1.一种基于小波变换和稀疏表达的脑电信号分类方法，其特征是：该方法的具体步骤包括：(1)在字典学习模块内对运动想象脑电信号的字典学习：将脑机接口系统采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算，在字典学习模块中将不同种类的脑电信号建立一个共同的字典，并且认为用户休息的状态为一种思维作业，得到学习字典及学习数据的类别直方图，并传输至类别识别模块；

(2)在类别识别模块内对运动想象脑电信号的类别识别：将脑机接口系统采集的未知运动想象脑电信号作为分类数据进行特征提取，利用训练模块中的学习字典得到分类数据的稀疏表达，计算分类数据的类别直方图，并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类；

步骤(1)中的字典学习根据小波变换后的特征向量矩阵Y，通过压缩传感得到特征向量矩阵Y的稀疏表达，具体步骤为：n×m

利用K‑SVD算法，得到满足下列公式的学习字典Φ∈IR ，m＞n和稀疏表达式其中，xi包含k个或更少的非零元素：其中，||·||F是Frobenius范数，||·||0是l0半范数，计算向量里包含的非零元素；k<

所述特征提取包括信号预处理、小波变换和特征向量建立；

所述小波变换，首先将不同运动想象的脑电信号分为五个频带：δ频带，θ频带，α频带，β频带，γ频带；

其中，δ频带≤4Hz，θ频带为4－7Hz，α频带为8－13Hz，β频带为14－25Hz，γ频带>26Hz；

针对这五个频带，采用不同的小波变换的参数进行小波变换；

所述信号预处理的具体步骤为：

频域滤波：将脑机接口系统采集的已知运动想象脑电信号作为学习数据进行频域滤波，滤波后的运动想象脑电信号频率范围是0‑40Hz；

和

去基线漂移：将频域滤波后的数据进行去除基线漂移，采用三次样条差值的方法去除基线漂移；

所述小波变换的具体步骤为：

对信号预处理后的运动想象脑电信号f(t)进行连续小波变换：其中，Wf(α，τ)为连续小波变换后的运动想象脑电信号，Ψ(t)为小波函数，α为尺度因子，且α>1，τ为平移因子；

当α增大时,表示用伸展的Ψ(t)去观察整个f(t)；反之，当α减小时，则以压缩的Ψ(t)去观察f(t)的局部；

在小波变换前确定不同频带的运动想象脑电信号的小波变换参数：中心频率fc和带宽参数fb；

运动想象脑电信号被分为δ频带，θ频带，α频带，β频带，γ频带；

δ频带的频率设定为小于等于4Hz；

θ频带的频率设定为大于4Hz，且小于7Hz；

α频带的频率设定为大于8Hz，且小于13Hz；

β频带的频率设定为大于14Hz，且小于25Hz；

γ频带的频率设定为大于26Hz；

所述特征向量建立的具体步骤为：

对小波变换后的运动想象脑电信号进行小波分析：根据小波分解算法将运动想象脑电信号小波分解为不同层级的小波，小波分解的层数视用于提取特征的各节点运动想象脑电信号的有用成分以及采样频率而定；运动想象脑电信号分解后的小波系数表达了它在时域和频域的能量分布；

选择动想象脑电信号的ERD/ERS出现的频率范围选择分解后的运动想象脑电信号进一步进行小波分析，提取小波系数的均值、能量均值和均方差三个统计量作为特征向量；

所述步骤(2)中利用训练模块中的学习字典得到分类数据的稀疏表达计算的具体步骤为：将步骤(2)中分类数据经过特征提取后的特征向量矩阵Q，结合步骤(1)中得到的学习字典Φ，根据：

得到分类数据的稀疏表达XQ；

所述步骤(1)中的学习数据的类别直方图和所述步骤(2)中的分类数据的类别直方图分别根据：得到，所述步骤(1)中的学习数据的类别直方图为hi和所述步骤(2)中的学习数据的类别直方图为hQ；

所述步骤(2)中分类数据分类的具体步骤为：

根据：

确定所述分类数据的所述类别。

2.如权利要求1所述的一种基于小波变换和稀疏表达的脑电信号分类方法，所应用的一种基于小波变换和稀疏表达的脑电信号分类系统，该系统包括字典学习模块和类别识别模块；其特征是：所述字典学习模块被配置为将脑机接口系统采集的已知运动想象脑电信号作为学习数据进行特征提取、字典学习和类别直方图计算，得到学习字典及学习数据的类别直方图的模块；所述字典学习模块将得到学习字典及学习数据的类别直方图传输至所述类别识别模块；所述字典学习模块将不同种类的脑电信号建立一个共同的字典，并且认为用户休息的状态为一种思维作业；

所述类别识别模块被配置为将脑机接口系统采集的未知运动想象脑电信号作为分类数据进行特征提取，利用所述字典学习模块中的学习字典得到分类数据的稀疏表达，计算分类数据的类别直方图，并根据学习数据的类别直方图与分类数据的类别直方图的对比结果进行分类数据的类别识别分类的模块；

所述字典学习模块用于在字典学习过程中根据小波变换后的特征向量矩阵Y，通过压缩传感得到特征向量矩阵Y的稀疏表达，具体步骤为：n×m

利用K‑SVD算法，得到满足下列公式的学习字典Φ∈IR ，m＞n和稀疏表达式其中，xi包含k个或更少的非零元素：其中，||·||F是Frobenius范数，||·||0是l0半范数，计算向量里包含的非零元素；k<

所述特征提取包括信号预处理、小波变换和特征向量建立；

所述小波变换，首先将不同运动想象的脑电信号分为五个频带：δ频带，θ频带，α频带，β频带，γ频带；

其中，δ频带≤4Hz，θ频带为4－7Hz，α频带为8－13Hz，β频带为14－25Hz，γ频带>26Hz；

针对这五个频带，采用不同的小波变换的参数进行小波变换。

3.如权利要求2所述的一种基于小波变换和稀疏表达的脑电信号分类方法，其特征是：所述字典学习模块包括第一脑电信号存储模块，所述第一脑电信号存储模块将脑机接口系统采集的运动想象脑电信号作为学习数据存储；

所述类别识别模块包括第二脑电信号存储模块，所述第二脑电信号存储模块将脑机接口系统采集的运动想象脑电信号作为分类数据存储。