在医学信号处理领域，脑电信号（EEG）的自动分类对于癫痫的早期诊断和病情监测具有重要意义。传统的分类方法通常依赖于人工特征提取与单一模型的结合，存在特征选择困难、泛化能力不足等问题。近年来，随着深度学习技术的发展，神经网络在模式识别任务中展现出强大的潜力。然而，仅依靠深度学习模型可能在小样本或高噪声环境下表现不佳。因此，如何将深度学习与传统机器学习相结合，以提升分类性能，成为当前研究的热点。

本文提出一种基于一维卷积神经网络（1D CNN）与XGBoost的混合模型，用于对癫痫脑电信号进行分类。该模型充分利用了1D CNN在自动特征提取方面的优势，以及XGBoost在处理结构化数据和优化分类性能上的高效性，从而在实际应用中实现更高的准确率与鲁棒性。

首先，1D CNN被用于从原始脑电信号中自动提取深层次的时空特征。由于脑电信号具有明显的时序特性，采用一维卷积层能够有效捕捉局部特征，并通过多层堆叠逐步提取更高级的抽象表示。此外，池化层的引入有助于降低数据维度，增强模型的泛化能力。

在完成特征提取后，提取出的特征向量被输入到XGBoost分类器中。XGBoost作为一种高效的梯度提升树算法，在处理非线性关系和大规模数据集方面表现出色。它不仅能够对CNN提取的特征进行进一步优化，还能有效抑制过拟合现象，提高模型的稳定性。

实验部分采用公开的脑电数据集进行验证，包括正常脑电与癫痫发作期的脑电信号。通过对不同参数设置的对比分析，发现该混合模型在准确率、召回率和F1分数等关键指标上均优于单独使用1D CNN或XGBoost的模型。同时，该模型在面对噪声干扰和数据不平衡的情况下也表现出较强的鲁棒性。

综上所述，本文提出的1D CNN-XGBoost混合模型为癫痫脑电分类提供了一种新的解决方案。该方法不仅提高了分类精度，还增强了模型的适应性和可解释性，具有良好的临床应用前景。未来的研究方向可以进一步探索其他深度学习架构与传统机器学习方法的融合方式，以推动智能医疗系统的发展。