1.一种利用深度学习模型分析脑电波的情绪识别方法，其特征在于，包括：采集脑电信号；

将所述脑电信号的特征映射到脑电地形图上；

从所述脑电地形图中提取出梯度特征；

将所述梯度特征输入到预设的深度学习模型中，得到情绪识别结果；

所述从所述脑电地形图中提取出梯度特征，包括：gamma

通过公式H(x,y)＝h(x,y) 对所述脑电地形图进行色彩和伽马空间的归一化处理；

其中，h(x,y)代表所述脑电地形图中的像素点在(x,y)处的像素值，伽马为校正值，H(x,y)代表处理后像素点在(x,y)处的像素值；

通过公式 计算得到所述脑电地形图中的像素点(x,y)在水平方向上的梯度值Gx(x,y)和像素点(x,y)在垂直方向上的梯度值Gy(x,y)；

将所述脑电地形图分割为若干个单位的细胞，根据所述细胞中像素点(x,y)在水平方向上的梯度值和在垂直方向上的梯度值构建各细胞单元的梯度方向直方图；

将所述各细胞单元的梯度方向直方图合并，得到整体梯度方向直方图；

在所述将所述脑电信号的特征映射到脑电地形图上之后，还包括：若生成的脑电地形图对于单一颜色覆盖小于图片3/5，说明数据正常，则进行后续过程。

2.如权利要求1所述的利用深度学习模型分析脑电波的情绪识别方法，其特征在于，所述将所述脑电信号的特征映射到脑电地形图上，包括：将所述脑电信号的特征映射到脑机接口设备的导极空间位置上生成脑电地形图。

3.如权利要求1所述的利用深度学习模型分析脑电波的情绪识别方法，其特征在于，在所述采集脑电信号之后，还包括：对所述脑电信号进行去噪、平滑滤波和频域特征提取处理。

4.一种利用深度学习模型分析脑电波的情绪识别系统，其特征在于，包括：脑电信号采集模块，用于采集脑电信号；

脑电地形图生成模块，用于将所述脑电信号的特征映射到脑电地形图上；

梯度特征提取模块，用于从所述脑电地形图中提取出梯度特征；

情绪识别模块，用于将所述梯度特征输入到预设的深度学习模型中，得到情绪识别结果；

所述梯度特征提取模块，包括：

gamma

归一化单元，用于通过公式H(x,y)＝h(x,y) 对所述脑电地形图进行色彩和伽马空间的归一化处理；其中，h(x,y)代表所述脑电地形图中的像素点在(x,y)处的像素值，伽马为校正值，H(x,y)代表处理后像素点在(x,y)处的像素值；

梯度值计算单元，用于通过公式 计算得到所述脑电地形图中的像素点(x,y)在水平方向上的梯度值Gx(x,y)和像素点(x,y)在垂直方向上的梯度值Gy(x,y)；

梯度方向直方图构建单元，用于将所述脑电地形图分割为若干个单位的细胞，根据所述细胞中像素点(x,y)在水平方向上的梯度值和在垂直方向上的梯度值构建各细胞单元的梯度方向直方图；

梯度方向直方图合并单元，用于将所述各细胞单元的梯度方向直方图合并，得到整体梯度方向直方图；

还包括：

数据检测模块，若生成的脑电地形图对于单一颜色覆盖小于图片3/5，说明数据正常，则进行后续过程。

5.如权利要求4所述的利用深度学习模型分析脑电波的情绪识别系统，其特征在于，所述脑电地形图生成模块，具体用于将所述脑电信号的特征映射到脑机接口设备的导极空间位置上生成脑电地形图。

6.如权利要求4所述的利用深度学习模型分析脑电波的情绪识别系统，其特征在于，还包括：数据预处理模块，用于对所述脑电信号进行去噪、平滑滤波和频域特征提取处理。