1.一种基于量子神经网络算法的脑电波识别方法，包括脑电波多通道采集模块（100）、视频多通道采集模块（200）、音频多通道采集模块（300）、脑电波多通道信号放大模块（400）、脑电波多通道滤波模块（500）、脑电波多通道识别模块（600）、量子态多通道预处理模块（700）和量子神经网络模块（800），其特征在于，包括以下步骤：步骤1，脑电波多通道采集模块（100）采集不同部位通道的脑电波信号；

步骤2，脑电波多通道信号放大模块（400）对不同频率通道的脑电波信号进行放大；

步骤3，脑电波多通道滤波模块（500）调用量子态多通道预处理模块（700）和量子神经网络模块（800）对不同频率通道脑电波信号进行滤波；

步骤4，脑电波多通道识别模块（600）调用量子态多通道预处理模块（700）和量子神经网络模块（800）对不同频率通道脑电波信号进行模式识别和特征提取；

步骤5，脑电波多通道识别模块（600）输出脑电波特征识别结果。

2.根据权利要求1所述的一种基于量子神经网络算法的脑电波识别方法，其特征在于，所述的脑电波多通道采集模块（100）包括多个脑电波单通道采集模块（101），分别放置于用户大脑表面不同部位，且设有多个脑电极；

所述的视频多通道采集模块（200）包括多个视频单通道采集模块（201），使用摄像头阵列，分别放置于用户大脑周围不同方向，和用户眼部上方，并转换为计算机所能处理的图像或视频格式；

所述的音频多通道采集模块（300）包括多个音频单通道采集模块（301），音频多通道采集模块（300）采用麦克风阵列，放置于用户周围和耳部附近，用于配合脑电波信号分析用户的听觉诱发脑电波；

上述的脑电波多通道信号放大模块（400），包括多个脑电波单通道信号放大模块（401），一个单通道信号放大模块（201）可以放大一个部位脑电波单通道采集模块（101）传输的脑电波信号，或一个视频单通道采集模块（201）传输的图像视频信号，或一个音频单通道采集模块（301）传输的音频信号；

所述的脑电波多通道滤波模块（500），包括多个脑电波单通道滤波模块（501）；一个脑电波单通道滤波模块（501）可以对一个部位脑电波单通道采集模块（101）传输的脑电波信号进行滤波，或对一个视频单通道采集模块（201）传输的图像视频信号进行滤波，或对一个音频单通道采集模块（301）传输的音频信号进行滤波；

所述的脑电波多通道识别模块（600），包括多个脑电波单通道识别模块（601）；一个脑电波单通道识别模块（601）可以对一个频率通道范围内的脑电波信号进行识别；

脑电波多通道采集模块（100）采集的脑电波信号、视频多通道采集模块（200）采集的图像视频信号、音频多通道采集模块（300）采集的音频信号，均被脑电波多通道识别模块（600）按照脑电波的频率高低重新划分通道，不同通道的脑电波频率不同，为避免脑电波信号损失，脑电波多通道识别模块（600）允许不同通道的脑电波频率有一定频率重叠；

所述的量子态多通道预处理模块（700），包括多个量子态单通道预处理模块（701），用于对不同通道上脑电波信号进行函数变换，将经典态的函数描述为量子态函数，并用量子态波函数描述脑电波的不同状态；

所述的量子神经网络模块（800），包括多个量子神经元（801），能够模仿自然界的神经元接受刺激和学习训练，并具有量子力学的效应，包括量子态的纠缠性，叠加性，相干性，并行性。

3.根据权利要求2所述的一种基于量子神经网络算法的脑电波识别方法，其特征在于，所述的步骤1中，脑电波多通道采集模块（100）通过多个电极采集不同部位通道的脑电波信号；进一步地，视频多通道采集模块（200）采集图像视频信号、音频多通道采集模块（300）采集音频信号，共同采集与脑电波部位和时间相关的图像视频信号与音频信号。

4.根据权利要求3所述的一种基于量子神经网络算法的脑电波识别方法，其特征在于，所述的步骤2中，脑电波多通道信号放大模块（400）接收脑电波多通道采集模块（100）传输来的脑电波信号，视频多通道采集模块（200）采集的图像视频信号、音频多通道采集模块（300）采集的音频信号，并将不同部位和不同时间的脑电波信号输入不同通道，对不同通道设置不同的放大倍率，并按照不同的放大倍率进行放大，以便脑电波多通道滤波模块（500）处理；进一步地，脑电波多通道信号放大模块（400）按照脑电波的采集的位置和时间重新划分通道，将位于同一通道内脑电波多通道采集模块（100）采集的脑电波信号、视频多通道采集模块（200）采集的图像视频信号、音频多通道采集模块（300）采集的音频信号，一起装入脑电波单通道信号放大模块（401），脑电波单通道信号放大模块（401）按照各自的放大倍率工作。

