1.一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，该方法具体是：步骤(1)实时探测脑电波信号，对FPz–Cz脑电波信号进行采集；

步骤(2)利用小波阈值去噪法对采集的原始脑电波信号进行去噪；具体是：一段原始脑电波信号表达为： 表示第n个原始脑电波信号幅值，n＝

1,2,...,N，N表示原始脑电波信号包含的幅值数量；

采用Db8小波基 将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到Db8小波基对应的小波系数 其中，τ为平移量，尺度a控制小波函数的伸缩；

采用软阈值法对分解后的小波系数进行如下处理：

即小于噪声阈值thr的小波

系数置为0；符号函数 根据处理后的小波系数WT8′(a,τ)与小波基中的尺度a和平移量τ，对原始脑电波信号进行重构，去完噪后的原始脑电波信号的第n个幅值步骤(3)利用小波包变换法，依次得到六个波段的脑电波信号：δ波段，0.5‑2Hz；st波段，2‑6Hz；θ波段，4‑8Hz；α波段，8‑13Hz；σ波段，12‑14Hz；β波段，12‑30Hz；

步骤(4)对去噪后脑电波信号序列进行分解、重构，得到各波段原始脑电波信号幅值；

具体是：

对去噪后的脑电波信号序列x＝{x1,x2,…,xN}，采用Db4小波基函数按照二叉树方法进行W层分解，对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为 w＝1,w

2,…,W，μ＝1,2,…,2；xn表示表示第n个去噪后的脑电波信号幅值，n＝1,2,...,N；

对于节点(w,μ)得到不同的小波系数

对于六个波段的脑电波信号，选择二叉树中对应节点组合Ui，i∈(δ,st,θ,α,σ,β)，将Ui内包含的小波系数与小波基进行重构，重构表达式为：xij表示i波段的脑电波信号第j个幅值，j＝

1,2,…,J，J为该波段的脑电波信号包含的幅值数量，J＝N；j与n一一对应，长度相等，即j＝n＝1,2,…,N；

步骤(5)提取六个分波段脑电波信号的能量特征，计算能量比特征值，包括α波段与θ波段的能量比值，以及δ波段与θ波段的能量比值；

步骤(6)提取脑电波信号的时域特征，包括原始脑电波信号时域特征和分波段脑电波信号时域特征；

原始脑电波信号时域特征包括：幅值平均值，幅值绝对值平均值，幅值均方根，幅值方差，Hjorth迁移率，Hjorth复杂度，标准三次方偏度，标准四次方偏度，幅值中位数，幅值峰峰值；分波段脑电波信号时域特征即幅值标准差特征；

步骤(7)提取脑电波信号的频域特征，包括原始脑电波信号频域特征和分波段脑电波信号频域特征；计算功率比特征值，包括：α波段与θ波段的功率比值，以及δ波段与θ波段的功率比值；

步骤(8)提取脑电波信号的非线性动力学特征，对六个波段的原始脑电波信号分别提取谱熵和熵，从去噪脑电波信号提取模糊熵、样本熵、多尺度熵；

步骤(9)将去噪脑电波信号序列转换为有限符号序列，计算Lempel‑Ziv复杂度特征；将去噪脑电波信号序列x＝{x1,x2,…,xN}转换为有限符号序列，即转换为具有阈值Td的二进值序列Z＝{z1,z2,…,zN}，其中 计算Lempel‑Ziv复杂度特征，具体是：(9‑1)设一个新的序列S＝z1，Q和SQ为空序列，模式数初始值c＝1；

(9‑2)从二进值序列Z＝{z1,z2,...,zN}的第二个元素开始，每次取一个元素，将第l个元素zl接连到序列Q的尾部，l＝2,3,…,N，再将Q接连到序列S的尾部，记为新的序列SQ，将SQ的第1到倒数第二个元素记为序列SQv；

(9‑3)查找Q是否为SQv的子串：如果是，则模式数c＝c+1，并将Q置为空序列，S＝SQ；否则返回(9‑2)；

(9‑4)遍历二进值序列Z中所有的元素，Lempel‑Ziv复杂度特征步骤(10)采用最小冗余最大相关性算法对步骤(5)～(9)得到的所有特征进行筛选，选择有效特征，构建睡眠状态脑电特征信号特征集；具体是：(10‑1)从所有的特征序列所构成的特征集F中将与输出序列相关度最大的特征加入到集合Fg中，Fg最开始是空集；

