1.一种基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，其包括以下步骤：步骤1：获取脑电数据集，利用线脉冲响应带通滤波对脑电数据集进行预处理；

利用线脉冲响应带通滤波器对原始脑电数据集进行带通滤波，得到滤波后的脑电数据集；将滤波后的脑电数据集进行分段，划分为脑电数据训练集和脑电数据测试集；

步骤2：计算预处理后脑电数据集的Hjorth参数，构建脑电数据集特征矩阵；

所述脑电数据集的Hjorth参数包括活动性特征f1、移动性特征f2和复杂性特征f3；根据脑电数据训练集确定Hjorth参数，组建特征矩阵F如下式所示：式中：F表示Hjorth参数的特征矩阵；f11…f61分别表示第1个…第6个通道的活动性特征；f12…f62分别表示第1个…第6个通道的移动性特征；f13…f63分别表示第1个…第6个通道的复杂性特征；

步骤3：根据Hjorth参数的特征矩阵，建立宽度学习系统模型；

步骤31：获取步骤2确定的Hjorth参数的特征矩阵，利用输入数据映射的特征作为特征节点，对于n个特征映射节点，每个特征映射生成k个节点，特征节点的特征映射表示为：Zi＝Φ(FWei+βei)，i＝1，...，n；

式中：Zi表示第i个特征节点的特征映射，i＝1，…，n；Wei和βei分别表示第i个特征节点生成的第一和第二权重；Φ表示特征节点的特征映射传递函数；n表示特征映射节点个数；

n

对原始脑电数据的n个特征映射得到一组特征节点的特征映射向量Z，如下所示：n

Z＝[Z1，...，Zn]；

n

式中：Z表示特征节点的特征映射向量；

步骤32：获取增强节点的特征映射，利用特征节点生成的权重通过进一步特征映射得到第j组增强节点的特征映射Hj，如下所示：n

Hj＝ξ(ZWhj)，j＝1，...，m；

式中：Hj表示第j个增强节点的特征映射，j＝1，…，m；Whj表示第j个特征节点经过特征映射生成的权重，j＝1，…，m；ξ表示对增强节点的特征映射传递函数；m表示增强节点个数；

m

对前m组增强节点的特征进行映射，获得增强节点的特征映射向量H，如下所示：m

H＝[H1，...，Hm]；

m

式中：H表示增强节点的特征映射向量；

n m

步骤33：将特征节点的特征映射向量Z 与增强节点的特征映射向量H拼接在一起作为宽度学习系统模型的输入层，如下所示；

n m

A＝[Z|H]；

式中：A表示宽度学习系统模型的输入层；

步骤34：获取宽度学习系统模型在脑电数据解码任务上的权重矩阵，通过模型的输出n m向量Y和输入层[Z|H]之间权重模型矩阵 构建输出表达式如下所示：式中：Y表示宽度学习系统模型的输出向量； 表示宽度学习系统的权重模型矩阵；

权重模型矩阵 的计算结果如下所示：

n m + n m

式中：[Z|H ]表示输入层[Z |H]的伪逆；λ表示权重模型矩阵的岭参数；I表示权重模T型矩阵的单位矩阵；A表示宽度学习系统模型的输入层的转置；

步骤4：根据宽度学习系统模型，对脑电数据进行解码；

提取步骤1中脑电数据测试集的Hjorth参数特征，并利用步骤3建立的宽度学习系统模型，完成对脑电数据的解码。

2.根据权利要求1所述的基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，所述步骤1中的对原始脑电数据集进行2～40Hz的带通滤波。

3.根据权利要求1所述的基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，所述步骤2中的活动性特征f1的获取方法如下所示：f1＝Activity(S(t))＝var(S(t))；

式中：f1＝Activity(S(t))表示Hjorth参数的活动性特征；S(t)表示脑电数据集；var(S(t))表示脑电数据集的方差；t表示脑电数据采集时间。

4.根据权利要求1所述的基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，所述步骤2中的移动性特征f2的获取方法如下所示：式中：f2＝Mobility(S(t))表示Hjorth参数的移动性特征；dS(t)/dt表示脑电数据集对时间的导数。

5.根据权利要求1所述的基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，所述步骤2中的复杂性特征f3的获取方法如下所示；

式中：f3＝Compllexity(S(t))表示Hjorth参数的复杂性特征。

6.根据权利要求1所述的基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其特征在于，所述步骤33中的宽度学习系统模型的输入层，具体为：n

输入脑电特征集根据设定的权重和偏差值进行映射，得到一组特征节点Z，在生成增强n m n节点时，同样将Z 根据设定的权重和偏差值进行映射，得到增强节点H ，将特征节点Z与增m n m强节点H拼接在一起作为宽度学习系统模型的输入层[Z|H]。