1.一种融合小波包与互信息的生物信号特征提取方法，其特征在于，包括以下步骤：

S1)、读取数据库中所有的生物信号，并使用滤波器去除所述生物信号中的低频场电位和高频噪声；

S2)、进行生物信号的分割，首先根据阈值检测得到每个生物信号的中心发放时间，并根据该时间向前采样K个点、向后采样K‑1个点作为一个周期为2K个采样点的生物信号，从而得到所有单独的生物信号；

S3)、对生物信号进行小波包分解，得到每个生物信号的小波包分解系数；

S4)、随机选取少数用小波包分解系数表示的生物信号作为训练数据，每个用于训练的生物信号数据包括多维的特征，即小波包分解系数，以及一维的类别标签；

S5)、运用最大互信息准则对训练生物信号数据进行特征选择，得到相应的系数索引，采用基于互信息的Min‑Redundancy特征集度量准则和基于近似条件互信息的特征集度量准则进行特征选择，其中，基于近似条件互信息的特征集度量准则对训练生物信号进行特征选择，具体为：S501)、对训练生物信号的每一维特征的熵和特定二维特征组的联合熵进行估计：令某度量空间中一个有值的随机变量X并且存在概率密度函数μ(x)，在该空间下X的任意两个观测值x′和x″有距离函数：||x′‑x″||，熵值H(X)通过使用 得到其对应的无偏估计量即其中，M为表示样本数， 是使用k近邻算法对logμ(x)得到的估计值，已知样本xa和它的第k个近邻点xa+k，得到：其中，ψ(x)为双伽玛函数，即伽玛函数Γ(x)的对数导数ψ(x)＝Γ(x)′/Γ(x)，d表示X的维度，cd表示d维单元球的体积，E(logε)表示对距离ε的对数值求期望；

表示在特定d维空间与特定范式下样本xa和它的第k个近邻点xa+k

间距离的2倍，将其带入 得到熵的k近邻估计值，即

考虑二维联合随机变量Z＝(X,Y)，并有两个观测值z′和z″，使用最大范式，||z′‑z″||＝max{||x′‑x″,||y′‑y″||}，在M个样本中取一个点za，该点与其第k个近邻点间的距离为ε(a)/2，并且该点在X,Y空间的投影表示为εx(a)/2，εy(a)/2，所以ε(a)＝max{εx(a),εy(a)}，记nx(a)为与样本xa的距离严格小于εx(a)/2的样本个数，定义ny(a)为与样本ya的距离严格小于εy(a)/2的样本个数，用dZ＝dX+dY， za＝(xa,ya)代替d、cd、xa，得到基于k近邻估计的联合熵为：其中，dZ、dX、dY分别表示样本点za的维度以及该点在X,Y空间投影的维度；

分别表示dZ、dX、dY维单元球的体积；

S502)、由估计得到的熵 和联合熵 计算特征与类别标签间的相应互信息

和条件互信息，互信息定义了随机变量间相互依赖的衡量方式，给定连续型生物信号特征向量X,Y以及离散的类别标签向量Z，互信息I(Z；X)和条件互信息I(X；Y|Z)的估计方式表示为：S503)、利用生物信号的类别标签向量、每一维特征向量或特定二维特征向量的互信息或条件互信息迭代选择特征k，并记为S[k]，具体为：首先计算每一特征{fi|i＝1,2.....,m}，则类别标签向量Z的互信息I(Z；fi)，然后选择使得互信息最大的一个特征fj作为第一个特征S[1]，并将其归入最优特征集S中，同时更新剩余特征集 其中， 表示在全部特征集中S的补集，即，此时，|S|＝1，|NS|＝m‑1，然后在此基础上迭代步骤S501)，S502)，并使用条件互信息：然后进行后续N‑1个特征的选择，其中N为最优特征个数；

S6)、对经过步骤S1)至步骤S3)处理的测试生物信号，采用步骤S5)得到的系数索引进行特征提取，得到测试生物信号的低维时‑频特征；

S7)、应用分类器对所述生物信号的低维时‑频特征进行分类，进而得到目标生物信号和多种非目标生物信号的多分类结果。

2.根据权利要求1所述的一种融合小波包与互信息的生物信号特征提取方法，其特征在于：步骤S1)中，所述的生物信号为心电信号、脑波信号、肌电图、胃电信号、眼视网膜信号、眼电信号、非电生理信号、人体光电信号、耳声发射信号、人体生理特征信号中的多种，其中，非电生理信号是指由器官运动产生的心音、脉搏、颈动脉搏动、呼吸、鼾声和柯氏音，压力信号；人体光电信号是指光电脉波、血氧饱和度信号；人体生理特征信号是指指纹、掌形、面部、虹膜和步态相关的信号。

3.根据权利要求1所述的一种融合小波包与互信息的生物信号特征提取方法，其特征在于：步骤S1)中，所述的滤波器包括低通滤波器、高通滤波器、带通滤波器和带阻滤波器中的一种或多种， 通过滤波器对所有的生物信号进行滤波处理，滤除生物信号中的低频场电位和高频噪声信号，得到处于特定频率范围内的生物信号。

4.根据权利要求1所述的一种融合小波包与互信息的生物信号特征提取方法，其特征在于：步骤S2)中，所述的阈值检测为低阈值检测、高阈值检测或双阈值检测中的任意一种，其中，使用双阈值检测，具体如下：S201)、将步骤S1)中的生物信号通过双阈值检测，当信号中的电位值超过一定阈值4μ，并且在该电位附近的K个样本内最低电位值有低于另一阈值‑2μ，则记该超过阈值4μ的采样位置为一个生物信号中心发放时间点，其中，μ为上述信号电位的均值；

S202)、接着根据该中心发放时间向前采样K个点，向后采样K‑1个点作为一个周期为2K个采样点的生物信号。

5.根据权利要求1所述的一种融合小波包与互信息的生物信号特征提取方法，其特征在于：步骤S3)中，对生物信号进行小波包分解采用哈尔小波族、多贝西小波族、Symlet小波族、Coifle小波族、双正交小波族、反向双正交小波族、Fejer‑Korovkin filters小波族、离散逼近的小波族中的任意一种，所采用的小波包分解级数为所有可能值。

6.根据权利要求1所述的一种融合小波包与互信息的生物信号特征提取方法，其特征在于：步骤S7)中，采用的分类器为基于分类算法相关的分类器和基于聚类算法相关的分类器，其中，所述的基于分类算法是指决策树算法、朴素贝叶斯算法、逻辑回归算法、人工神经网络算法、k‑近邻算法、支持向量机算法、关联规则算法、集成学习算法，所述的基于聚类算法是指基于划分的k‑均值聚类算法及其变种、基于层次的聚类算法及其变种、基于密度的DBSCAN聚类算法及其变种、基于网络的STING聚类算法及其变种、基于神经网络的自组织神经网络SOM算法及其变种、基于统计学的COBWEB算法及其变种。