1.一种基于时序脑电数据的脑疾病分类方法，其特征在于包括如下步骤：

构建具有时间属性的大脑连接网络；

对大脑连接网络进行特征提取与选择，获得伪二值特征矩阵特征；

对伪二值特征矩阵特征进行降维处理，将降维后的特征送入分类器进行分类。

2.根据权利要求1所述的基于时序脑电数据的脑疾病分类方法，其特征在于，构建大脑连接网络时，

S11、确定AAL分区中的116个区域ROI；

S12、对于每个受试者，获取一段时间的fMRI数据，数据包括116个ROI和每个ROI在每个时间段的血氧浓度依赖性BOLD信号；

S13、对于每个受试者，利用血氧浓度依赖性BOLD信号来获得每个受试者中的每两个ROI之间皮尔逊相关系数，并且设置皮尔逊相关系数阈值PT，然后构建功能连通性矩阵116*

116，行和列均表示ROI，如果两个ROI之间的皮尔逊相关系数的绝对值在设置的皮尔逊相关系数阈值PT范围中，则在功能连通性矩阵中将A和B这两个ROI标记为1，如果不在PT范围中，则标记这两个ROI为0，用上述步骤为每个受试者均构建功能连通性网络。

3.根据权利要求2所述的基于时序脑电数据的脑疾病分类方法，其特征在于，利用功能连通性网络构建动态连接网络，S21、对得到一段时间的fMRI数据重新进行时间切分，设置相同的步长，将一段时间重新切割为T份；

S22、时间切分完成后，得到了T份时间片，每一份时间片的ROI都有此刻的血氧浓度依赖性BOLD信号数值，对这T份时间片进行相邻BOLD信号数值的差值计算， T={T1,T2,T3...Tt}，分别计算T2‑T1,T3‑T2...Tt‑T(t‑1)的BOLD信号差值，得到T‑1组差值；

S23、对于每个受试者，为每一个差值组都构建一个116*116动态连接网络，初始值均为

0，行和列均表示ROI，构建T‑1组动态连接网络。

4.根据权利要求3所述的基于时序脑电数据的脑疾病分类方法，其特征在于，步骤S23中，对于Tm和Tn两个时间片来说，在Tm和Tn两个时刻均已测定各自时刻的BOLD信号数值，那么从Tm到Tn时刻，在每一个ROI中，会存在两种情况：情况1、从Tm到Tn时刻，BOLD信号数值变大了；

情况2、从Tm到Tn时刻，BOLD信号数值变小了；

在每一个ROI中，ROI={ROI1,ROI2,ROI3...ROI116}，如果在ROIm和ROIn中，如果ROIm存在情况1且ROIn存在情况2，或者ROIm存在情况2且ROIn存在情况1,那么ROIm和ROIn在这个时间片段Tt中具有BOLD信号变化异步性，其中， 0

对于每个受试者，在每一组动态连接网络中，如果ROIm和ROIn存在BOLD信号变化异步性，同时ROIm和ROIn之间也是具有相关性的；那么在构建的动态连接网络116*116中，将ROIm和ROIn之间标记为1，反之如果两个要求有一个不满足，则标记为0。

5.根据权利要求4所述的基于时序脑电数据的脑疾病分类方法，其特征在于，关于ROIm和ROIn的相关性，在功能连通性网络中，如果两个ROI之间标记为1，则表示具有相关性，如果标记为0，则表示没有相关性。

6.根据权利要求4所述的基于时序脑电数据的脑疾病分类方法，其特征在于，利用距离属性连接T‑1组动态连接网络；

S31、由于相邻时间间隔是T2‑T1,T3‑T2...Tt‑T(t‑1)，在时间顺序上T2‑T1一定在T3‑T2前面，使用世界坐标系，计算每两个ROI在人脑中的相对距离，并且设置距离阈值DT；

S32、对于得到T‑1组不同的动态连接网络，首先就要确保时间顺序是正确的，在后面的连接动态连接网络中要按照时间顺序输入网络进行连接，将T‑1组网络按时间顺序定义为Network={N1,N2,N3...N（T‑1）}，在连接动态连接网络时，连接顺序就是N1→N2→N3...→N（T‑1）；

