1.基于BNI的癫痫发作信号的检测方法，其特征在于，该方法包括如下步骤：步骤(1)，采集脑电数据及预处理；

步骤(2)，基于大脑深度电极脑电图信号的脑功能网络特征分析；

引入图论的概念，应用网络分析来建立脑功能网络相关性矩阵，计算出相应的Pearson相关系数以及阈值；当通道由两个变为多个时Pearson相关系数由一个数变成一个矩阵——相关性矩阵，选取阈值对相关性矩阵进行二值化；对于二值化后的矩阵，其中的“0”表示“节点”，即通道，“1”代表着“度”，绘制出脑功能网络直观图；

步骤(3)用神经质量模型来拟合Depth EEG信号将步骤(2)中得到的二值化矩阵代入神经质量模型中，得到跟时间有关的序列；

步骤(4)计算BNI值

为了研究给定网络能够产生引起癫痫发作的病理性程度，考虑了对脑功能网络的定量测量而引入了BNI的概念，即参考时间内所有节点放电状态下的时间总和除以参考时间；对步骤(3)中所得到的时间序列计算BNI，即可将计算结果用于下一个步骤中，进行对癫痫发作预测的分析；

其中，BNI的具体算法如下：

步骤(5)，根据BNI的值作分析。

2.根据权利要求1所述的基于BNI的癫痫发作信号的检测方法，其特征在于：所述的采集脑电数据及预处理；具体为：采集脑电数据通过长度为2毫米，直径为0.8毫米，触点间距为1.5毫米的5-18个触点组成的深度电极分布系统采样得到；数据预处理方式为使用具有85Hz高截止频率的Butterworth滤波器进行带通滤波。

3.根据权利要求1所述的基于BNI的癫痫发作信号的检测方法，其特征在于：引入图论，具体为：图论将网络定义为节点集，节点成对相互作用由链接它们的边定义；其中节点代表大脑区域，而边则表示节点之间的因果关系或相关关系。

4.根据权利要求1所述的基于BNI的癫痫发作信号的检测方法，其特征在于：Pearson相关系数以及阈值的具体算法如下：脑功能网络的节点代表电极附近的大脑区域，而节点之间的边缘被确定为所观察到的节点活动的Pearson相关系数：其中cov(i,j)是通道i和通道j的协方差，而σi和σj表示节点i和j中活动的相应标准差；

确定节点相关性后，将统计上显著的阈值T应用于二进制化相关矩阵：T＝1-(1-α)1/(L-1)

其中L是不相交截面的平均数，α是所需的置信度，设α＝0.95。

5.根据权利要求1所述的基于BNI的癫痫发作信号的检测方法，其特征在于：二进制化相关矩阵的具体方法为：对于任意一个矩阵A来说，二值化就是选择一个合适的阈值T跟矩阵A中的每一个数进行比较，如果大于阈值T，则将矩阵A中对应位置的数记为1，如果小于阈值T，则将矩阵A中对应位置的数记为0，按照此方法，依次处理矩阵中的每个值，就能得到二值矩阵。