1.一种注意缺陷多动障碍辅助诊断方法，其特征在于，包括：

将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；

提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；

通过预设的TCN模块捕获的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；

通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；

将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果；

所述提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络，具体包括：对于第t个子窗体，使用三层CNN卷积操作获取更具判别性的数据表示，计算公式具体如下：其中，  是脑区i的第k个特征图，表示卷积操作， 表示第k个过滤器的权重，其宽度为L， 是偏置项； 是第t个时间窗内脑区i的时间序列数据；表示激活函数；CNN卷积模块有三层，每层分别进行Batch Normalization、ReLU激活和Dropout操作，每层过滤器个数分别为 、 和 ，每个过滤器的长度分别为 、 和 ，然后进行双线性池化操作，获取高阶功能连接网络，其计算公式具体如下：其中， 表示第t个窗口CNN卷积的输出， 是第t个窗体内脑区i的张量表示；H是所构建的高阶功能连接网络，是特征空间的整体表示，用于捕获特征激活的二阶统计信息，实现对大脑的表征；

所述通过预设的TCN模块捕获的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律，具体包括：提取每个子时间窗的高阶功能连接网络 的上三角元素，将每个子时间窗的高阶功能连接网络 的上三角元素拉伸成向量形式，然后通过TCN模块捕获脑功能连接网络的动态特性；在TCN模块中，每一层都采用膨胀因果卷积，随后进行Batch Normalization，ReLU激活和Dropout操作，进一步使用残差连接来促进梯度流动；每一层的计算公式如下：其中， 是第t个窗口在第l层的输出，表示卷积操作， 和 是膨胀因子卷积，核大小为3，卷积滤波器的个数为 个；

取出所生成的高阶功能连接网络N×T×R×R的四维张量数据，将四维张量数据的后两维展平成向量，四维张量变为N×T×(R×(R‑1)/2)的三维张量数据，送入TCN模块后，三维张量数据的形状变为N×T× ，其中 是卷积滤波器的个数；

所述通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合，具体包括：对TCN模块输出应用1D的1×1卷积获取每个子时间窗与疾病的相关程度，将获取的值与TCN模块的输入相乘并进行融合，得到动态高阶脑网络融合特征；

通过使用1D的1×1卷积，在不增加计算成本的情况下，进一步增强模型的表达能力；N×T×f4的张量数据在经过1D的1×1卷积后变为形状为N×T×1的张量数据，进一步压缩通道后得到N×T形状的二维张量数据，N×T形状的二维张量数据代表了每个窗口和疾病的相关性；

将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。

2.根据权利要求1所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗：获取受试者静息状态下的功能磁共振脑成像数据，对功能磁共振脑成像数据进行预处理，获得在每个感兴趣区域的血氧水平依赖信号的时间序列；

使用滑动窗技术，将时间序列数据划分成T个连续且不重叠的子时间窗，每个子时间窗的长度为L。

3.根据权利要求1所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果，具体包括：三层全连接层的大小分别为512、128和2，特征融合的结果经三层全连接层后送入Softmax函数实现分类输出值的转换；

N×T形状的张量数据经三层全连接层分别变为N×512、N×128和N×2；将N×2送入Softmax函数，使二维张量中的元素映射到{0，1}的二值空间。

4.一种执行权利要求1‑3任一所述的注意缺陷多动障碍辅助诊断方法的系统，其特征在于，所述系统包括以下模块：划分模块，用于将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；

第一处理模块，用于提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；

第二处理模块，用于通过预设的TCN模块捕获的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；

特征融合模块，用于通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；

分类模块，用于将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。

5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1‑3所述的方法中的任一方法。

6.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1‑3所述的方法中的任一方法的指令。