1.基于四维注意力卷积循环神经网络的疲劳分类方法，其特征在于，包括以下步骤：S1、采集脑电信号并输入四维特征提取模块，提取脑电信号的四维特征；

S2、将提取到的四维特征输入注意力模块，到拥有空间‑通道注意力的特征；

S3、将拥有空间‑通道注意力的特征输入卷积循环神经网络模块，进行疲劳分类；所述卷积循环神经网络模块由卷积神经网络、循环神经网络和线性分类层组成；

所述卷积神经网络依次包括三个深度可分离卷积层、一个双分支卷积层、两个深度可分离卷积层、一个平均池化层和一个线性层；

双分支卷积层由两条支路组成，每条支路分别对一半通道的信号进行深度可分离卷积，第一条支路使用一层深度可分离卷积层，第二条支路使用两层深度可分离卷积层，最后将两条支路输出的特征进行融合后输出；

所述循环神经网络采用两层LSTM；

所述线性分类层由两层线性层组成，通过线性变换的方式使用两层线性层对循环神经网络输出的特征进行最终的输出，最终输出为一个预测值，将预测值同标签阈值进行比较得到预测分类结果：当预测值y'大于或等于预设阈值P时，则视为疲劳Fatigue；否则视为清醒Wake。

2.根据权利要求1所述的基于四维注意力卷积循环神经网络的疲劳分类方法，其特征在于，所述步骤S1具体实现方法为：S11、利用多个电极采集脑电信号，将每个通道采集到的脑电信号分别划分为多个不重叠的脑电信号片段；

S12、将每个脑电信号片段以0.5秒大小的窗口进行划分，然后将每个0.5秒的信号用巴特沃斯滤波器分解为δ、θ、α、β和γ五个频带，其中δ频带的频率为0.5～3Hz，θ频带的频率为

4～7Hz，α频带的频率为8～13Hz、β频带的频率为14～30Hz，γ频带的频率为30～50Hz；

S13、分别从五个频带的信号中提取微分熵特征：

其中，σi表示第i个0.5秒信号的标准差；

对于每个脑电信号片段，以窗口大小为0.5秒来计算每个频带的微分熵，然后将0.5秒内每个频带的所有通道的微分熵转换为二维矩阵，得到5个二维矩阵，每个脑电信号片段一共得到2T个窗口大小为0.5秒的五个二维矩阵；然后将一个脑电信号片段内所有窗口的信h×w×d×2T号按照时间顺序连接起来，得到该脑电信号片段的四维特征，表示为Xn∈R ，n＝1,

2,…,N；其中N表示总样本的数量，h和w分别表示转换的二维矩阵的高和宽，d为频带数，T表示采样时间。

3.根据权利要求1所述的基于四维注意力卷积循环神经网络的疲劳分类方法，其特征在于，所述注意力模块由空间注意力和通道注意力的两部分组成，空间注意力部分先在通道上进行压缩，再在空间部分上进行激励，最后得到拥有空间注意力的特征；通道注意力部分先通过一个全局池化层和两个线性层和激活函数，再在通道部分上进行激励，最后得到拥有通道注意力的特征；最后将拥有空间注意力的特征和拥有通道注意力的特征进行特征结合，得到拥有空间‑通道注意力的特征。