S33、在N1网络中，按行遍历所有ROI，当遍历到节点ROIn，n=1,2,3...116时，如果存在ROIm与ROIn存在BOLD信号变化异步性和相关性，并且ROIm和ROIn的距离在设置的距离阈值DT范围之内，那么将ROIm和ROIn提取出来进行连接：ROIn→ROIm；

S34、然后转向ROIm，步骤S33中连接ROIm和ROIn是在N1网络中进行的，现在转向N2网络，在N2网络中，在ROIm行，同样寻找存在两个节点的BOLD信号变化异步性和相关性，并且两个节点的距离在阈值DT范围之内都符合要求的节点ROIq，然后将ROIq提取出来与前面的ROIn和ROIm一起相连：ROIn→ROIm→ROIq；

S35、按照上面方法锁定N3网络，找ROIq行符合要求的节点，再提取出来进行连接，然后再锁定N4网络，锁定不同网络循环上述锁定网络方法，直到顺序锁定到最后一个网络即可停止，以此循环便可为每一个ROI都构建了一条以该ROI为起始节点的具有时间属性的连接网络，为所有受试者都构建上述具有时间属性的连接网络，就能构成具有时间属性的连接网络组。

7.根据权利要求6所述的基于时序脑电数据的脑疾病分类方法，其特征在于，进行特征提取和选择时：

S41、获取频繁三序列特征，在具有时间属性的连接网络组中，设置频繁节点阈值出现次数NT，如果在具有时间属性的连接网络组中的每一条时间序列连接中，一个节点在该时间序列连接中，出现次数在频繁节点阈值NT范围之内，那么该节点为频繁节点，然后在具有时间属性的连接网络组中，寻找与该频繁节点相连接的前后两个节点，将它们单独提取出来形成新的连接，其中如果频繁节点是网络的头部或尾部节点，采取删除该节点的方式来保证数据格式的一致性；

S42、通过步骤S41获得若干频繁三序列组，在这些频繁三序列组中，会存在很多重复频繁三序列，在这些频繁三序列组中，继续挖掘出现最频繁的三序列，设置最频繁三序列出现次数阈值SNT，如果一个频繁三序列在整个频繁三序列组中的出现次数在SNT范围之内，将该频繁三序列提取出来作为最终的序列特征，称为具有判别力频繁三序列；

S43、在所有具有判别力频繁三序列中，分别计算每个三序列的节点方差，确定每个具有判别力频繁三序列节点的分散能力，然后，设置方差阈值来保留节点分布集中的三序列，选取在一个分布范围最多的三序列作为最具判别力频繁三序列特征。

8.根据权利要求7所述的基于时序脑电数据的脑疾病分类方法，其特征在于，对所有受试者的大脑连接网络进行关联规则的挖掘，设置支持度和置信度阈值寻找网络中的节点关联规则,即序列规则，关联规则形如X→Y，即如果存在X，则必然会出现Y,在得到的关联规则中，删除A→B这种只具有两个节点的序列。

9.根据权利要求8所述的基于时序脑电数据的脑疾病分类方法，其特征在于，在最具判别力频繁三序列特征和序列规则特征中，特征的顺序都是具有时间属性和拥有严格先后顺序的，不能随意更改;最具判别力频繁三序列特征和序列规则特征中,每组特征的个数不全是相同的,不利于特征统一,因此设置具有全ROI区域的节点矩阵，将每组特征按照ROI编号对应放入节点矩阵中，并按照顺序为节点赋予依次加1的值放入矩阵中，起始值为1,其余未被赋予值的节点标记为0,为所有特征都进行上述操作，得到伪二值特征矩阵特征。

10.根据权利要求8所述的基于时序脑电数据的脑疾病分类方法，其特征在于，对伪二值特征矩阵特征使用PCA算法进行降维处理，将降维后的特征送入SVM分类器。