1.一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：包括以下步骤：步骤一、对被测对象进行脑电采集，提取所得脑电信号中各通道的目标特征，作为被识别数据；目标特征为DE、DASM和DCAU特征中的任意一个；

d

步骤二、根据步骤一得到的被识别数据，计算两个通道之间的物理信息矩阵A、相关性p c矩阵A、因果关系矩阵A；

d

物理信息矩阵A表示为：

其中，θ是确定径向作用范围的带宽；ci和cj表示任意通道的特征；τ是边界，dist(i,j)则表示特征ci和特征cj之间的距离；

F

步骤三、构建邻接矩阵A如下：

其中， 代表矩阵元素逐点相加； 分别表示物理信息矩阵、相关性矩阵、因果关系矩阵的对应位置元素；

步骤四、构建正则化矩阵L如下：

‑1/2 F ‑1/2

L＝IN‑D AD

N*N

其中，IN是单位矩阵；D∈R 是图的度矩阵； 计算得到；

步骤五、对目标特征和正则化矩阵L进行图卷积操作，完成特征提取；

步骤六、将步骤五所得特征输入经过训练的深度可分离卷积网络，所得特征图输入全连接层，进行分类，得到被测对象进行脑电采集时的情感类别。

2.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：步骤一所述的目标特征为DE特征。

3.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：p

步骤二中，相关性矩阵A表示为：

其中，cov(i,j)为特征ci和特征cj之间的协方差；σi、σj分别为特征ci、特征cj的标准差。

4.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：c

步骤二中，因果关系矩阵A表示为：

其中， 是特征ci在单变量AR模型中的预测误差方差； ei是特征ci在单变量AR模型的预测误差； 是特征ci对特征cj的二元AR模型的预测误差方差；

eji分别是特征ci对特征cj的二元预测误差。

5.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：步骤五中提取的特征y的表达式如下：其中，K为切比雪夫多项式的阶数；θk为切比雪夫多项式的系数； 为递归表达式；k＝

0,1,...K‑1； 的表达式为λmax是对角矩阵Λ的最大元素；对角矩阵Λ通过正则化矩阵L奇异值分解得到。

6.根据权利要求1所述的一种基于融合图卷积网络的脑电情绪识别方法，其特征在于：被识别的情感类别包括积极、中性和消极。

7.一种脑电情绪识别系统，包括脑电采集模块；其特征在于：还包括通道关系提取模块、图卷积模块和识别模块；所述脑电情绪识别系统用于执行如权利要求1‑6中任意一项所述方法；

脑电采集模块用于对被测对象进行脑电采集和预处理；关系提取模块用于提取脑电通道间的距离关系、相关性关系和因果性关系，并进行融合，得到正则化矩阵；图卷积模块用于对脑电信号中的目标特征和正则化矩阵进行图卷积操作；识别模块用于通过深度可分离卷积网络和全连接层对图卷积模块输出的特征进行识别，获得被测对象进行脑电采集时的情感类别。

8.一种计算机设备，包括存储器和至少一个处理器；其特征在于：所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1‑6中任意一项所述的识别方法。

9.一种可读存储介质，存储有计算机指令；其特征在于：所述计算机指令被处理器执行时用于实现如权利要求1‑6中任意一项所述的识别方法。