1.基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，包括：

获取模块，其被配置为：获取待检测的多通道脑电信号；

预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；

检测模块，其被配置为：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果；所述预先训练好的图注意力残差网络，训练步骤包括：构建训练集、验证集和测试集；构建图注意力残差网络；利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络；

在训练过程中，使用10次交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值；所述图注意力残差网络，其网络结构包括：依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层；

所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类‑癫痫发作期或者癫痫发作间期。

2.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，在训练过程中，使用Focal loss损失函数来平衡正负样本权重。

3.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，所述GCN层，用于聚合邻居节点信息。

4.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，所述注意力机制层，用于学习关键脑电信息。

5.如权利要求1所述的基于图注意力残差网络与焦点损失的癫痫检测系统，其特征是，所述残差网络层，用于防止模型在训练过程中发生梯度消失。

6.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行以下步骤：获取模块，其被配置为：获取待检测的多通道脑电信号；

预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；

检测模块，其被配置为：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果；所述预先训练好的图注意力残差网络，训练步骤包括：构建训练集、验证集和测试集；构建图注意力残差网络；利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络；

在训练过程中，使用10次交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值；所述图注意力残差网络，其网络结构包括：依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层；

所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类‑癫痫发作期或者癫痫发作间期。

7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：

获取模块，其被配置为：获取待检测的多通道脑电信号；

预处理模块，其被配置为：对待检测的多通道脑电信号进行预处理，将预处理后的每一个通道的信号视为一个图节点，根据通道信号之间是否存在相关度决定对应节点之间是否存在连接边，得到图结构；根据图结构得到对应的邻接矩阵；

检测模块，其被配置为：将所有读取的原始脑电信号和邻接矩阵，均输入到预先训练好的图注意力残差网络中，输出待检测的多通道脑电信号的癫痫诊断结果；所述预先训练好的图注意力残差网络，训练步骤包括：构建训练集、验证集和测试集；构建图注意力残差网络；利用训练集、验证集和测试集，对图注意力残差网络进行训练、验证和测试，当损失函数达到最小值，或者迭代次数满足设定要求时，停止训练，得到训练好的图注意力残差网络；

在训练过程中，使用10次交叉验证来确保实验结果的稳定性；统一取400s的癫痫发作样本和3600秒的未发作样本进行训练，正负样本之比为1：9；实验结果是从10次交叉验证中得出的平均值；所述图注意力残差网络，其网络结构包括：依次连接的GCN层a1、注意力机制层b1、激活函数层c1、GCN层a2、注意力机制层b2、残差网络层d1、激活函数层c2、最大池化层f1、GCN层a3、注意力机制层b3、激活函数层c3、GCN层a4、注意力机制层b4、残差网络层d2、激活函数层c4、最大池化层f2、GCN层a5、注意力机制层b5、激活函数层c5、GCN层a6、注意力机制层b6、残差网络层d3、激活函数层c6、最大池化层f3、GCN层a7、注意力机制层b7、激活函数层c7、GCN层a8、注意力机制层b8、残差网络层d4、激活函数层c8、最大池化层f4、GCN层a9、注意力机制层b9、激活函数层c9、GCN层a10、注意力机制层b10、残差网络层d5、激活函数层c10、最大池化层f5、GCN层a11、注意力机制层b11、激活函数层c11、GCN层a12、注意力机制层b12、残差网络层d6、激活函数层c12、最大池化层f6、全连接层FC和输出层；

所述图注意力残差网络，其工作原理包括：

先经过GCN层a1聚合信息，在经过注意力机制层b1提取关键信息，经过激活函数层c1的激活函数Leacky Relu对特征进行归一化处理；

GCN层a2聚合信息，在经过注意力机制层b2提取关键信息，残差网络层d1将GCN层a1的输入值与注意力机制层b2的输出值进行求和，求和结果送入激活函数层c2，激活函数层c2的输出值再送入到最大池化层f1得到最大池化结果；残差网络层用于防止过拟合和梯度消失；

以此类推，图注意力残差网络一共12层，每两层都会叠加一层最大池化层与残差网络层，每一个GCN层都会嵌入一层注意力机制层和一激活函数层，最后放入全连接层FC进行癫痫二分类检测，检测结果为二分类‑癫痫发作期或者癫痫发作间期。