1.一种脑电信号多视角协同集成分类方法，其特征在于，所述方法包括：采集同一受试者执行运行想象任务产生的EEG信号及在静息状态下的头部MRI信号；将MRI信号处理为二维切片图；通过共平均参考和频域滤波技术，获得预处理后的EEG信号；

利用ESI技术的正问题处理机制和二维切片图，获得头模型；其中，头模型包括三层结构，且三层结构由外到内依次为头皮、颅骨和皮层；

对头模型的皮层进行划分，获得包含若干个网格点的源模型；其中，每个网格点对应一个源偶极子；计算每个源偶极子在空间三个方向上对头皮电极处产生的电位，进而得到导联场矩阵；

利用ESI技术的逆问题处理机制和导联场矩阵，将当前受试者的大脑头皮的预处理后的EEG信号映射到头模型的皮层，以作为皮层映射信号；

基于受试者头皮电极的坐标，从源偶极子中计算中心源偶极子，进而获取圆形子区域；

将圆形子区域内的皮层映射信号作为待处理源信号；

将待处理源信号转换为3D SODP图，进而计算获得3D SODP图的三维几何特征；利用CSP方法，提取各个待处理源信号对应的特征向量；

将三维几何特征输入3D SODP对应的第一分类器，获得第一分类结果；将特征向量输入CSP方法对应的第二分类器，获得第二分类结果；将三维几何特征和特征向量进行加权融合，将融合后数据输入第三分类器，获得第三分类结果；将第一分类结果、第二分类结果和第三分类结果，输入多数投票机制，获得最终分类结果。

2.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，EEG信号的预设采样点数为n个，采集通道数为N个；

采集同一受试者执行运行想象任务产生的EEG信号，具体包括：采集第i个通道的EEG信号；其中，第i个通道的EEG信号表示为 ，i∈[1,N]；

将MRI信号处理为二维切片图，具体包括：

采集获得MRI信号；其中，MRI信号为三维MRI图像，格式为A*B*C，A代表图像在左右方向的像素，B代表图像在前后方向的像素，C代表图像在上下方向的像素，三维MRI图像的矢状面、冠状面和横断面分别对应垂直于X轴、Y轴和Z轴的三个方向；

通过沿着X轴、Y轴和Z轴方向进行切片，获得MRI信号对应的二维切片图。

3.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，通过共平均参考和频域滤波技术，获得预处理后的EEG信号，具体包括：通过共平均参考对应的公式：

，滤除EEG信号中的共模成分；

其中， 表示第i个通道共平均参考后的信号，i∈[1,N]，N表示采集通道数， 表示第i个通道的信号；

进而通过四阶巴特沃斯带通滤波器，对共平均参考后的信号进行8‑30 Hz频段的带通滤波处理，获得预处理后的EEG信号。

4.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，对头模型的皮层进行划分，获得包含若干个网格点的源模型，具体包括：使用FreeSurfer软件和MNE‑python库处理二维切片图，采用边界元模型生成电导率比为1:1/50:1的三壳体容积传导模型，以作为头模型；其中，头模型包括三层结构，且三层结构由外到内依次为头皮、颅骨和皮层；

对三层结构的皮层表面进行均匀划分，得到包含20484个网格点的源模型；其中，每个网格点对应一个源偶极子。

5.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，利用ESI技术的逆问题处理机制和导联场矩阵，将当前受试者的大脑头皮的预处理后的EEG信号映射到头模型的皮层，具体包括：使用sLORETA方法，将当前受试者预处理后的EEG信号映射到头模型的皮层中；其中，正则化参数设置为1。

6.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，基于受试者头皮电极的坐标，从源偶极子中计算中心源偶极子，进而获取圆形子区域，具体包括：获得头皮电极的坐标；

计算距离头皮电极位置最近的源偶极子作为中心源偶极子；

基于预设半径，以中心源偶极子为中心，获得圆形子区域。

7.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，几何特征至少包括：向量长度总和、向量夹角总和、到原点距离总和、到长轴距离总和、到短轴距离总和；

