1.一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，包括以下步骤：步骤1：获取原始EEG脑电通道数据，并采用包括归一化、去均值在内的步骤处理原始EEG通道数据；

步骤2：基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据；

步骤3：对步骤2所得每个EEG通道进行小波变换，求取Theta波、alpha波以及beta波三个频带；

步骤4：将步骤3中所得的Theta波、alpha波以及beta波三个频带，求取每个频带值的平方和；

步骤5：将步骤4求取的每个频带值的平方和，基于插值算法，对2D通道分布图进行插值，生成2D脑电特征分布图；

步骤6：采用多重卷积神经网络对步骤5生成的2D特征分布图进行网络训练；

步骤7：基于时间卷积神经网络同时对步骤5中的2D特征图进行并行训练；

步骤8：基于Softmax对空间特征以及时序特征进行融合以及分类；

所述步骤8基于Softmax对空间特征以及时序特征进行融合以及分类，具体包括：提取包含空间特征多重卷积神经网络全连接层以及包含时序特征时间卷积网络全连接层，基于特征拼接方式对时空特征进行融合，定义公式：其中FC为新的全连接层，FC1为多重卷积神经网络全连接层，FC2为时间卷积卷神经神经网络全连接层，新的全连接层作为分类器Softmax的输入，实现分类。

2.根据权利要求1所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，所述步骤1采用包括归一化、去均值在内的步骤处理原始EEG通道数据，具体包括：去均值：将数据中的平均值减去振幅，使得脑电信号的平均值为0；

归一化：对原始数据进行线性变换，使得结果映射到[0,1]之间。

3.根据权利要求2所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，所述步骤2基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据，具体包括：基于重叠切割处理原始时序通道EEG数据，使得一个运动想象周期内提取的每一帧EEG数据存在部分重叠，定义公式xi＝xi‑1+f‑o*f i≠0

xi＝0 i＝0

式中,x为切割起点，i为第几个样本，f为频率大小，o*f为重叠大小，其中o为切割权重，范围在0～1之间；

根据数据矩阵[[x0,x0+128],[x1,x1+128],[x0,x0+128],...,[xn,xn+128]]，对14个EEG通道进行切分，并且把每个时间窗口数据进行数据排列，保证数据时间序列不破坏。

4.根据权利要求3所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，所述步骤3对步骤2所得每个EEG通道进行小波变换，求取Theta波、alpha波以及beta波三个频带，具体包括：N

对于每个EEG通道数据，在经过预处理以后，对每一帧的数据，进行傅里叶变换，设x∈C是长度为N的EEG信号，则快速傅里叶变换为：‑j(2π/N)

其中，n＝0,1,...,N‑1为不同频率，WN＝e ；

则快速傅里叶的逆变换为：

N

长度为的N的实值离散傅里叶有长度为N/2的复值快速傅里叶变换得到，设x∈R ，则实值快速傅里叶变换为：由快速傅里叶变换后，将频带属于Theta波、alpha波以及beta波从得到包含各个频带的数据矩阵xn中提取出来。

5.根据权利要求4所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，所述步骤5，根据所采集的脑电通道位置数据，生成2D通道分布图，求取每个频带值的平方和，计算公式为:其中，x为频带值，i的范围为1～n；

由前面求取的Theta、alpha以及beta值的平方和，作为图像RGB三个通道值，基于插值算法对2D通道分布图进行插值，生成脑电特征2D分布图。

6.根据权利要求5所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，所述步骤6，多重卷积神经网络的具体网络结构为：输入层为28*28的2D脑电特征图；在输入层后是卷积模块1，其由连续堆叠两个卷积层构成，其中卷积层1是基于边缘填充方式，卷积2是基于边缘缩小方式；卷积模块1后是最大池化层，卷积模块2，其由连续堆叠两个卷积层构成，其中卷积层3是基于边缘填充方式，卷积4是基于边缘缩小方式，卷积模块2后是最大池化层，最后是堆叠全连接层；

初始化多重卷积网络网络参数，进行前向传播训练；基于均方误差，反向传播调整网络参数；当误差满足精度要求，保存权值和偏置，网络训练完成，反之继续迭代调整权值和偏置，直至达到误差精度要求。

7.根据权利要求6所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法，其特征在于，所述步骤7，基于时间卷积神经网络提取EEG数据时序特征，其网络具体网络结构为：输入层，输入层后堆叠时序卷积层，时序卷积层后堆叠全连接层；

原始输入为28*28，输入序列经过一维卷积模块作用得到T*M特征序列，T为时间序列长度，M为一维卷积核数量；一维卷积由扩展卷积输入序列，其卷积核计算大小为：fk_d＝(d‑1)*(fk‑1)+fk

其中，fk代表卷积核，fk_d表示加入扩展卷积之后的卷积核大小，d为扩张率，k为第几个卷积核；

扩展卷积的输出由激活函数ReUL作用每个元素，ReUL函数的计算公式为：f(x)＝max(0,x)

其中，f(x)为输出，x为输入；

设置残差模块，基于残差加入扩充连接恒等映射，新的学习变换F(x)，由原来的学习变换H(x)减去输入得到，即F(x)＝H(x)‑x。