1.一种脑电信号分类方法，其特征在于，包括：

获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；

利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；

计算所述脑电特征中单次试验脑电信号对应的判别分数；

获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；

判断所述判别分数是否大于或等于所述分类器模型中的分类标准；

当所述判别分数大于或等于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第一运动类别；

当所述判别分数小于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第二运动类别。

2.根据权利要求1所述的脑电信号分类方法，其特征在于，所述获取原始脑电信号数据，之后还包括：采用8‑13Hz的4阶巴特沃斯滤波器对所述原始脑电信号数据进行预处理，得到预处理后的原始脑电信号数据。

3.根据权利要求1所述的脑电信号分类方法，其特征在于，所述利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征，具体包括：获取所述共空间模式算法的空间滤波矩阵；

利用所述空间滤波矩阵，对所述原始脑电信号数据滤波，得到滤波后的脑电信号矩阵；

根据所述滤波后的脑电信号矩阵，利用公式 提取所述原

始脑电信号数据对应的脑电特征；其中，Zn为滤波后的脑电信号矩阵；n为滤波后的脑电信号矩阵Zn的行数；Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵，2m＜M，M为脑电信号通道数，X为所述原始脑电信号数据对应的脑电特征。

4.根据权利要求1所述的脑电信号分类方法，其特征在于，所述计算所述脑电特征中单次试验脑电信号对应的判别分数，具体包括：利用公式 计算单次试验脑电信号对

应的判别分数；其中，x为单次试验脑电信号， 为单次试验脑电信号x对应的判别分数，μ1为第一运动类别的脑电信号均值向量，μ2为第二运动类别的脑电信号均值向量，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征空间矩阵的协方差矩阵。

5.根据权利要求1所述的脑电信号分类方法，其特征在于，所述分类器模型中的分类标准为：clog(|∑1|/|∑2|)，其中，c为所述分类器模型的参数，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征的协方差矩阵。

6.根据权利要求1所述的脑电信号分类方法，其特征在于，所述获取分类器模型，之前还包括：获取脑电信号样本数据；所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据；

求解目标函数 得到最优解ω；其中，ω为空间滤波矩阵，C1为所述第一运动类别的脑电信号样本数据的平均协方差，C2为所述第二运动类别的脑电信号样本数据的平均协方差；

利用所述空间滤波矩阵ω，对所述脑电信号样本数据滤波，得到滤波后脑电信号；

根据所述滤波后的脑电信号提取脑电特征，得到所述脑电信号样本数据对应的脑电特征；

利用公式 计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2；Ni为第i运动类别的脑电特征的样本个数，xi第i运动类别的脑电特征的样本，Xi为第i运动类别的脑电特征，i＝1表示第一运动类别，i＝2表示第二运动类别；

计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征的协方差矩阵∑2；

计算脑电特征中单次试验脑电信号样本的判别分数；

获取当前迭代次数下所述分类器模型的参数c；

根据所述分类器模型的参数c计算当前分类器模型的分类标准；

将判别分数大于或等于所述分类标准的样本确定为第一运动类别，将判别分数小于所述分类标准的样本确定为第二运动类别，得到当前迭代次数下分类结果；

更新分类器模型的参数c，返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤；

得到所有迭代次数下的分类结果；

根据所述脑电信号样本数据和所有迭代次数下的分类结果，计算每个迭代次数下的操作特性曲线面积值和均方误差值；

将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数，完成所述分类器模型的训练，得到训练好的分类器模型。

7.一种脑电信号分类系统，其特征在于，包括：

原始脑电信号数据获取模块，用于获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据；

特征提取模块，用于利用共空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征；

判别分数计算模块，用于计算所述脑电特征中单次试验脑电信号对应的判别分数；

分类器模型获取模块，用于获取分类器模型；所述分类器模型利用广义二次判别分析算法构建；

判断模块，用于判断所述判别分数是否大于或等于所述分类器模型中的分类标准；

第一运动类别确定模块，用于当所述判别分数大于或等于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第一运动类别；

