1.一种基于脑功能网络特征对早晚期轻度认知障碍的分类方法，其特征在于，包括下列步骤：步骤1：对采集的静息态功能磁共振数据进行预处理得到训练样本；

步骤2：对训练样本进行脑网络特征提取：

201：选择待提取的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区的脑网络节点，得到M个脑网络节点构成的脑区网络节点集合V，其中M为脑区数；

202：计算任意两个脑网络节点的相关系数 其中i、j表

示脑网络节点区分符，ti、tj分别表示脑网络节点i、j的时间序列的元素， 分别表示脑网络节点i、j的时间序列的均值，n为训练样本标识符；

203：设置两个脑网络节点i和j间的连通性：若相关系数rn(i,j)大于或等于预设阈值γ，则脑网络节点i和j间为连通；否则为不连通；

204：基于脑网络节点间的连通性，提取每个训练样本的脑网络特征集合{K，B,L}：计算每个脑网络节点的节点连接数Ki，由M个脑网络节点的节点连接数Ki得到脑区网络节点度集合K；

计算每个脑网络节点的中心度 其中Sjm表示脑网络节点m和j之间存在的最短路径个数，Sjm(i)表示脑网络节点m和j中最短路径经过节点i的个数，由M个脑网络节点的中心度得到脑区网络节点中心度集合B；

计算从脑网络节点i到脑网络节点j的最短路径数Lij，其中j≠i∈V，得到脑网络节点i的节点路径长度 |V|表示集合V的数目，由M个节点路径长度Li得到脑区网络节点路径长度集合L；

步骤3：提取训练样本的特征向量：

对每个训练样本的每个脑区的脑网络特征Ki、Bi和Li，对所有脑区的三类脑网络特征进行随机组合，得到7种组合数据；

对每个训练样本的每种组合数据采用逐步分析方法进行特征筛选，并记录每一个组合所选择的特征标号，得到组合选择特征集 其中k为训练样本标识符，c为组合方式标识符；所述特征标号包括脑区标识符和脑网络特征类别标识符；

统计所有组合中各特征标号的出现概率，取出现概率最大的前Tth个特征标号所对应的脑网络特征作为每个训练样本的特征向量，其中阈值Tth为预设值；

步骤4：分别对各训练样本的特征向量进行归一化预处理后，训练用于区分早期和晚期轻度认知障碍的二分分类器；

步骤5：输入待分类的静息态功能磁共振数据，并采用提取训练样本的特征向量相同的方式，提取待分类的静息态功能磁共振数据的特征向量；对提取的特征向量进行归一化预处理后输入所述二分分类器得到分类结果。

2.如权利要求1所述的方法，其特征在于，步骤203中，设置两个脑网络节点i和j间的连通性具体为：在取值范围[8％,20％]内，基于预设步长遍历NCost个稀疏度阈值Cost，并基于每个稀疏度阈值Cost脑网络节点i和j间的初始连通性：将相关系数rn(i,j)降序排序，并将前Cost对应的脑网络节点间的连通性设置为连通；其它设置为非连通；

基于对应每个稀疏度阈值Cost的脑网络节点间的初始连通性，计算四种网络参数：脑网络平均最短路径长度LG、网络平均聚类系数CG、全局效率Eg和局部效率El，得到每个训练样本的NCost组网络参数；

将训练样本分为两组，一组的类别为晚期轻度认知障碍，另一组的类别为早期轻度认知障碍；采用双样本t检验计算两组训练样本在关于血氧水平依赖BOLD信号的预设频段下的各种网络参数的差异，获取最大差异所对应的Cost值，记为Costmax；

基于降序排序的相关系数rn(i,j)序列，将前Costmax对应的脑网络节点间的连通性设置为连通，其它设置为非连通；

其中，所述脑网络平均最短路径长度 其中Li表示脑网络节点i的最短路径长度；所述网络平均聚类系数 其中脑区网络节点聚类系数 Ki表示脑网络节点i的节点连接数，ei为脑区网络节点i的邻居脑区网络节点组成的子网络中实际存在的边数；所述全局效率 所述局部效率 Gi为与脑区网络节点i相连的脑区网络节点所构成的子图。