5.根据权利要求3所述的一种基于量子神经网络算法的脑电波识别方法，其特征在于，所述步骤3，包括如下子步骤：

子步骤3‑1，量子态多通道预处理模块（700）对脑电波信号量子化处理；脑电波多通道滤波模块（500）接收脑电波多通道信号放大模块（400）传输来的脑电波信号，图像视频信号，音频信号，并调用量子态多通道预处理模块（700），将经典态的脑电波信号描述为量子态波函数，量子神经网络模块（800）滤波包括对脑电波进行量子噪声滤波、对音频信号进行量子噪声滤波、对图像视频信号进行量子噪声滤波；

子步骤3‑2，量子神经网络模块（800）规则建立；脑电波多通道滤波模块（500）调用量子神经网络模块（800）建立滤波学习规则，学习规则用于处理脑电波多通道信号放大模块（400）放大后所传输过来的脑电波信号，图像视频信号，音频信号；脑电波多通道滤波模块（500）设置量子态脑电波滤波的自学习参数和训练参数，设置量子力学参数和多层激励函数参数，根据用户需要选择合适的网络层数和每层节点数建立量子神经网络，设置脑电波信号滤波学习参数，图像视频信号滤波学习参数，音频信号滤波学习参数，并建立适合脑电波滤波的量子神经网络的训练规则和激励函数；

子步骤3‑3，量子神经网络模块（800）对不同频率通道脑电波信号进行学习；脑电波多通道滤波模块（500）调用量子神经网络模块（800）将不同频率通道脑电波信号输入量子神经元（801），作为量子神经元（801）的输入刺激信号，不同的量子神经元（801）具有不同的滤波频率，并预先设定量子神经元（801）滤波的工作频率大小和工作阈值大小，脑电波信号滤波参数，图像视频信号滤波参数，音频信号滤波参数，不断训练量子神经元（801）之间的联系权重，并不断更新和学习；

子步骤3‑4，量子神经网络模块（800）对不同频率通道脑电波信号进行滤波；脑电波多通道滤波模块（500）调用量子神经网络模块（800）中的量子神经元（801）在不断训练中学习不同频率通道脑电波信号的特征，保持与本神经元工作频率一致的脑波通道信号，并不断减弱不属于本神经元工作频率的脑波通道信号，脑电波多通道滤波模块（500）滤除采集的图像视频信号的干扰噪声，脑电波多通道滤波模块（500）滤除采集的音频信号中的干扰噪声，当量子神经网络模块（800）滤波学习次数达到预先设定的次数时，或两次滤波的误差小于一个误差阈值时，滤波过程结束；

量子神经网络模块（800）结合视频多通道采集模块（200）采集到的眼动图像，根据脑电波信号与眼动图像的关联关系，滤除脑电波信号中含有的眼动噪声，量子神经网络模块（800）结合音频多通道采集模块（300）采集到的声音信号，根据脑电波信号与音频信号的关联关系，滤除脑电波信号中含有的音频噪声，量子神经网络模块（800）同时学习视频多通道采集模块（200）采集到的眼动图像，音频多通道采集模块（300）采集到的声音信号，进行不断训练，滤除肌电噪声以及其他干扰源所产生的脑电波噪声，区分和识别不同的脑电波噪声信号产生的独立信号源和大脑部位，通过脑电波信号，图像视频信号，音频信号的联合学习和联合训练，提高滤波的效率；

子步骤3‑5，量子神经网络模块（800）对不同频率通道脑电波信号进行信号增强；脑电波多通道滤波模块（500）调用量子神经网络模块（800）中的量子神经元（801）在不断训练中增强与本神经元工作频率一致的脑波通道信号，减少滤波过程造成的信号衰减，使脑电波信号通过噪声滤波后适合计算机进一步分析、识别与处理；

量子神经网络模块（800）对脑电波多通道滤波模块（500）滤波后的有效信号进行放大，通过脑电波信号，图像视频信号，音频信号的联合学习和联合训练，提高脑电波信号增强的效果；进一步地，脑电波信号增强还可以根据用户需求对指定的脑电波频率信号进行特殊放大，以便专门研究特定频率脑电波的工作机理。

