1.一种结合DAE和CNN的脑电信号特征提取与分类方法，其特征在于，包括以下步骤：

1)、通过脑电信号采集仪采集脑电数据；2)、对采集到的数据进行包括去除异样样本、去均值、信号滤波在内的预处理；3)、使用加入噪声系数的降噪自动编码机DAE对经过步骤

2)预处理后的脑电信号进行无监督训练；4)、将降噪自动编码机DAE的隐含层的数据提取出来并加入步骤1)的原始脑电数据，形成新矩阵，将得到的新矩阵数据转化为图像数据格式作为卷积神经网络的输入数据；5)、利用卷积神经网络CNN进行训练分类；最后利用测试数据集对训练好的网络进行性能测试，输入测试数据集，将输出值与左右手标签对比，得到运动想象脑电信号的分类准确率；

所述步骤4)将训练好的降噪自动编码机的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵，再将脑电信号数据转化为图像数据格式，作为卷积神经网络的输入数据；

训练过程中初始化卷积神经网络各参数后，按照前向传播公式得到输出数据；按误差反向传播更新下采样层、卷积层、全连接层的参数；当误差满足一定的精度要求，保存权值和阈值，网络训练完成，反之继续迭代调整权值和阈值量，直至达到误差精度要求。

2.根据权利要求1所述的脑电信号特征提取与分类方法，其特征在于，所述步骤1)通过脑电信号采集仪采集脑电数据具体包括步骤：对被采集对象，采集设备采用Emotiv+采集仪，电极根据国际10‑20标准安放，采样频率为256Hz，采样通道选取14个即去除两个参考电极，采样时间为2‑4s，去掉前期及后期不稳定信号，选取中间平稳的1秒信号，左右手想象任务各执行120次，将采集到的信号组成数据集，将数据集按照数据量大小3:1划分为训练集、测试集。

3.根据权利要求1或2所述的脑电信号特征提取与分类方法，其特征在于，所述步骤2)进行数据预处理包括步骤：首先进行去除异样样本，以平均电位作为基准值，每个样本数据与其对比，筛除差异值较大的；再进行信号数据去均值，将每个样本幅值减去平均幅值；最后进行信号滤波，采用两种滤波形式，频率滤波和空间滤波，即选择运动想象重要频带8～

30Hz进行带通滤波，空间滤波采用大拉普拉斯参考。

4.根据权利要求3所述的脑电信号特征提取与分类方法，其特征在于，所述步骤3)将经过步骤2)预处理的脑电数据作为降噪自动编码机的输入，初始化自动降噪编码机的网络结构，构造含有两层隐含层的自动降噪编码机，并确定节点数[m,n,o]；再设置加噪a系数，原始数据数据向量x乘以a得到x′，按照编码公式y＝fθ(x′)＝s(Wx′+b)得到第一层隐含层的输出，再将第一层隐含层的输出重复此步骤，得到隐含层的输出；再按解码公式z＝gθ(y)＝s(W′y+b′)得到网络输出，网络多次迭代训练，最小化损失函数来取得最佳参数，此时参数{w,b}按梯度下降法更新。

5.根据权利要求4所述的脑电信号特征提取与分类方法，其特征在于，利用最小化损失函数来获得最佳参数，具体包括以下步骤：A1、令权值参数θ＝{W,b}，θ′＝{W′,b′}，DAE的损失函数如公式1：采用损失函数最小化来优化参数，即优化函数如公式2：fθ(xi)表示编码函数，gθ′表示解码函数求* *

导，xi表示输入矩阵，θ′表示加噪后权值参数，θ表示原权值参数；

A2、训练过程中参数{w,b}按梯度下降法更新，流程如下：求出Δw＝Δw+▽wL(x,z)Δb＝Δb+▽bL(x,z)设置学习率ε大小，参数{w,b}按公式3、4更新；

b表示偏置。

6.根据权利要求1所述的脑电信号特征提取与分类方法，其特征在于，步步骤4)中的降噪自动编码机的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵{x,y},作为卷积神经网络的输入数据，具体包括以下步骤：通过降噪自动编码机得到由隐含层和输入层组合而得的新输入数据矩阵y′如公式5所示：

y′＝(x,y)＝[x,s(wx′+b)]    (5)再将y′进行卷积运算、池化以及全连接。

7.根据权利要求6所述的脑电信号特征提取与分类方法，其特征在于，所述按误差反向传播更新下采样层、卷积层、全连接层的参数，具体包括以下步骤：n

A1、按公式(6)计算输出总误差E其中N为分类类别数，t为期望输出，z为实际输出；

A2、按误差反向传播更新参数，卷积层按公式(7)、(8)更新：A3、下采样层参数按公式(9)、(10)更新：符号ο表示每个元素相乘；

A4、全连接层参数按公式(11)更新：l

在以上公式中δ表示灵敏度，η为特定的学习率。