1.一种基于混合模型的运动想象脑电信号分类方法，其特征在于：其包括如下步骤：S1、数据提取：从数据库中采集两组数据作为脑电数据库；

S2、数据重构：将脑电数据库中的脑电数据进行规范化，并以四维张量的结构进行储存；

S3、特征优化：利用ODV‑CSSD算法对脑电数据进行优化获得最优脑电特征，其具体包括以下子步骤：

S31、设Xi表示数据库中存储的运动想象任务下的多通道脑电信号，其中，i＝1,2，其中1代表左手运动想象,2代表右手运动想象，归一化空间协方差矩阵Ri为：T

其中，Xi为脑电信号，Xi为矩阵X的转置矩阵，trace(.)为矩阵对角线元素的和；

S32、对同一任务模式的多个脑电数据的协方差矩阵进行均值化，得到平均空间协方差矩阵：

其中， 为左手运动想象下的平均空间协方差矩阵， 为右手运动想象下的平均空间协方差矩阵，N为每个类的试验次数；R1n和R2n分别为第n次试验左手和右手运动想象任务下的归一化空间协方差矩阵；

S33、根据以下公式得到特征值和特征向量：T

其中，W为特征向量矩阵，Λ为特征值的对角矩阵，通过W矩阵得的W为W的转置矩阵；

S34、使用下式对脑电信号进行滤波：ZC×T＝WC×CRC×T

其中，C表示脑电信号获得时的通道数,T表示一次试验中的采样数，ZC×T为滤波矩阵；

S35、选择滤波矩阵ZC×T的前m行和后m行构成矩阵Zp，m为空间滤波器的对数，p为矩阵Zp的行数，即p＝2m，从矩阵Zp中提取特征向量Fp：其中，矩阵Zp包含ZC×T的前m行和后m行，m为空间滤波器的对数，即选定m对空间滤波器，i用于求和，表示计算var(Z1)，…，var(Z2m)并将它们进行求和计算；

S36、设置如下最优判别准则R(d)，寻找最优判别向量：T

其中，A＝cW1+(1‑c)W2,0≤c≤1，d是投影数据的列向量，d为d的转置，W1和W2分别为1类和第2类的类内离散度，其计算公式分别为：其中，c为W1和W2的归一化系数，由于两类试验贡献水平一致，故c＝0.5，Δ为估计的平均值之差，计算公式为：Δ＝μ1‑μ2，其中μi为第i类的均值,根据下式计算：T

其中，xij＝(xij1,xij2..........xijL) ，其表示第i类的第j个样本向量，L为向量元素数，Ni为第i类的样本数；

第一个最佳投影方向d1按下式计算：‑1

d1＝α1A Δ

其中α1是为了使 且

通过最大化R(d)求得第二个最佳投影方向，同时第二个最佳投影方向需要满足的限制条件是d1与d2正交，即 求解第二个最佳投影方向为：‑1 ‑1 2

d2＝α2{A ‑b1[A ]}Δ其中，α2的作用同α1，b1为：S4、利用先验信息形成可解释的聚类，建立决策边界，得到最终类别归属结果。

2.根据权利要求1所述的基于混合模型的运动想象脑电信号分类方法，其特征在于：所述步骤S2具体步骤为，将采集到的EEG数据做切片处理，以四维张量的结构储存，四维张量的四个维度分别是采样数、通道数、事件触发次数和类别。

3.根据权利要求1所述的基于混合模型的运动想象脑电信号分类方法，其特征在于：所述步骤S4中，通过DRMM算法，利用先验信息形成可解释的聚类，建立决策边界，得到最终类别归属结果。

4.根据权利要求3所述的基于混合模型的运动想象脑电信号分类方法，其特征在于：步骤S4中DRMM算法的具体实施过程包括如下子步骤：S41、令X表示经由规则生成的特征，yn包含聚类结构，对特征进行归一化处理从而使每个特征具有零均值和单位方差，假设k为聚类的序号，用Znk来表示第n个样本是否属于第k个聚类，用向量 表示簇k在d维上的决策判定边界，其中 表示下边界， 表示上边界， 表示 的转置，假设所有属于第k个聚类的样本都在相应的判定矩形内，即对于所有属于该聚类的样本xnd都满足 假设所有决策边界都服从先验分布p(tkd)：

其中， 和 表示先验规则的决策边界所在位置，若无先验规则，则 αt和βt均为控制这些环节之间平衡的正参数；

S42、在判定矩阵 中定义一个参数Znk以表示簇指标：其中，D＝2，f(t)为一个满足t≥0的指数函数：其计算结果为一个逻辑与算子，因此，如果xnd在判定矩形内部，则Znk＝1，否则Znk＝0，f(t)的不可分性致其难以优化决策矩形，故用g(t)代替f(t)，g(t)定义如下：其中，a是用于定义软陡峭度函数的正参数，从而用a值偏大表示g(t)更接近f(t)，用g(t)替代f(t)，同时定义一个新变量γnk：由于0

S43、假设yn服从混合Gaussian分布：其中，yn|zn是条件概率，μk和∑k是第k个簇的平均向量和协方差矩阵；

DRMM的联合概率为：

其中， 代表所有矩形决策边界， 表示所有参数，随机变量如果特征位于判定矩形之内则φn＝1，否则φn＝0，Z为潜在变量，{X,Y}为观测变量，N为样本数；

在给定参数{T,Θ}和观测变量{Φ,X,Y}的情况下，计算潜在变量Z的后验概率：其中，xn为第n个特征，const表示不是Z函数的常数，在已知后验分布Z的条件下，联合对数的期望值W(T,Θ)由下式计算：其中， 是 的平均向量；D为提取的特征维数；K为聚类数；πnk为后验分布的期望值；

利用下式寻找T,Θ的最佳估计值 从而将W(T,Θ)最大化：计算 的最大值和对于每个聚类k∈{1,2,…,K}的{μk,∑k}；

的最佳值按下式计算：

{μk,∑k}按下式计算：