将待处理源信号转换为3D SODP图，进而计算获得3D SODP图的三维几何特征，具体包括：获取位于大脑头皮左侧中央区的电极、大脑头皮右侧中央区的电极、大脑头皮中线中央区的电极对应的中心源偶极子，对中心源偶极子对应圆形子区域的源信号绘制3D SODP图，获得源信号的三维几何特征；

通过向量长度总和公式：

，计

算向量长度总和SVL；

其中， 、 和 表示3D SODP第j个样本点三维坐标值，T为3D SODP样本点的总数；

通过向量夹角总公式：

，计算向量夹

角总和SA；

其中，( , , )=( , ,

)，

( , , )=( ,

, )；

通过到原点距离总和公式：

，计算到原点距离总和SDTO；

通过到长轴距离总和公式：

；

计算到长轴距离总和SDTMA；

其中， ， ，

，( , , )表示3D SODP中Z坐标最大

的点，( , , )表示3D SODP中Z坐标最小的点，符号·表示向量点乘；

通过到短轴距离总和公式：

，计算到短轴距

离总和 ；

其中， ，

,a、b、c为3D SODP图涉及的拟合平面的平面方程ax+by+cz=0中的a、b、c。

8.根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，利用CSP方法，提取各个待处理源信号对应的特征向量，具体包括：获取CSP投影矩阵；

从CSP投影矩阵中选择预设数量的行向量构成空间滤波器，然后将待处理源信号与空间滤波器进行矩阵相乘，得到特征向量；其中，特征向量数量与预设数量相同。

9. 根据权利要求1所述的脑电信号多视角协同集成分类方法，其特征在于，在将三维几何特征输入3D SODP对应的第一分类器，获得第一分类结果；将特征向量输入CSP方法对应的第二分类器，获得第二分类结果；将三维几何特征和特征向量进行加权融合，将融合后数据输入第三分类器，获得第三分类结果之前，所述方法还包括：将标注好想象任务的三维几何特征输入若干分类器，确定分类准确度最高的分类器为第一分类器，记录第一分类器的准确度acc1；

将标注好想象任务的特征向量输入若干分类器，确定分类准确度最高的分类器为第二分类器，记录第二分类器的准确度acc2；

通过公式： ，计算加权融合时三维几何特征的权重weight1；

通过公式： ，计算加权融合时特征向量的权重weight2；

将三维几何特征乘以权重weight1，特征向量乘以weight2，再将这两者进行串行拼接，获得融合后数据，将标注好想象任务的融合后数据输入若干分类器，确定分类准确度最高的分类器为第三分类器。

10.一种脑电信号多视角协同集成分类系统，其特征在于，所述系统包括：处理模块，用于采集同一受试者执行运行想象任务产生的EEG信号及在静息状态的MRI信号；将MRI信号处理为二维切片图；通过共平均参考和频域滤波技术，获得预处理后的EEG信号；

ESI模块，用于利用ESI技术的正问题处理机制和二维切片图，获得头模型；其中，头模型包括三层结构，且三层结构由外到内依次为头皮、颅骨和皮层；对头模型的皮层进行划分，获得包含若干个网格点的源模型；其中，每个网格点对应一个源偶极子；计算每个源偶极子在空间三个方向上对头皮电极处产生的电位，进而得到导联场矩阵；利用ESI技术的逆问题处理机制和导联场矩阵，将当前受试者的大脑头皮的预处理后的EEG信号映射到头模型的皮层，以作为皮层映射信号；

数据提取模块，用于基于受试者头皮电极的坐标，从源偶极子中计算中心源偶极子，进而获取圆形子区域；将圆形子区域内的皮层映射信号作为待处理源信号；将待处理源信号转换为3D SODP图，进而计算获得3D SODP图的三维几何特征；利用CSP方法，提取各个待处理源信号对应的特征向量；

分类模块，用于将三维几何特征输入3D SODP对应的第一分类器，获得第一分类结果；

将特征向量输入CSP方法对应的第二分类器，获得第二分类结果；将三维几何特征和特征向量进行加权融合，将融合后数据输入第三分类器，获得第三分类结果；将第一分类结果、第二分类结果和第三分类结果，输入多数投票机制，获得最终分类结果。