3.如权利要求2所述的方法，其特征在于，优选步长为1％。

4.如权利要求1所述的方法，其特征在于，步骤203中，设置两个脑网络节点i和j间的连通性具体为：将相关系数rn(i,j)降序排序，并将前15％对应的脑网络节点间的连通性设置为连通；

其它设置为非连通。

5.如权利要求1所述的方法，其特征在于，所述预处理包括：格式转换、去时间点、时间层矫正、头动矫正、空间标准化、平滑、去线性漂移、滤波和去协变。

6.如权利要求1所述的方法，其特征在于，步骤3中，所述逐步分析方法具体为：采用Smallest F ratio法，标准是使用F的概率，若F＞Fb，则加入特征，若F＜Fa则剔除该特征，其中Fa和Fb为预设阈值。

7.如权利要求1所述的方法，其特征在于，步骤4中，采用基于径向基核函数进行支持向量机分类器训练，得到支持向量机训练所述二分分类器。

8.如权利要求1所述的方法，其特征在于，采用映射公式f: 对各特征向量进行归一化预处理，其中x表示特征向量的元素，即未归一化预处理的原数据，y是归一化之后的数据，xmin是原数据中最小的数据，xmax是原数据中最大的数据。

9.一种基于脑功能网络特征对早晚期轻度认知障碍的装置，其特征在于，所述装置包括：用于采集静息态功能磁共振数据的采集装置；用于接收所述静息态功能磁共振数据的计算机，所述计算机被编程以执行如权利要求1、2、3、4、5、6、7或8所述的分类方法的步骤。

10.一种基于脑功能网络特征对早晚期轻度认知障碍的装置，其特征在于，包括：数据预处理模块：对采集的不同个体的静息态功能磁共振数据进行预处理；

脑网络特征提取模块：对预处理后的静息态功能磁共振数据提取脑网络特征，生成每个个体的脑网络特征集合：(1)选择待提取的脑区，并分别提取每个脑区的时间序列的均值作为每个脑区的脑网络节点，得到M个脑网络节点构成的脑区网络节点集合V，其中M为脑区数；

(2)根据公式 计算脑区网络节点集合V中的任意两个脑

网络节点的相关系数R(i,j)，其中i、j表示脑网络节点区分符，ti、tj分别表示脑网络节点i、j的时间序列的元素， 分别表示脑网络节点i、j的时间序列的均值；

(3)设置两个脑网络节点i和j间的连通性：若相关系数R(i,j)大于或等于预设阈值γ，则脑网络节点i和j间为连通；否则为不连通；

(4)基于脑网络节点间的连通性，生成每个个体的脑网络特征集合{K，B,L}：计算每个脑网络节点的节点连接数Ki，由M个脑网络节点的节点连接数Ki得到脑区网络节点度集合K；

计算每个脑网络节点的中心度 其中Sjm表示脑网络节点m和j之间存在的最短路径个数，Sjm(i)表示脑网络节点m和j中最短路径经过节点i的个数，由M个脑网络节点的中心度得到脑区网络节点中心度集合B；

计算从脑网络节点i到脑网络节点j的最短路径数Lij，其中j≠i∈V，得到脑网络节点i的节点路径长度 |V|表示集合V的数目，由M个节点路径长度Li得到脑区网络节点路径长度集合L；

特征向量提取模块：基于个体的脑网络特征集合{K，B,L}生成个体的归一化特征向量：基于每个脑区的脑网络特征Ki、Bi和Li，对个体的M个脑区对应的三类脑网络特征进行随机组合，得到7种组合数据；

对每种组合数据采用逐步分析方法进行特征筛选，并记录每一个组合所选择的特征标号，得到组合选择特征集 其中k为个体标识符，c为组合方式标识符；所述特征标号包括脑区标识符和脑网络特征类别标识符；

统计所有组合中各特征标号的出现概率，取出现概率最大的前Tth个特征标号所对应的脑网络特征作为个体的特征向量，并对特征向量进行归一化处理，生成个体的归一化特征向量，其中阈值Tth为预设值；

二分分类器：用于基于个体的归一化特征向量区分早期和晚期轻度认知障碍的二分分类器，输入为个体的归一化特征向量，输出个体的轻度认知障碍的状态为早期或晚期；所述二分分类器基于基于多个训练样本的归一化特征向量进行训练得到。