1.一种基于自适应多视角深度学习框架的脑电信号识别方法，其特征在于：包括以下步骤：步骤一：将预处理后的EEG信号带入预设的EEG专用深度神经网络提取出所有局部视角特征以及全局视角特征；所述局部视角为每个大脑功能区域对应一个局部视角；所述全局视角为全部的大脑功能区域对应的全局视角；

步骤二：构建基于局部视角特征、全局视角特征的自适应多视角加权注意力机制深度神经网络并且进行训练；利用注意力机制学习不同大脑功能区域的局部视角的之间的权重后，利用注意力机制学习局部视角加权后的特征与全局视角之间的权重后；通过权重组合出组合局部特征；从而输出判别性深度特征；

步骤一中对EEG信号预处理以及提取特征具体包括：

S11：预设EEG信号的时间段为T，有N个通道，时间段T中包括s×f个时间点，s表示秒数，f表示采样频率；

将整个大脑划分为J个不同的功能区域，其中N大于等于J；每个大脑功能区域均对应至少一个通道的EEG信号；将EEG信号中第k个通道信号表示为 其中k＝

1,2,…,N，j＝1,2,…,J， 表示第k个EEG通道在时间点t的观测值；上标j表示第k个通道的EEG信号 位于第j个大脑功能区域；

S12：根据大脑功能区域不同，每个功能区域对应一个局部视角；将N个通道根据其对应的功能区归类于J个区域，从而得到每个局部视角的EEG信号，表示为：(1)式中，第j个大脑功能区域对应于第j个局部视角；nj表示第j个大脑功能区域具有nj个通道，且满足条件n1+n2+...+nJ＝N；

全局视角的EEG信号则为所有局部视角的EEG信号的组合，表示为：G＝[L1,L2,…,LJ]                              (2)；

S13:将局部视角的EEG信号以及全局视角的EEG信号均输入预设的EEG专用卷积神经网络，即可得到每个局部视角的局部视角特征以及全局视角的全局视角特征；

步骤二具体包括以下步骤：

S21：每个局部视角特征表示为 j＝1,2,…,J； 为每个局部视角下EEG数据的深度特征表示 通过全局池化层将Xj的空间信息压缩到一个维度为C的特征图e中；则第j个局部原始深度特征ej为：(3)式中，H与W分别表示卷积核的长度和宽度；

S22：将ej输入两个连续的全连接层，获得每个局部视角的类别分数sj， 如式(4)所示(4)式中， 表示权重， 为偏置，σ(·)表示sigmoid函数；

S23：将J个局部视角的类别分数拼接得到注意力表示 再次将s输入两个连续的全连接层，可以得到：

m＝W″σ(W′s)+b′                                (5)；

(5)式中， 和 表示权重， 为偏置，σ(·)表示sigmoid函数；

将m输入函数softmax即公式(6)，得到多个局部视角下深度特征的概率输出向量P：p＝softmax(m)                              (6)；

S24、将概率输出向量中每个分量与对应局部视角下的深度特征相乘，得到J个加权后的多个局部视角特征，将多个局部视角特征加权后得到组合局部特征Zl：S25：所述全局视角特征表示为 为全局视角下EEG数据全局深度特征表示以全局视角特征Xg、所有局部视角特征Xj以及两者之间进行如步骤S21‑S24的权重计算，得到判别性深度特征

2.根据权利要求1所述的一种基于自适应多视角深度学习框架的脑电信号识别方法，其特征在于：所述预设的EEG专用卷积神经网络包括ConvNet_S模型、ConvNet_D模型结构、EEGNet模型结构。

3.根据权利要求1所述的一种基于自适应多视角深度学习框架的脑电信号识别方法，其特征在于：还包括利用预设的分类误差函数对输出的判别性深度特征进行评价并更新自适应多视角加权注意力机制深度神经网络参数；具体包括：先将判别性深度特征Zg输入全连接层进行编码，并将编码后的向量z输入到最终的softmax函数中；

(8)式中，Wl,g和bl,g分别表示分类层的权重和偏置；

采用公式(9)的交叉熵损失函数计算分类误差公式(9)为：(9)式中，yc和 分别表示向量z的真实标签以及属于类别c的预测概率。

4.根据权利要求1所述的一种基于自适应多视角深度学习框架的脑电信号识别方法，其特征在于：所述大脑功能区域包括额叶、中央、顶叶、枕叶、颞叶；所述局部视角对应于额叶视角、中央视角、顶叶视角、枕叶视角、颞叶视角。