1.一种基于集成分类的高频振荡节律检测方法，其特征在于，包括以下步骤：通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；

通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；

通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。

2.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律的步骤之前，还包括：

对所述脑电信号进行带通滤波操作，去除所述脑电信号中通频带以外的信号，获得预处理后脑电信号。

3.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律，具体为：

对所述预处理后脑电信号进行移动窗处理，计算所述预处理后脑电信号的均方根值RMS(t)，具体的计算公式为：其中，s(k)表示预处理后脑电信号的第k个数据点的幅值，k表示第k个数据点；L表示窗长；NlL表示预处理后脑电信号的总长度，Nl是移动窗的数量；t表示均方根的编号；

设置均方根阈值Threshold＝E+3SD，其中E和SD分别是均方根的平均值和标准差；

将所述均方根值大于所述均方根阈值的预处理后脑电信号认为是疑似事件；

将时间间隔小于5ms的两个所述疑似事件合并为一个所述疑似事件；

判断各所述疑似事件的持续时间，若所述疑似事件的持续时间大于30ms，则将该疑似事件前后100ms的预处理后脑电信号认为是疑似高频振荡节律。

4.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征，具体为：计算所述疑似高频振荡节律的小波系数，具体计算公式为：sEOI(kT)是疑似高频振荡节律，a是频率伸缩因子，b是时间平移因子，T是脑电信号的采*

样周期 ，ψ 是Morlet母小波函数的共轭函数，Morlet母小波函数为fb是频率带宽，fc是中心频率；

将所述疑似高频振荡节律的小波系数输入降噪自编码网络；所述疑似高频振荡节律的时频域特征为所述降噪自编码网络各隐藏层的激活值。

5.根据权利要求1所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述样本权重调节后的集成分类器的训练过程包括以下步骤：获取样本权重调节因子；

根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器。

6.根据权利要求5所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述样本权重调节因子包括：间隔内的样本权重调节因子和间隔外分类错误的高频振荡节律样本权重调节因子；

所述间隔内的样本权重调节因子的表达式具体为：其中， 表示第t+1次迭代时第n个样本的样本权重调节因子， 和 分别表示第t次迭代后分类间隔内高频振荡节律样本数量和非高频振荡节律样本数量，t＝1,2,L,T，T是最大迭代次数，yn表示样本的标签，yn＝‑1表示对应的样本是非高频振荡节律，yn＝+1表示对应的样本是高频振荡节律； 且 当 时，高频振荡节律的样本权重调节因子大于1，非高频振荡节律的样本权重调节因子小于1； 和相差越大，高频振荡节律的样本权重调节因子越大，非高频振荡节律的样本权重调节因子越小；

所述间隔外分类错误的高频振荡节律样本权重调节因子的表达式具体为：其中， 和 分别表示高频振荡节律样本总数量和第t次迭代后间隔外分类错误的高频振荡节律样本数量； 且 式中e为常数，其值约等于2.7；样本权重调节因子随着间隔外分类错误的高频振荡节律样本数量的增加而增加；当高频振荡节律样本全部分类正确时 当高频振荡节律样本全部分类错误时

7.根据权利要求5所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述根据所述样本权重调节因子训练集成分类器，训练完成后获得样本权重调节后的集成分类器，具体为：

获取训练数据集 和基分类器dt，其中xn是第n个训练样本，yn是xn的标签，n为样本编号，N为样本总数，t为迭代次数，设置最大迭代次数T；

设置初始样本权重调节因子 和初始样本权重 具体为： N为大于1的正整数；

根据迭代学习的分类结果更新所述样本权重 和所述样本权重调节因子 的值；t的初始值为1，当所述样本权重 和所述样本权重调节因子 的值更新时，t的值加1，直至t＝T；

T次迭代计算完成后，所述集成分类器获得分类标签dfinal(xn)，具体公式为：其中，εt为基分类器dt的权重，t为迭代次数，T为最大迭代次数。

8.根据权利要求7所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述根据迭代学习的分类结果更新所述样本权重 和所述样本权重调节因子 的值，具体为：通过所述样本权重调节因子 将所述基分类器dt的训练数据集的样本权重调节为计算所述基分类器dt的权重εt，具体的计算公式为：其中， 是基分类器dt的分类误差， 和dt(xn)分别是第n个样本在第t次迭代学习后获得的样本权重和类别标签；

根据所述基分类器dt产生的权重εt和类别标签dt(xn)，更新样本权重的值，具体的计算公式为：

其中，第1次迭代计算时的样本权重为 其中N为训练数据集的样本总数量；

根据基分类器dt的分类结果更新所述权重因子 的值；

更新迭代次数t＝t+1。

9.根据权利要求5所述的基于集成分类的高频振荡节律检测方法，其特征在于，所述根据所述样本权重调节因子训练集成分类器的过程中，通过网格搜索算法选择合适的基分类器数量；

所述网格搜索算法选择合适的基分类器数量的过程具体为：设置基分类器数量的网格搜索范围和搜索步长，计算各网格点的分类性能；当所述集成分类器的分类性能不再随着基分类器数量的增大而显著提高时，选择此时的基分类器数量作为所述集成分类器的集成规模数量。

10.一种基于集成分类的高频振荡节律检测装置，其特征在于，包括以下模块：疑似高频振荡节律获取模块，用于通过均方根算法对预处理后脑电信号进行计算，获得所述预处理后脑电信号中的疑似高频振荡节律；

时频域特征获取模块，用于通过降噪自编码网络对所述疑似高频振荡节律的小波系数进行特征提取，获得所述疑似高频振荡节律的时频域特征；

高频振荡节律获取模块，用于通过样本权重调节后的集成分类器对所述时频域特征进行检测，获得高频振荡节律。