6.根据权利要求5所述的一种基于量子神经网络算法的脑电波识别方法，其特征在于，所述步骤4，包括如下子步骤：

子步骤4‑1，量子态多通道预处理模块（700）对脑电波信号量子化处理；脑电波多通道识别模块（600）接收脑电波多通道滤波模块（500）传输来的滤波后的脑电波信号，图像视频信号，音频信号，并调用量子态多通道预处理模块（700），将经典态的脑电波信号描述为量子态波函数，然后量子神经网络模块（800）识别包括脑电波量子信号识别、音频信号量子信号识别、图像视频信号量子信号识别；

子步骤4‑2，量子神经网络模块（800）规则建立；脑电波多通道识别模块（600）调用量子神经网络模块（800）建立识别学习规则，学习规则要能处理脑电波多通道滤波模块（500）所传输过来的滤波后脑电波信号，图像视频信号，音频信号，脑电波多通道识别模块（600）设置量子态脑电波识别的自学习参数和训练参数，设置量子力学参数和多层激励函数参数，根据用户需要选择合适的网络层数和每层节点数建立量子神经网络，设置脑电波信号识别学习参数，图像视频信号识别学习参数，音频信号识别学习参数，并建立适合脑电波识别的量子神经网络的训练规则和激励函数；

子步骤4‑3，量子神经网络模块（800）对不同频率通道脑电波信号进行学习；脑电波多通道识别模块（600）调用量子神经网络模块（800）将脑电波信号、图像视频信号、音频信号的量子态函数为样本，进行特征提取计算，对样本进行分类标识，将该分类标识作为导师学习信号，不同的量子神经元（801）具有不同的识别频率，并预先设定量子神经元（801）识别的工作频率大小和工作阈值大小，脑电波信号识别参数，图像视频信号识别参数，音频信号识别参数，并将分类标识与样本信号经过量子神经网络模型的计算结果进行比较，根据两者的比较误差结果调整量子神经网络的权重和阈值，并不断更新和训练；

子步骤4‑4，量子神经网络模块（800）对不同频率通道脑电波信号进行特征提取；脑电波多通道识别模块（600）调用量子神经网络模块（800）提取脑电波的不同频率特征和振幅特征，使用量子态函数描述脑电波特征状态，并建立不同频率通道脑电波信号的特征矩阵；

量子神经网络模块（800）对不同频率通道脑电波信号进行量子傅里叶变换，获得其量子频谱分布信息，量子神经网络模块（800）能够提取图像视频信号的不同特征，音频信号的不同特征，建立图像视频信号、音频信号的特征状态矩阵，脑电波多通道识别模块（600）调用量子神经网络模块（800）对提取的脑电波信号、图像视频信号、音频信号进行综合提取，分析三者间的关联关系，并使用频谱的平方值计算脑电波信号、音频信号、图像视频信号的能量谱，计算三者在能量谱的关联特征，脑电波多通道识别模块（600）调用量子神经网络模块（800）提取脑电波与图像视频、音频三者之间的关联特征，根据能量谱提取大脑不同部位和不同频率的脑电波特征，并建立大脑部位与脑电波频率、图像视频、音频的关联特征矩阵；

子步骤4‑5，量子神经网络模块（800）对不同频率通道脑电波信号进行分类识别；脑电波多通道识别模块（600）调用量子神经网络模块（800）提取脑电波信号、图像视频信号、音频信号的量子态函数，作为量子神经网络的输入，根据视听信号识别不用的脑电波分类应用场景，进行脑电波的纵向和横向关联和对比，并根据不同的分类场景进行学习训练和改善识别量子神经网络模块（800）的识别准确率，当量子神经网络模块（800）识别学习次数达到预先设定的次数时，或两次识别的误差小于一个误差阈值时，识别过程结束，脑电波多通道识别模块（600）对量子神经网络模块（800）的识别结果进行分类，从而得到脑电波在不同视听场景下的用户情感分类、用户心理状态分类、用户健康状态分类、用户生理机能分类，以及用户需要的其他分类。

7.根据权利要求6所述的一种基于量子神经网络算法的脑电波识别方法，其特征在于，所述步骤5，脑电波多通道识别模块（600）输出脑电波特征识别结果脑电波多通道识别模块（600）能够输出量子态多通道预处理模块（700）和量子神经网络模块（800）对不同频率通道脑电波信号进行模式识别和特征提取的结果。