1.一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在该方法中，结合蚁群算法和半监督贝叶斯分类方法，通过蚁群系统ACS算法从多域特征集合中提取最优特征子集，使用改进的半监督贝叶斯分类方法，以最优特征子集为分类特征，结合主动学习策略对其进行分期分类；主动学习过程中采用对称相对熵作为不确定性样本的选择依据，并使用训练的投票分类器对其进行标记分类；该方法具体步骤如下：S1：设原始脑电信号X(t),其中t表示时间，利用陷波滤波器截取特定的频带信号，使其代替X(t)成为原始脑电信号，并通过小波变换法对该信号X(t)进行处理，分解得到与X(t)对应的频带信号f(t)＝[f1(t),f2(t),...,fm(t)]，其中m表示频带信号个数，每个fm(t)代表一个频段的脑电信号；

S2：将脑电信号X(t)以时间段T为单位样本包长度，将脑电信号X(t)划分为n个样本包F(t)＝[F1(t),F2(t),...,Fn(t)],其中每个样本包Fn(t)长度为T×fsample，并计算每个样本包的多域属性特征值，得到特征值集合setl×n，其中fsample表示抽样频率，l表示属性特征类型个数，n表示样本包个数；

S3：以朴素贝叶斯算法作为蚁群系统ACS算法的分类器，以分类正确率为优化指标，并设置蚁群算法的其他参数，对特征值集合setl×n进行优化，得到最优特征子集setson；

S4：根据睡眠分期标准，对所述最优特征子集setson进行处理以得到训练数据和测试数据，将其作为输入数据对融合了主动学习策略的半监督朴素贝叶斯分类器进行训练和前期分类，结束后通过以下公式对余下的测试数据数据进行分类标记，完成睡眠分期分类：或

其中，p(ci)是类ci的先验概率，p(xs|ci)是后验概率，ei是类ci中样本数，e是样本总数，eis是特征中具有xs的类ci的样本数，σci，μci分别表示属性特征的标准差和平均值。

2.根据权利要求1所述的一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在该方法中，所述的原始脑电信号为根据临床神经生理学国际联合会所指定的10/20系统法，采用电极提取的方式采集的原始脑电信号，采样频率为512Hz。

3.根据权利要求1所述的一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在步骤S1中，所述的陷波滤波器截取频带的截取范围是1-30Hz，通过小波变换分解得到f(t)＝[δ波(1-4Hz),θ波(4-8Hz),α波(8-13Hz),β波(14-30Hz)]。

4.根据权利要求1所述的一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在步骤S2中，所述的多域属性特征类型包括：时域特征参数，频域特征参数，时频域特征参数，非线性参数。

5.根据权利要求1所述的一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在步骤S4中，所述的训练数据和测试数据分别为标记数据和无标记数据，且标记数据FL和无标记数据FUL的比例小于1。

6.根据权利要求1所述的一种多域特征下的半监督脑电信号睡眠分期方法，其特征在于：在步骤S4中，所述融合了主动学习策略的半监督朴素贝叶斯分类器分类步骤如下：S41：使用公式(1)和公式(2)对标记数据FL进行训练，得到标准类型数量的初始分类{C1,C1,...,Cs}；

S42：随机从标记样本FL中抽取K个样本，抽样次数为H，分别进行朴素贝叶斯分类器训练，得到H个投票分类器，样本数量K≤FL×80％，投票分类器数量H为奇数且大于等于3；

S43：使用对称相对熵SKL来检索出无标记样本FUL中所有的不确定性强的样本并交由投票分类器进行判别标记，所标记次数最多的类型则记为标记类：其中，Ψ代表定义的不确定性样本阈值，SKL代表无标记样本x到各类之间的对称相对熵距离值，小于等于阈值表示该样本不确定性最强，须用投票分类器判别；

S44：所有满足上述条件的样本被标记完成后，更新样本库中标记样本FL和无标记样本FUL，然后重新使用公式(1)和公式(2)对新的样本库进行训练并进行无标记样本分类。