使用S变换获取癫痫脑电信号时间序列x(t)的时频信息矩阵S(τ,f)，其计算式如公式(1)所示：上式中，f为频率，j为虚数单位，τ为时域t上的位置参数；

S202：将上述所得时频信息矩阵S(τ,f)进行奇异值分解，获取奇异值，计算公式如式(2)所示：S(τ,f)＝UΓVT                (2)其中，S(τ,f)大小为M×N，U和V的大小分别为M×M、N×N的正交矩阵；Γ的大小为M×N，其形式为 Λr×r＝diag(σ1,σ2,…σr)，σi称为时频信息矩阵S(τ,f)的奇异值，r为奇异值总个数；

S203：使用k-medoids算法确定上述所获奇异值的有效值及其个数；

S204：计算有效奇异值的平均值，得到平均奇异值MSV。

3.如权力要求2所述的，在步骤S203中，使用k-medoids算法确定上述所获奇异值的有效个数，其具体步骤如下：S301：从S202所得的奇异值σi(i＝1,2,...,r)中，选择o1＝σ1和o2∈{σ2,σ3,…σr}作为k-medoids算法的中心；

S302：按公式(3)分别计算剩下的奇异值到中心o1和o2的距离式(3)中，sj∈{σ2,σ3,…,σr}且sj≠o2；若d1(sj,o1)≤d2(sj,o2)，将sj分配到以o1为中心的聚类C1中；否则将sj分配到以o2为中心的聚类C2中；

S303：从聚类C2中，随机选择一个值o2′，作为聚类中心，聚类C1中的中心为o1′＝o1；按S302中方法计算新的以o1′和o2′聚类C1′和C2′；并计算如下值：其中，若J＜0，用o2′作为新的聚类中心代替o2；否则，保留原始的中心o2；

S304：循环步骤S302和S303，直到新生成的聚类中心不再变化；包含σ1的聚类是所需要的，获取其聚类的个数为q(1≤q≤r-1)，即为q个有效奇异值σk(k＝1,2...,q)。

4.如权力要求3所述的，在步骤S204中，所述有效奇异值的平均值计算公式如式(3)所示：在步骤S101中，所述线长fl的计算公式如式(6)所示：

式(6)中，Ll为x(k)长度，x(k)为癫痫脑电信号时间序列的幅值；

所述功率比R的计算公式如式(7)所示：

式(7)中，P[80-200]是疑似高频振荡节律在涟波(ripples，80～200Hz)带宽内的功率，P[250-500]是疑似高频振荡节律在快速涟波(fast ripples，250～500Hz)带宽内的功率；所述涟波带宽为80～200Hz；所述快速涟波带宽为250～500Hz；

所述频谱质心fc的计算公式如式(8)所示：

式(8)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。

5.如权利要求1所述的一种基于智能算法优化模糊聚类的高频振荡节律检测方法，其特征在于：在步骤S102中，采用智能算法中的模拟退火算法结合遗传算法对模糊c均值聚类算法进行优化的具体步骤为：S401：初始化控制参数：种群个体大小Np，最大进化次数Nmax，交叉概率Pc，变异概率Pm，退火初始温度T0，冷却系数tk，终止温度Tend；

S402：随机产生Np组初始聚类中心vc，c＝1,2,…,C，C是聚类数目，并生成初始种群Chrom，按照公式(9)计算第i个特征向量属于第c类的隶属度值μic：式(9)中，μic满足条件： C是聚类数

目，p是加权模糊参数，通常取值为2，Vi是所述提取的四维特征向量，且由提取的所述平均奇异值、所述线长、所述功率比和所述频谱质心构成，i＝1,2,…,Nf，Nf为预设的四维特征向量的长度；计算得到隶属度值μic后，按照公式(8)计算第j(j＝1,2,...,Np)组个体的适应度fj：S403：设循环计数变量gen＝0；

S404：对群体Chrom实施选择交叉和变异遗传操作，对新的Np个个体计算聚类中心、隶属度及其适应度值f′j；若f′j＞fj，则以新个体替换就个体，并到步骤S405；否则，以概率接受新个体，舍弃旧个体；

S405：若gen＜Nmax，则gen＝gen+1，转至S404；否则，转至S406；

S406：若Ti＜Tend，则算法成功返回全局最优解，到步骤S407；否则，执行降温操作Ti+1＝tkTi,转至S403；

S407：最后所得到的聚类中心vc为优化所得的参数。

6.如权利要求5所述的一种基于智能算法优化模糊聚类的高频振荡节律检测方法，其特征在于：在步骤S103中，根据优化参数，得到聚类结果的具体步骤如下：S501：采用模拟退火算法结合遗传算法优化得到基于模糊c均值聚类算法的初始化参数；

S502：根据所述初始化参数，通过公式(11)计算四维特征向量Vi对类c(c＝1,2,…,C)的隶属度μiC：上式中，vc指的是聚类c的中心，vk指的是聚类k的中心。

S503：根据所得到的四维特征向量Vi的隶属度μiC，将特征向量Vi归为最大隶属度所属的类中，得到聚类结果。

7.如权利要求1所述的一种基于智能算法优化模糊聚类的高频振荡节律检测方法，其特征在于：在步骤S104中，使用箱型图得到得到聚类后每个类中四个特征的每个特征的中位数和四分位距，分析得到的中位数和四分位距，确定类别随时间变化的波形状态，从而检测出高频振荡节律。