1.一种基于注意力和3D密集连接神经网络的运动想象分类方法，其特征在于，包括：获取脑电信号数据集，并根据所述脑电信号数据集构建三维表征数据；

将所述三维表征数据输入到空间‑频谱‑时间注意力模块，动态捕捉不同脑电信号通道、频段和时间的特征，得到空间‑频谱‑时间信息；

将所述空间‑频谱‑时间信息输入到所述3D密集连接神经网络中，利用跨阶段结构得到两个梯度流特征；

利用特征融合策略将所述两个梯度流特征进行融合，得到特征分类模型；

所述获取脑电信号数据集，并根据所述脑电信号数据集构建三维表征数据，包括：根据预设比例将所述脑电信号数据集划分为训练数据集和验证数据集；

使用短时傅里叶变换分别提取所述训练数据集和所述验证数据集中的0‑30Hz频段内的频谱特征和执行运动想象任务20s内的时间序列特征；

将从每个脑电信号通道中同一时间提取的所述频谱特征和所述时间序列特征结合，得到所述训练数据集的三维表征数据和所述验证数据集的三维表征数据；

所述使用短时傅里叶变换分别提取所述训练数据集和所述验证数据集中的0‑30Hz频段内的频谱特征和执行运动想象任务20s内的时间序列特征，包括：在0‑30Hz频段中选取四个不重叠的频段，在所述训练数据集和所述验证数据集中按照每个频段和所有脑电信号通道的不同时间序列，获得频谱特征和时间序列特征；

所述将从每个脑电信号通道中同一时间提取的所述频谱特征和所述时间序列特征结合，得到所述训练数据集的三维表征数据和所述验证数据集的三维表征数据，包括：根据脑电信号通道，将所述频谱特征和所述时间序列特征，分别转换为2D地图；

对所述2D地图进行三次样条插值；

以频段长度为B和时间序列数量为T分别作为三维特征图的长度，堆叠所有2D地图，得到所述训练数据集的三维表征数据和所述验证数据集的三维表征数据；

所述将所述三维表征数据输入到空间‑频谱‑时间注意力模块，动态捕捉不同脑电信号通道、频段和时间的特征，得到空间‑频谱‑时间信息，包括：将所述三维表征数据中的空间‑频谱特征输入第一卷积层，得到特征图M1；

对所述特征图M1进行通道全局池化操作；

构建空间‑频谱注意力模块，将池化处理后的特征图M1分别导入两个池化层，得到特征图A11和特征图A12；

将所述特征图A11和所述特征图A12进行重塑，得到高分辨率的特征图R11和特征图R12；

根据特征图R11和softmax函数，得到频谱注意力矩阵；根据特征图R12和softmax函数，得到空间注意力矩阵；

根据所述频谱注意力矩阵和所述空间注意力矩阵，得到空间‑频谱特征图；

所述将所述三维表征数据输入到空间‑频谱‑时间注意力模块，动态捕捉不同脑电信号通道、频段和时间的特征，得到空间‑频谱‑时间信息，包括：将所述三维表征数据中的空间‑时间特征输入第二卷积层，得到特征图M2；

将特征图M2进行时域全局平均池化操作，得到特征图A21和特征图A22；

将所述特征图A21和所述特征图A22进行重塑，得到高分辨率的特征图R21和特征图R22；

根据特征图R21和softmax函数，得到时间注意力矩阵；根据特征图R22和softmax函数，得到空间注意力矩阵；

根据所述空间注意力矩阵和所述时间注意力矩阵，得到空间‑时间特征图；

所述将所述空间‑频谱‑时间信息输入到所述3D密集连接神经网络中，利用跨阶段结构得到两个梯度流特征，包括：将所述空间‑频谱特征图和所述空间‑时间特征图分别分为两部分；

将一部分的所述空间‑频谱特征图和一部分的所述空间‑时间特征图分别输入到三维密集块中，三维密集块输出处理后的空间‑频谱特征图和空间‑时间特征图至过渡层；

将另一部分的空间‑频谱特征图和另一部分的所述空间‑时间特征图输入到过渡层；

所述利用特征融合策略将所述两个梯度流特征进行融合，得到特征分类模型，包括：过渡层将处理后的空间‑频谱特征图和空间‑时间特征图输出至融合层，并将另一部分的空间‑频谱特征图和另一部分的所述空间‑时间特征图输出至融合层；

融合层将处理后的空间‑频谱特征图、另一部分的空间‑频谱特征图、处理后的空间‑时间特征图和另一部分的空间‑频谱特征图进行融合，得到特征分类模型。

2.根据权利要求1所述的基于注意力和3D密集连接神经网络的运动想象分类方法，其特征在于，所述方法还包括：将训练数据集输入到特征分类模型中进行训练，训练预设次数后，使用验证数据集对特征分类模型进行验证；

若验证结果出现过拟合，则重新训练特征分类模型。