(10‑2)在F和Fg的补集Fc中寻找满足D(fs,g)≠0且R(fs)＝0的特征，D(F,g)为特征集F与输出序列g之间的相关性，R(fs)为特征集序列fs与其他特征之间的冗余度：如果存在这样的特征，则将这些特征中具有最大相关性的特征添加到集合Fg中；否则在Fc中选择满足D(fs,g)≠0且R(fs)＝0，并且MIQ值最大的特征添加到集合Fg中；

(10‑3)重复操作(10‑2)，直到Fc中所有特征的冗余度均不为0；

(10‑4)在Fc中寻找满足D(fs,g)≠0且R(fs)＝0，并且MIQ值最大的特征添加到集合Fg中，直到Fc中所有特征的相关性为0；

(10‑5)将Fc中相关性为0的特征以随机的顺序添加到Fg中，每当添加特征时，后添加的排在先添加的后面，完成排序；

从排序为第一的特征开始，每次增加一个特征作为分类器的输入，从而用于分类器的训练与测试，将训练好的模型对测试集的准确度作为当前所选取的特征集的准确度，直到把所有的特征都作为输入后，绘制得到准确度随特征个数变化的曲线，准确度先快速增加，经过一个拐点后趋于平缓，曲线拐点处对应的特征个数即为最佳个数，此时对应的特征集作为最终特征集，从而完成特征集的构建。

2.如权利要求1所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(1)中采用单通道脑电采集设备进行脑电波信号采集。

3.如权利要求2所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(5)具体是：提取六个分波段脑电波信号的能量特征

计算能量比特征值，包括：α波段与θ波段的能量比值 以及δ波段与θ波段的能量比值

4.如权利要求3所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(6)中，所述的幅值平均值 所述的幅值绝对值平均值 所述的幅值均方根 所述的幅值方差 为原始脑电波

信号的平均幅值；所述的Hjorth迁移率 所述的Hjorth复杂度所述的标准三次方偏度 所述的标准四次方

偏度 所述的幅值中位数median(x)；所述的幅值峰峰值xppk＝max(x)‑min(x)；所述的幅值标准差特征 其中 为i波段的脑电波信号的平均幅值。

5.如权利要求4所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(7)具体是：原始脑电波信号频域特征即原始脑电波信号平均频率 pk和fk分别为原始脑电波信号功率谱上的第k个采样点的功率密度值和频率值，k＝1,2,…,K，K为原始脑电波功率谱上的采样点总个数，功率谱中频率与功率一一对应；

分波段脑电波信号频域特征 pik为i波段的脑电波信号第k个采样点的功率密度；

计算功率比特征值，包括：α波段与θ波段的功率比值 以及δ波段与θ波段的功率比值

6.如权利要求5所述的一种睡眠状态脑电特征信号特征集的构建方法，其特征在于，步骤(8)具体是：谱熵 e为自然常数，i∈(δ,st,θ,α,σ,β)，k＝1,2,…,K；

熵 i∈(δ,st,θ,α,σ,β)，k＝1,2,…,K；

样本熵的提取方法是：定义一段χ维数序列,序列由去噪脑电波信号的第n到第N‑χ+1个幅值组成，去噪后的脑电波信号的χ维第n个幅值Xχ(n)＝{xn,xn+1,…,xn+χ‑1}，1≤n≤N‑χ+1；

定义序列中各元素之间的距离

对于给定的Xχ

(n)，统计dχ(n,n′)小于阈值r的数目Bn；再将序列维数增加到χ+1，对于给定的Xχ+1(n)，统计dχ+1(n,n′)小于阈值r的数目Cn，则样本熵 中间变量

0.15std(x)≤r≤0.25std(x)，std(x)表示一个周期内去噪脑电波信号幅值的标准差；

模糊熵的提取方法是：对于一段χ维序列中各元素之间的距离dχ(n,n′)，其模糊隶属度则去噪脑电序列的模糊熵其中间变量

多尺度熵提取方法是：设定多尺度熵的尺度因子ρ，将去噪脑电波信号分解为ρ个不相互覆盖的熵序列，对每一个等长的序列求平均值，将平均值组合，尺度因子为ρ的熵序列y的第h个元素 表示向下取整；对该尺度下的每个序列计算样本熵，则多尺度熵