1.一种基于可解释聚类模型的二分类运动想象脑电信号识别方法，其特征在于，其包括如下步骤：步骤1、获取受试者的多通道运动想象脑电数据，将脑电数据进行逐次截断、滤波，存储为高维脑电数据矩阵；

步骤2、使用空域滤波共空间模式从步骤1中的脑电数据矩阵中提取二维的运动想象脑电的方差特征；

二维特征可以表示为：

其中，i是二维特征矩阵的行数，var(·)表示方差，Zp表示滤波后的多维脑电信号的第p行，Zi表示滤波后的多维脑电信号的第i行，m为空域滤波的一个参数，本方法中使m＝5；

步骤3、把对应于各次实验的每个特征当成一个特征向量，计算每个特征向量的类内离散度与类间离散度；

二维特征矩阵的第i行Sb值表示为：

二维特征矩阵的第i行的Sw值表示为：

其中，i是二维特征矩阵的行数，即二维特征矩阵中特征的总数，j＝1或2，ωj表示j类的样本总数， 表示第i行的平均值，而 表示第i行中第j类的平均值；T表示矩阵的转置，Sbi表示二位特征矩阵第i行的类间离散度，Swi表示二位特征矩阵第i行的类内离散度；

步骤4、根据Fisher比率原则，即寻找任意两个特征的类内离散度之和最小，同时类间离散度之和最大，把寻找到的对应于各次实验的两个特征向量作为最优的脑电特征；

FiSher比率函数是：

其中，i≠l，Swl表示二维特征矩阵的第l行类内离散度，Sbl表示二维特征矩阵的第l行类间离散度，且i和l不能超过二维特征矩阵的行数；根据JF(i,l)的最大值，将二维特征矩阵的第i行和第l行作为最优脑电特征；

步骤5、使用半监督可解释聚类模型，判别矩形混合模型DRMM，识别多个实验对象的两个最优脑电特征矩阵得到最优脑电特征的类别标签及每类特征的矩形判别准则；

DRMM是一种属于半监督算法的概率判别模型，DRMM的联合概率是：其中 其表示决策矩形的先验分布

其中

和 分别表示先验规则的决策下边界与上边界的位置，本方法设置 αt和βt为控制这些项之间权衡的正参数，本方法中设置αt＝βt＝1； 表示第k个簇在第d个维度的决策边界, 表示决策的下边界， 表示决策的上边界， 为的转置； 代表所有矩形决策边界，K表示簇的总个数；Zn表示簇的参数，其表达式为： 其中 D表示特征的个数，即维度的总数，xnd表示X中第d维度中的第n个样本；

因为f(t)不可微分，使用 代替f(t)，其中设置a＝10；此时，定义一个新的变量：

如果X中第n个样本xn在第K个簇的决策矩形内，那么γnk≈1；若xn落在其他所有决策矩形的外部，则对于所有的j≠k，γnj≈0恒成立；若一个确定的样本，上述两个条件对任何一个簇都成立，引入新的变量 并假设其服从伯努利分布：p(φn＝0|γn,zn)＝1-p(φn＝1|γn,zn)；

本方法假设yn包含数据的结构，且其是连续的；假设yn服从混合高斯分布：代表所有参数；

其中μk表示第k个簇服从高斯分布的均值，Σk表示第k个簇服从高斯分布的方差；此外，N表示最优脑电特征样本总数；

给定观测到的数据X，Y和Φ，DRMM专注于学习后验分布p(T,Z|X,Y,Φ,Θ)和最佳参数Θ；由于后验分布难以求解，故采用变分分布q(T,Z)近似后验分布；期望最大化(Expectation Maximization，EM)算法通过找到最大值后验估计来简单有效地解决该模型；在EM算法中，Z作为一个潜在变量，找到了参数T和Θ的最大后验估计；求解的目标函数是期望求解中，在已知参数{T,Θ}和观测变量{Φ,X,Y}条件下，计算隐含变量Z的后验概率；

其中const表示不是Z函数的常数，并将此方程规范化，从而定义有效概率；对于任意的n∈{1,2,…,N}，zn是相互独立的，zn|xn,φn,yn,T,Θ～Categorical(πn)；其中且πnk用以下公式定义：后验概率znk的期望为：E(znk)＝πnk

在后验概率Z已知的情况下，目标函数可以用以下公式计算：期望最大化求解中，通过最佳的T,Θ使得W(T,Θ)达到最大值，即然后计算每个簇的 与{μk,∑k}；其中：

本方法把最优脑电特征作为X，同时使X＝Y；得到最优的参数T和Θ；根据参数T可以得到矩形判别规则，同时把T代入γnk可以得到最优脑电特征的类别标签。

2.根据权利要求1所述的基于可解释聚类模型的二分类运动想象脑电信号识别方法，其特征在于，所述脑电数据来源于BCI竞赛Ⅳ数据集1，并且仅提供左手运动想象和右手运动想象脑电数据加以分析。

3.根据权利要求1所述的基于可解释聚类模型的二分类运动想象脑电信号识别方法，其特征在于，对所述脑电数据的滤波选用8～13Hz的带通滤波器进行滤波。