1.一种基于多特征融合和CLSTN的脑电情绪识别方法，其特征在于，包括以下步骤:(1)采集情绪脑电数据；

用户观看带有情绪的视频剪辑片段，根据三种不同的情绪状态记录对应的标签，根据国际标准10‑20系统电极位置，采集其情绪相关通道的脑电数据；

(2)预处理数据；

对记录的脑电信号进行预处理，通过陷波滤波器去除工频干扰，通过0.5‑45Hz的带通滤波去除噪声，通过降采样减少数据量与计算量，通过重参考平均电极电位，通过独立成分分析去除眼电、肌电噪声；

(3)多特征融合；

对预处理后的脑电信号进行功率谱密度、微分熵和小波包分解三种特征的提取与融合，得到最终特征，输入至CLSTN模型；

(4)搭建与训练CLSTN模型；

通过组合卷积与长短期时间序列模块对提取的特征进行学习，通过注意力机制调整参数，通过SOFTMAX函数进行分类，通过Adam算法进行优化，搭建与训练脑电情绪识别的CLSTN模型；具体包括：通过组合卷积与长短期时间序列模块，搭建与训练脑电情绪识别的CLSTN模型；通过将

6个特征输入6个卷积模块提取频域及空间域信息，按顺序组合得到的6个输出，通过输入到长短期时间序列模块提取时域信息，通过SOFTMAX激活函数进行最终分类；卷积模块包含五个不同的卷积层、一个最大池化层、一个扁平层和一个全连接层，长短期时间序列模块由卷积层、循环层、循环‑跳跃层、时间注意层和自回归层组成，通过注意力机制调整循环‑跳跃层的超参数，通过将循环层和循环‑跳跃层的输出进行组合输入到全连接层，将全连接层的输出与自回归层的输出相结合，通过SOFTMAX激活函数得到最终的分类结果，使用交叉熵作为损失计算，使用Adam优化算法，并将学习率、epoch和批处理大小分别设置为0.001、100和

128来对模型进行训练。

2.根据权利要求1所述的基于多特征融合和CLSTN的脑电情绪识别方法，其特征在于，通过使用离散傅里叶的方法来计算功率谱密度，其计算公式为：2

PSD＝{∑[abs(DFTi)]}/(EndPos‑StartPos) (1)其中DFTi表示通过离散傅里叶变换得到的第i个点对应的信号数值，EndPos与StartPos分别表示一个频段的结束点位置与开始点位置；对离散傅里叶后得到的信号取其模的平方，获得该频率的功率谱密度，再对整个频段所有点平均，最后得到频段的平均功率谱密度作为特征；

通过频段计算微分熵特征，其计算公式为：

其中，x表示为连续的信息，p(x)表示概率密度函数，[a，b]表示取值区间；

通过频段计算小波包分解特征，其计算公式为：

其中Cn,k表示小波分解级的kth近似成分；Dj,k表示分解级的kth细节部分；ψ(t)表示小波函数。

3.根据权利要求1所述的基于多特征融合和CLSTN的脑电情绪识别方法，其特征在于，在步骤(3)多特征融合中，所述的多特征提取与融合包括：通过对信号以0.5秒的时间窗口划分为相等不重叠的信号片段，增加数据量以及划分时域信息；通过对信号按0.5～4.5Hz、4～8Hz、8～13Hz、13～30Hz、30～42Hz滤波获取delta、theta、alpha、beta和gamma五个频段；通过使用离散傅里叶的方法来计算功率谱密度，通过频段计算微分熵特征和小波包分解特征，通过将与每个大脑区域相关的电极位置映射到一个二维矩阵中，以获取空间信息；将每个电极所对应的三种特征进行融合放入二维矩阵中，得到最终特征。

4.根据权利要求1所述的基于多特征融合和CLSTN的脑电情绪识别方法，其特征在于，所述的长短期时间序列模块是：t时刻各循环单元计算为：其中，⊙表示按位乘运算，σ表示sigmoid激活函数，xt表示在t时刻该层的输入，p表示跳过的隐藏单元的数量，在循环层中p为1，表示不跳过单元；同时使用整流线性单元作为隐藏层激活函数，来输出每个时间段的隐藏状态，通过注意力机制调整循环‑跳跃层的超参数，其计算公式为:其中,αt表示t时刻的注意力权重， 表示循环层中隐藏特征，AttnScore表示计算注意力的相似性函数，通过将循环层和循环‑跳跃层的输出进行组合输入到全连接层，将全连接层的输出与自回归层的输出相结合，通过SOFTMAX激活函数得到最终的分类结果；模型训练阶段，使用交叉熵来计算损失，其计算公式为：其中，x表示输入的样本，y表示最终期望的输出，a则表示为实际神经元的输出，n表示输入样本的总体数量。

5.一种基于多特征融合和CLSTN的脑电情绪识别方法的系统，其特征在于包括：情绪脑电数据采集模块，用于获取和保存情绪脑电数据；

数据预处理模块，对采集的数据进行预处理，用于后续特征提取与融合；

多特征融合模块，对预处理后的数据进行特征提取，用于后续模型输入；

CLSTN模型搭建与训练模块，通过卷积模块与长短期时间序列模块搭建模型，使用提取的特征训练和保存模型，用于后续情绪识别；具体包括：通过组合卷积与长短期时间序列模块，搭建与训练脑电情绪识别的CLSTN模型；通过将

6个特征输入6个卷积模块提取频域及空间域信息，按顺序组合得到的6个输出，通过输入到长短期时间序列模块提取时域信息，通过SOFTMAX激活函数进行最终分类；卷积模块包含五个不同的卷积层、一个最大池化层、一个扁平层和一个全连接层，长短期时间序列模块由卷积层、循环层、循环‑跳跃层、时间注意层和自回归层组成，通过注意力机制调整循环‑跳跃层的超参数，通过将循环层和循环‑跳跃层的输出进行组合输入到全连接层，将全连接层的输出与自回归层的输出相结合，通过SOFTMAX激活函数得到最终的分类结果，使用交叉熵作为损失计算，使用Adam优化算法，并将学习率、epoch和批处理大小分别设置为0.001、100和

128来对模型进行训练；

情绪识别模块，用于脑电情绪的识别与结果显示。

6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑4中任一项所述的基于多特征融合和CLSTN的脑电情绪识别方法。

7.一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1‑4中任一项所述的方法。