1.基于一维卷积核的运动想象脑电信号分类方法，其特征在于，该方法具体如下：步骤(1)获取运动想象脑电数据：通过基于10/20系统法的脑电采集模块提取原始脑电信号中C3、Cz、C4三个通道的脑电数据，用于分类；

步骤(2)使用Z‑Score方法对脑电数据标准化处理，标准化后的脑电数据符合正态分布；

步骤(3)将三个通道的原始脑电信号进行小波阈值去噪，设定噪声阈值thr，对小波变换后得到的小波分解系数WT4(a,τ)与thr进行比较：若小波分解系数小于thr，去除该小波分解系数；若小波分解系数大于等于thr，保留小波分解系数；最后对阈值处理过的小波分解系数进行小波重构计算，得到去噪后的脑电信号；

步骤(4)小波包变换得到α和β频段的脑电信号；

步骤(5)构建卷积神经网络：利用一维卷积核的卷积神经网络对构造的MI‑EEG数据进行分类，网络结构包括卷积层、全连接层；

步骤(6)获取和训练卷积神经网络模型；

(6‑1)获取训练集和验证集：通过五折交叉检验方法扩充数据集，将原脑电数据随机分成五部分，不重复地选取其中一部分作为测试集，用另外四部分作为训练集对模型进行训练；

(6‑2)训练卷积神经网络模型：卷积神经网络模型的训练包含前向传播和反向传播两个过程；在前向传播阶段，数据经过卷积、激活函数的非线性变换达到输出层；反向传播阶段是利用训练样本和已知标签之间的误差来调整更新权值；

步骤(7)选取最终分类模型：在相应数据集上进行模型训练和验证，选取训练过程中分类效果最优的模型，作为最终的运动想象脑电数据分类模型。

2.如权利要求1所述的基于一维卷积核的运动想象脑电信号分类方法，其特征在于，步骤(2)中Z‑Score数据标准化方法为： μ表示原始数据的均值，σ表示原始数据的*标准差，x为标准化采集的脑电数据，x为标准化后的脑电数据。

3.如权利要求2所述的基于一维卷积核的运动想象脑电信号分类方法，其特征在于，步骤(3)具体是：(3‑1)对脑电信号进行小波变换，得到一组小波分解系数：经过Z‑Score标准化的原始脑电信号电压幅值序列 表示第n个原始脑电波信号的电压幅值，n＝1,

2,...,N，N表示原始脑电信号包含的幅值数量；采用Db4小波基，即一种有限长会衰减的小波基函数，记为ψ4((n‑τ)/a)，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Db4小波基对应的小波分解系数： 其中，τ为平移量，尺度a控制小波函数的伸缩，与小波的频率成反比；

(3‑2)阈值处理小波分解系数WT4(a,τ)，得到小波估计系数WT4′(a,τ)：采用通用阈值，在最大最小估计的限制下，其最优阈值即设定噪声阈值 σ表示噪声标准方差；采用软阈值法对分解后的小波系数进行如下处理，得到小波估计系数WT4′(a,τ)： 其中，sgn表示阶跃函数，当小波分解系数WT4(a,τ)＞0时，sgn(WT4(a,τ))的值为1；当小波分解系数WT4(a,τ)＜

0时，sgn(WT4(a,τ))的值为‑1；当小波分解系数WT4(a,τ)＝0时，sgn(WT4(a,τ))的值为0；

(3‑3)利用小波估计系数WT4′(a,τ)进行小波重构，得到去噪后的脑电信号：根据处理后的小波系数WT4′(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

4.如权利要求3所述的基于一维卷积核的运动想象脑电信号分类方法，其特征在于，步骤(4)具体是：(4‑1)小波包分解计算小波系数：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 对于不同的节点(w,μ)得到不同的小波系数

(4‑2)脑电信号重构：对于α和β频段的脑电波信号，选择二叉树中对应节点组合Ui，i∈(α,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：其中，xi表示i频段原始脑电波信号幅值；

(4‑3)将重构后得到的C3、Cz和C4通道的α和β频段的脑电数据构建成6×N二维矩阵，用作卷积神经网络的输入，N表示每个频段上的脑电信号幅值个数。

5.如权利要求4所述的基于一维卷积核的运动想象脑电信号分类方法，其特征在于：步骤(5)中，所述的卷积层：将6×N二维矩阵转换为3个1×1×2×N四维矩阵，第一维度表示单次运动想象，第二维度表示单个通道，第三维度表示α和β两个频段，第四维度表示每个频段上的脑电信号幅值；采用三个通道单独卷积的方式，选用一维卷积核，仅在时间上进行卷积；设卷积核大小为1×q，卷积核中第1行第j列的权重为w1j，与卷积核对应的时频矩阵块中每个元素的脑电信号幅值为v1j，则乘以卷积核后的输出 conva,b为卷积运算后得到的矩阵中，第a行第b列的数值；

在激活层之前加入了批正则化操作，批正则化后，对得到的矩阵中的每一个元素进行激活，激活函数选择如下所示的线性整流单元ReLu代替传统神经网络中的tanh和sigmod函数：za,b＝max(0,conva,b)，za,b表示卷积后的矩阵中第a行第b列的元素；

所述的全连接层：将卷积层提取到的局部特征合并在一起形成一维的全局特征向量，将该特征向量作为全连接层的输入；全连接层中的第l层的输出向量Ul，是上一层的输出向量Ul‑1乘以相应的权重矩阵并通过激活函数的响应得到；利用具有4个神经元的全连接层输出多分类任务的结果。

6.如权利要求5所述的基于一维卷积核的运动想象脑电信号分类方法，其特征在于：(6‑2)训练卷积神经网络模型，具体包括：

a.选取ReLu激活函数，该函数为分段线性函数，非负区间内的导数为常数；

b.反向传播，即优化交叉熵损失函数进行卷积神经网络模型训练，学习率设为0.01；其(i) (i)损失函数 其中，hθ(x )为第i个样本数据的预测值，y 为第i

个样本数据的真实值，m表示样本数据点个数，J(θ)为各个样本点的误差平方和；

c.在第一个全连接层中设置了Dropout，丢失率为0.5。