1.一种基于网络熵的脑认知状态识别方法，其特征在于，包括以下步骤：S1、构建基于脑电时间序列的复杂网络；

S2、判定所述复杂网络的连通性，计算所述复杂网络中任意子节点的网络最短距离；

S3、对任意子节点的网络最短距离的计算结果进行数学统计；

S4、根据所述数学统计的结果，计算基于多尺度网络空间距离的网络熵参数；

S5、将所述网络熵参数作为特征向量输入模式分类器，进行脑复杂网络认知状态的模式分类。

2.根据权利要求1所述的基于网络熵的脑认知状态识别方法，其特征在于，步骤S1具体包括：

S11、生成权重矩阵：

S12、生成邻接矩阵：

S13、根据权重矩阵和邻接矩阵，生成所述复杂网络任意节点对之间的邻接距离矩阵：其中，v为所述复杂网络的节点，ξ表示复杂网络的E条边的集合，W(i，j)为节点vi和节点vj的边的权重。

3.根据权利要求2所述的基于网络熵的脑认知状态识别方法，其特征在于，0

若任意节点对vi与vj存在网络的边连接，则该节点对的邻接距离D (i，j)与相应的边的权重W(i，j)相等；

0

若任意节点对vi与vj不存在网络的边连接，则该节点对的邻接距离D (i，j)赋值为无穷大。

4.根据权利要求2所述的基于网络熵的脑认知状态识别方法，其特征在于，对于无权图的复杂网络，邻接距离矩阵为：

5.根据权利要求1所述的基于网络熵的脑认知状态识别方法，其特征在于，步骤S2还包括：定义复杂网络中m个子节点的网络最短距离，对于任意m＝2个节点vi和vj的网络最短距离，定义为复杂网络中节点vi与vj的最短路径长度；对于任意m>2节点vk1，vk2，....，vkm的网络最短距离，定义为复杂网络中节点所对应的两两节点对之间的网络最短距离之和的最小值。

6.根据权利要求5所述的基于网络熵的脑认知状态识别方法，其特征在于，判定所述复杂网络的连通性包括：识别网络中的孤立节点或者孤立子网络，当网络中存在孤立节点，则定义该孤立节点与复杂网络中其他节点所组成的任意子节点的网络最短距离为无穷大。

7.根据权利要求6所述的基于网络熵的脑认知状态识别方法，其特征在于，计算所述复杂网络中任意子节点的网络最短距离包括步骤：(m)

S21、计算任意子节点m＝2的网络最短距离D (i，j)，定义N×N矩阵M‑1并赋初值为邻接

0 0

距离矩阵D，其中D为步骤S1中复杂网络的构建时所生成的任意节点对的邻接距离矩阵；利用Floyd算法，通过N次迭代运算，由矩阵M‑1生成矩阵MN－1，得到子节点m＝2的网络最短距离(2)

D ＝MN－1；

(3)

S22、计算任意子节点m＝3的网络最短距离D (i，j，k)：(2) (2) (2)

Dsum＝D (i，j)+D (i，k)+D (j，k)，(3) (2) (2) (2)D (i，j，k)＝Dsum‑max(D (i，j)+D (i，k)+D (j，k))；

(m)

S23、计算任意子节点m＝4，5，....，N的网络最短距离D ，设定子节点m‑1的网络最短(m‑1) (m‑1) (m)距离的结果计算为D ，根据D 的计算结果，迭代得出子节点m的网络最短距离D 。

8.根据权利要求1所述的基于网络熵的脑认知状态识别方法，其特征在于，步骤S3包括：节点数为N的复杂网络，形成m个子节点的网络最短距离的结果总数为 根据共计(m)

个网络最短距离D 的数值结果统计分布，设有t个网络距离计算结果hi，其中i＝1，2，

3，....，t，且每个hi的网络距离结果的统计数量分别为ni，有

9.根据权利要求8所述的基于网络熵的脑认知状态识别方法，其特征在于，步骤S4包括：每个hi的网络距离结果的统计数量分别为ni，则每个网络距离计算结果hi的频率为：根据香农熵的定义，网络熵参数为：其中，子节点数m取值为2，3，4，....，依次得到多尺度网络空间距离的网络熵参数S2，S3，....。

10.根据权利要求1所述的基于网络熵的脑认知状态识别方法，其特征在于，所述模式分类器基于机器学习模型，包括神经网络模型、支持向量机、以及线性判决分类器。