无论是测量还是统计建模，了解人脑中的神经元活动都是一个极其困难的问题。我们解决了这一领域的一个特殊研究问题：对收集的患者癫痫发作的人类颅内脑电图（iEEG）记录进行分析。在这些数据中，每个患者的每次发作都是由许多单个记录通道的活动定义的。癫痫发作的建模具有挑战性，因为iEEG信号在特定发作的通道之间、个体内发作之间以及个体间存在大量异质性。我们开发了一个新的非参数层次贝叶斯模型，该模型同时解决了癫痫数据中的多层次异质性。我们的方法，我们称之为多级聚类层次Dirichlet过程（MLC-HDP），在癫痫发作、患者癫痫发作和患者癫痫发作中通过通道活动进行聚类。我们证明了我们的方法相对于其他方法在人类EEG发作数据中的优势，并表明其发作聚类接近医生专家的手动聚类。我们还解决了一些重要的临床问题，如“这种发作与其他患者的哪些发作相似？”