1.基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，包括以下步骤：

S1、构建最大能量信息提取方法FEMI，充分提取最大能量信息，减少冗杂信息；

S2、利用FEMI提取WPT分解的脑电数据集，获取FWPT特征集；

S3、将CSP输出选择系数M，由1变到5，选取多尺度特征信息集；

S4、对获取的5个CSP特征集优选，充分运用疲劳信息量；

S5、多特征融合，获取CSPFWPT特征。

2.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S1中构建最大能量信息提取方法FEMI的具体步骤为：使用模糊熵寻找信息，I(E，L)＝H(E)+H(L)‑H(E，L)＝H(E)‑H(E|L)，归一化互信息，Fi＝I(E(i)，label)/H(E(i))，获取最大模糊度的互信息，label可取0或1，其中label＝0，表征清醒，label＝1，表征疲劳发生。

3.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S2中利用FEMI提取WPT分解的脑电数据集，获取FWPT特征集的具体步骤为：利用小波包脑电信号进行分解，获得小波包树各节点的能量EWPT，求取EWPT的互信息值IWPT，归一化后得WPT的FWPT特征集。

4.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S3中将CSP输出选择系数M，由1变到5，选取多尺度特征信息。

5.根据权利要求4所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述选取多尺度特征信息具体步骤为：计算投影矩阵WM×M，通过WM×M对原始脑电信号进行映射，取M＝1，得Z1×1＝W1×1E1×1特征矩阵，有2个CSP特征值；取M＝2，得Z2×2＝W2×2E2×2特征矩阵，有4个CSP特征值；取M＝3，得Z3×3＝W3×3E3×3特征矩阵，有6个CSP特征值；

取M＝4，得Z4×4＝W4×4E4×4特征矩阵，有8个CSP特征值；取M＝5，得Z5×5＝W5×5E5×5特征矩阵，有

10个CSP特征值。最后形成5个CSP特征信息集。

6.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S4中对获取的5个CSP特征集优选的具体步骤为：使用SVM对5个信息集进行疲劳测试，求取30通道平均疲劳识别准确率，获得M＝5时，最佳识别率的Z5×5特征集。

7.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S5多特征融合获取CSPFWPT特征的第一步为：将步骤S3中所得600*21的FWPT2维特征信息，在matlab中经过reshape函数3维变换，得到30个通道的600*21*30的FWPT1特征集，选取M＝5，将FWPT3进行CSP变换，获取CSPFWPT1，其中包含10个特征数。

8.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S5多特征融合获取CSPFWPT特征的第二步为：原脑电信号提取M＝5的特征集Z5×5，再与步骤S3中所得FWPT进行多特征矩阵融合，得CSPFWPT2，其中包含31个特征数。

9.根据权利要求1所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述步骤S5多特征融合获取CSPFWPT特征的第三步为：对CSPFWPT1和CSPFWPT2分别进行SVM疲劳检测。

10.根据权利要求9所述的基于共空间模式模糊小波包的脑电信号疲劳特征提取方法，其特征在于，所述疲劳检测可获取最高疲劳检测准确率的特征集，即为CSPFWPT特征集。