1.一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，包括：

获取脑电信号并进行相应预处理；对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；所述采用小波包变换进行频带分解，并采用互信息构建连通性矩阵，具体为：对预处理后的脑电信号采用小波包变换，分解为Theta、Alpha、Beta和Gamma四个频带，分别在每个频带上采用互信息构建连通性矩阵；

基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；基于最小生成树的脑网络提取特征，包括但不限于叶分数、中介核心性、树的层次、特征路径长度和度；基于阈值选择的脑网络提取特征，包括但不限于全局聚类系数、局部聚类系数和全局效率；

所述叶分数是指度为1的节点个数除以总节点的个数， 其中，F表示度为

1的节点数，N表示总的节点数，M表示所有连接的总数目；所述中介核心性是指经过节点i的路径的数量，其中，不包括节点i作为起止节点的路径， 其中，ρab(i)表示从节点a到b并且经过节点i的最短路径数，ρab表示从节点a到b的最短路径数；所述树的层次是指衡量缩短直径与防止中心节点过载之间的关系， 其中，F表示度为1的节点数，M表示所有连接的总数目，BCmax表示中介核心性的最大值；所述特征路径长度是指衡量脑网络的信息传递能力， 其中，n表示节点数，i和j分别表示不同的节点，dij表示网络中i和j节点之间的距离；所述度是指与一个节点i相连接的边的数量，DEG＝∑j∈Nwij；

对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；

将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。

2.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述构建基于最小生成树的脑网络，采用Prim算法。

3.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述特征融合的方式采用基于贝叶斯加权平均的方式。

4.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述情绪识别模型采用随机森林分类器模型。

5.如权利要求1所述的一种基于双层脑网络的脑电信号情绪识别方法，其特征在于，所述预处理包括但不限于眼电去除、降采样和基线校正。

6.一种基于双层脑网络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：获取脑电信号并进行相应预处理；

连通性矩阵构建模块，被配置为：对预处理后的脑电信号采用小波包变换进行频带分解，并采用互信息构建连通性矩阵；所述采用小波包变换进行频带分解，并采用互信息构建连通性矩阵，具体为：对预处理后的脑电信号采用小波包变换，分解为Theta、Alpha、Beta和Gamma四个频带，分别在每个频带上采用互信息构建连通性矩阵；

特征提取模块，被配置为：基于所述连通性矩阵，分别构建基于最小生成树的脑网络及基于阈值选择的脑网络，并分别进行特征提取；

基于最小生成树的脑网络提取特征，包括但不限于叶分数、中介核心性、树的层次、特征路径长度和度；基于阈值选择的脑网络提取特征，包括但不限于全局聚类系数、局部聚类系数和全局效率；

所述叶分数是指度为1的节点个数除以总节点的个数， 其中，F表示度为

1的节点数，N表示总的节点数，M表示所有连接的总数目；所述中介核心性是指经过节点i的路径的数量，其中，不包括节点i作为起止节点的路径， 其中，ρab(i)表示从节点a到b并且经过节点i的最短路径数，ρab表示从节点a到b的最短路径数；所述树的层次是指衡量缩短直径与防止中心节点过载之间的关系， 其中，F表示度为1的节点数，M表示所有连接的总数目，BCmac表示中介核心性的最大值；所述特征路径长度是指衡量脑网络的信息传递能力， 其中，n表示节点数，i和j分别表示不同的节点，dij表示网络中i和j节点之间的距离；所述度是指与一个节点i相连接的边的数量，DEG＝∑j∈Nwij；

特征融合模块，被配置为：对双层脑网络中提取的特征进行特征融合，获得融合后的特征向量；

情绪识别模块，被配置为：将融合后的特征向量输入预先训练的情绪识别模型中，获得情绪识别结果。

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任一项所述的基于双层脑网络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任一项所述的基于双层脑网络的脑电信号情绪识别方法中的步骤。