第二运动类别确定模块，用于当所述判别分数小于所述分类器模型中的分类标准时，将所述判别分数对应的脑电信号数据确定为第二运动类别。

8.根据权利要求7所述的脑电信号分类系统，其特征在于，所述特征提取模块具体包括：空间滤波矩阵获取单元，用于获取所述共空间模式算法的空间滤波矩阵；

滤波单元，用于利用所述空间滤波矩阵，对所述原始脑电信号数据滤波，得到滤波后的脑电信号矩阵；

特征空间矩阵提取单元，用于根据所述滤波后的脑电信号矩阵，利用公式提取所述原始脑电信号数据对应的脑电特征；其中，Zn为滤波后的脑电信号矩阵；n为滤波后的脑电信号矩阵Zn的行数；Zp为提取滤波后的脑电信号矩阵Zn的前m行和后m行组成的矩阵，2m＜M，M为脑电信号通道数，X为所述原始脑电信号数据对应的脑电特征。

9.根据权利要求7所述的脑电信号分类系统，其特征在于，所述判别分数计算模块利用公式 计算单次试验脑电信号对应的判别分数；其中，x为单次试验脑电信号， 为单次试验脑电信号x对应的判别分数，μ1为第一运动类别的脑电信号均值向量，μ2为第二运动类别的脑电信号均值向量，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征的协方差矩阵；

所述分类器模型中的分类标准为：clog(|∑1|/|∑2|)，其中，c为所述分类器模型的参数，∑1为第一运动类别的脑电特征的协方差矩阵，∑2为第二运动类别的脑电特征的协方差矩阵。

10.根据权利要求7所述的脑电信号分类系统，其特征在于，还包括：样本数据获取模块，用于获取脑电信号样本数据；所述脑电信号样本数据包括第一运动类别的脑电信号样本数据和第二运动类别的脑电信号样本数据；

目标函数求解模块，用于求解目标函数 得到最优解ω；其中，ω为空间滤波矩阵，C1为所述第一运动类别的脑电信号样本数据的平均协方差，C2为所述第二运动类别的脑电信号样本数据的平均协方差；

空间滤波模块，用于利用所述空间滤波矩阵ω，对所述的脑电信号样本数据滤波，得到滤波后的脑电信号；

特征空间提取模块，用于根据所述滤波后的脑电信号提取脑电特征，得到脑电信号样本数据对应的脑电特征；

脑电信号均值计算模块，用于利用公式 计算第一运动类别的脑电信号均值向量μ1和第二运动类别的脑电信号均值向量μ2；Ni为第i运动类别的脑电特征的样本个数，xi第i运动类别的脑电特征的样本，Xi为第i运动类别的脑电特征，i＝1表示第一运动类别，i＝2表示第二运动类别；

协方差矩阵计算模块，用于计算第一运动类别的脑电特征的协方差矩阵∑1和第二运动类别的脑电特征空间矩阵的协方差矩阵∑2；

判别分数计算模块，用于计算脑电特征中单次试验脑电信号样本的判别分数；

分类器模型参数获取模块，用于获取当前迭代次数下所述分类器模型的参数c；

分类标准计算模块，用于根据所述分类器模型的参数c计算当前分类器模型的分类标准；

分类模块，用于将判别分数大于或等于所述分类标准的样本确定为第一运动类别，将判别分数小于所述分类标准的样本确定为第二运动类别，得到当前迭代次数下分类结果；

分类器模型参数更新模块，用于更新分类器模型的参数c，返回根据所述分类器模型的参数c计算当前分类器模型的分类标准步骤；

分类结果获取模块，用于得到所有迭代次数下的分类结果；

操作特性曲线面积值和均方误差值计算模块，用于根据脑电信号样本数据和所有迭代次数下的分类结果，计算每个迭代次数下的操作特性曲线面积值和均方误差值；

分类器模型参数确定模块，用于将操作特性曲线面积值的最大值或均方误差值的最小值对应的迭代次数下的分类器模型的参数确定为所述分类器模型的参数，完成所述分类器模型的训练，得到训练好的分类器模型。