1.一种基于脑网络和多尺度排列熵的脑电信号情绪识别方法，其特征在于：包括以下过程：

对获取的脑电信号去除伪迹并进行降采样；

对降采样的脑电信号利用小波包变换进行分解，根据分解结果，采用互信息与最小生成树构建脑网络，提取脑网络特征；包括：在小波包变换分解得到的四个频带上分别采用互信息构建连通性矩阵；

对连通性矩阵中的每一个值取倒数；

采用Prim最小生成树算法保留连接所有通道节点的最大权值边，得到基于最小生成树的脑网络；

对降采样的脑电信号采用快速变分模态分解与小波包变换进行模态和频带分解，利用遗传算法优化多尺度排列熵的参数选择，得到非线性多尺度排列熵特征；

将提取出的脑网络特征与非线性多尺度排列熵特征进行特征的融合，得到融合后的特征向量；

根据融合后的特征向量和随机森林分类模型，得到情绪状态识别结果。

2.如权利要求1所述的基于脑网络和多尺度排列熵的脑电信号情绪识别方法，其特征在于：分解结果，包括四个频带：Theta、Alpha、Beta和Gamma。

3.如权利要求1所述的基于脑网络和多尺度排列熵的脑电信号情绪识别方法，其特征在于：脑网络特征包括：叶分数、中介核心性、树的层次、特征路径长度、度、全局效率和离心率。

4.如权利要求1所述的基于脑网络和多尺度排列熵的脑电信号情绪识别方法，其特征在于：2

遗传算法的适应度函数为1与Ske+1的比值，其中，Ske为偏度。

5.如权利要求1所述的基于脑网络和多尺度排列熵的脑电信号情绪识别方法，其特征在于：将提取出的脑网络特征与非线性多尺度排列熵特征进行线性融合。

6.一种基于脑网络和多尺度排列熵的脑电信号情绪识别系统，其特征在于：包括：

数据获取模块，被配置为：对获取的脑电信号去除伪迹并进行降采样；

脑网络特征提取模块，被配置为：对降采样的脑电信号利用小波包变换进行分解，根据分解结果，采用互信息与最小生成树构建脑网络，提取脑网络特征；包括：在小波包变换分解得到的四个频带上分别采用互信息构建连通性矩阵；

对连通性矩阵中的每一个值取倒数；

采用Prim最小生成树算法保留连接所有通道节点的最大权值边，得到基于最小生成树的脑网络；

非线性多尺度排列熵提取模块，被配置为：对降采样的脑电信号采用快速变分模态分解与小波包变换进行模态和频带分解，利用遗传算法优化多尺度排列熵的参数选择，得到非线性多尺度排列熵特征；

特征融合模块，被配置为：将提取出的脑网络特征与非线性多尺度排列熵特征进行特征的融合，得到融合后的特征向量；

情绪识别模块，被配置为：根据融合后的特征向量和随机森林分类模型，得到情绪状态识别结果。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑5任一项所述的基于脑网络和多尺度排列熵的脑电信号情绪识别方法中的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5任一项所述的基于脑网络和多尺度排列熵的脑电信号情绪识别方法中的步骤。