1.一种基于图论和机器学习的神经症特征提取方法，其特征在于，包括以下步骤：(1)采集EEG数据，对其进行预处理；

(2)针对步骤(1)预处理后的数据，使用傅里叶变换将时域信号转换成频域信号，以获取感兴趣的频段；

(3)提取基于相位滞后指数(PLI)和加权相位滞后指数(WPLI)的特征矩阵；

(4)根据步骤(3)所得的特征矩阵构建脑功能网络：以62个通道作为网络的节点，分别以步骤(3)所得的两种特征矩阵度量节点间边的连接程度，在稀疏度为15％‑45％，步长为

5％的阈值下分别构建对应的脑网络，脑网络需满足小世界性。

2.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：步骤(1)所述预处理包括剔除无用电极、重参考、滤波、剔除坏段、分段和基线校正、降低采样率以及基于独立成分分析的伪迹去除。

3.根据权利要求2所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：所述基于独立成分分析的伪迹去除包括以下步骤：以寻找一个能够使源信号S(k)从观测信号X(k)分离出来的分离矩阵W为目的，以联合熵H(y)作为目标函数，使H(y)最大：H(y)＝‑E{lnpy(y)}其中，py(y)是输出量y的概率密度函数，其中，px(x)为输入量x的概率密度函数，ui为无限逼近于真实的源信号，n为源信号个数。

使用梯度下降法对H(y)进行优化，即：其中，T表示转置，x为观测信号，且其中，gi(·),i＝1,2,···,n为单调且非线性映射函数；

因此：

其中，η为学习率；

引入了自然梯度法对其进行优化，得到分离矩阵W的迭代公式：其中，I为单位矩阵，W(k)为迭代分离矩阵，最终得到分离矩阵W，进而得到源信号u＝Wx，从而对伪迹进行去除。

4.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：所述感兴趣的频段包括delta：频率范围为1‑3Hz和theta：频率范围为4‑7Hz。

5.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：所述提取基于相位滞后指数特征矩阵包括以下步骤：两个EEG信号xi(t)和xj(t)在t时刻的相位差 满足：其中，n、m均为整数，φi(t)和φj(t)分别为两个时间序列i和j的相位，当相位差接近于一个常数const时，则称i和j是相位同步的，信号x(t)的瞬时相位为：其中， 是x(t)的希尔伯特变换：其中，PV为柯西主值，Π为圆周率，ξ为积分变量；

定义相位滞后指数PLI为：

其中，sgn为符号函数，Nt为时间序列分段个数， 为两个信号的瞬时相位差，PLI值的变化范围介于0到1之间，当PLI为0时，则两个时间序列无相位同步，当PLI为1时，则两个时间序列完美相位同步，且相位同步越强烈，PLI就越接近于1。

6.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：所述提取加权相位滞后指数特征矩阵包括：其中，X为两个时间序列的交叉谱，ξ(X)则代表交叉谱的虚部分量，E{·}为数学期望。

7.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：所述小世界性由属性值σ来衡量，当σ值大于1时，则说明该网络具有小世界属性，且σ值越大，小世界属性越强，定义：

其中，Crdal和LCCCC分别为实际网络对应的聚类系数和最短路径长度，Crandom和Lrandom分别为随机网络对应的聚类系数和最短路径长度；

聚类系数指网络中与某节点i的相邻节点间彼此又为邻居的可能性，能够衡以下为其计算公式：

其中，ki为与节点i相邻的节点数目，ei为ki个节点间实际存在的连接边的数目，ki(ki‑

1)/2则为其最多可能存在的连接边的数目，Ci表示聚类系数；

最短路径长度能够反映网络内部进行信息传递的效率，定义如下：其中，N为网络中所有节点的个数，lij为节点i与节点j之间的最短路径长度，L则为任意两节点间最短路径长度的平均值。

8.根据权利要求1‑7任一项所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：还包括根据步骤(3)所构建的脑功能网络，分别计算躯体维度和情感维度基于PLI的睁眼状态delta频段下稀疏度为20％时脑功能网络以及基于WPLI的闭眼状态theta频段下稀疏度为20％时脑功能网络的全局效率，基于两个指标所得的全局效率进行融合，即为神经症下躯体维度和情感维度的特征向量。

9.根据权利要求8所述一种基于图论和机器学习的神经症特征提取方法，其特征在于：还包括将62电极所在位置映射到大脑3D模型上的步骤。