1.一种大脑功能网络特征分类方法，其特征在于，结合了深度多项式网络模型，包括以下步骤：步骤一：对采集到的每个被试的大脑功能磁共振图像行读取和格式转换，再进行预处理，包括：时间校正、头动矫正、空间配准、空间标准化、平滑、滤波操作；

步骤二：选定一种标准化大脑分区模板与预处理后的功能磁共振图像进行匹配，划分图像为若干个大脑区域，每个脑区分别对应大脑功能网络中的一个节点；

步骤三：提取不同脑区对应的时间序列，用滑动时间窗法将时间序列分割成若干段，每一段相互重叠，窗口长度相同，计算每个时间子段的相关系数，构建随时间变化的动态大脑功能网络，邻接矩阵大小为N×N；滑动窗口法的表达式如下：式中，L为时间窗口长度，S为窗口之间的间隔步长，P为每个脑区对应的总的时间序列长度，l为整个时间序列划分段数；

步骤四：将每一个动态大脑功能网络的上三角元素的列向量拼接成一个维数为的向量，即功能连接向量；

步骤五：将每个被试的所有功能连接向量组合成一个功能连接聚合矩阵，维度为步骤六：将所有被试的功能连接聚合矩阵作为样本数据，划分为三部分：训练集、验证集和测试集，将每一个功能连接聚合矩阵看成是一个特征子空间；

步骤七：将训练集中每一个特征子空间输入到深度多项式网络中，并对每一个特征子空间进行学习，从而对训练集中的特征子空间都产生新的特征表达；训练完成后将学习结果输入到分类器中得到分类结果；

步骤八：使用验证集对网络进行验证，将Dice系数作为损失函数来衡量两个样本相似性的统计量，Dice系数的公式如下：式中，s为Dice系数，X为原图矩阵，Y为预测矩阵，对验证集进行模型评估，并对评估结果的Dice系数进行统计分析，统计所有Dice系数的最大值、最小值、平均值、中位数和方差；

步骤九：在单个样本中，如果单个样本的Dice系数高，再评估多个样本中统计的总体效果，如果验证集所有的Dice系数平均值大且方差小，网络模型达到对原矩阵和预测矩阵之间相似度高的要求，则通过验证并执行步骤十，将网络训练结果输入到分类器得到分类结果；如果单个样本的Dice系数低、多个样本的Dice系数不满足平均值大且方差小，网络模型均达不到要求，根据经验调整网络中的超参数并回到步骤七进行训练；

步骤十：将最后一个隐藏层作为分类器的输入层，对每一个子空间的特征进行分类，得到相应的输出即分类结果，并比较得到的分类标签与真实的标签之间的差距来反向调节整个网络的权重；

步骤十一：将测试集的特征子空间输入到验证完成后的深度神经网络，得到测试集中样本的分类结果。

2.根据权利要求1所述的大脑功能网络特征分类方法，其特征在于，权利要求1的步骤七 包括以下具体步骤：(1)在n层的深度多项式网络中，首先对输入的数据矩阵xi进行第1层多项式表达，近似基可表示为如下公式：d+1

{(,...,):W∈R }    (3)而每一维特征均可表示为：

式中，W为系数向量组，<，>为两个数据进行内积，I为全为1的向量，d为样本的特征维度，m为训练样本数，j为节点数，j＝1，...，d+1；

(2)通过W将[IX]映射为一组线性独立的 输出，通过对训练样本1

进行奇异值分解求解W，从而使每个节点的向量线性独立；令 F表示第1层网络的输出结果，即m×(d+1)大小的矩阵；

(3)构建出第1层网络之后，后面任意第n层网络可表示为：

式中，h1(x)为第1层网络的多项式表达，hn‑1(x)为第n‑1层网络的多项式表达，k(x)为第

1层和第(n‑1)层网络之间任意一层网络的多项式的表达；对于第1层的输入特征，通过奇异值分解方法，把高维的冗余数据变换到有效的低维数据表达；

(4)将n层的输出 定义为：

式中，o表示Hadmard积，其每一列所形成的基都可以由小于n的多项式通过Hadmard积运算获得，可表示为：(5)在第n层构建的近似基中利用正交化的方式求解线性独立的W，获得该层网络的近似基；最终深度多项式网络的特征输出是所有网络层特征的串联结果。