1.脑电信号的预处理一特征提取，包含如下步骤：

步骤一：将利用按标准化的电极布置方案测量采集的脑电信号(23.6秒长度)首先都校正到173.6Hz；

步骤二：利用小波包分解技术对上述校正后的初始脑电信号进行特征提取：信号f(t)的连续小波变换定义为：上式中，Wx(a，b)为小波变换系数，a为伸缩因子或尺度因子，b为平移因子，Ψ(t)为小波函数，t为时间，其对应的离散小波变换如下：对于脑电信号，小波包变换对上层的低频部分和高频部分，都进行了再分解，提高了时频分辨率，信息量保存相对完整，损失很少；

步骤三：小波包能量可以通过小波包系数求得，单一尺度下小波包能量为该尺度下小波包系数的平方和，本发明中，癫痫脑电信号经J层小波包分解后，小波包系数为d(J，0)，Jd(J，1)...，d(J，2-1)则总的小波包能量为：上式中，j为分解层数，i为第j层上的第i个子带，定义小波包能量熵为：根据上式中求得的脑电信号的总的小波包能量，进而求各个频段小波包系数占总能量的百分比，最后用各个频段的能量熵作为脑电信号新的特征。

2.如权利要求1所述具备迁移学习能力的脑电信号识别模糊系统方法，其特征是：步骤一：利用模糊C均值聚类法求得模糊系统模型的前件参数。作为应用最为广泛且简洁的模糊系统模型，0阶TSK型模糊系统的实值输出如下：其中，

如果引高斯函数作为隶属度函数，则式(5)中 可具体表示为：其中，参数 以及 通过经典的模糊C均值聚类算法计算得到，这里令：

1 2 K T

xg＝(u (x)，u(x)，...，u(x)) (8)步骤二：构建具备迁移学习能力的脑电信号识别模糊系统方法，在处理迁移学习环境下的脑电信号识别任务时，本发明在经典的0阶TSK型模糊系统算法的基础上融合迁移学习策略：其中，式(10-1)即0阶TSK型模糊系统的目标函数，为经典TSK型模糊系统项，其本质是类似于L2-SVR的学习机理，通过引入L2范式的惩罚项 以及结构风险项来求得目标函数的最优解，(10-2)多出的一项为迁移项，该项通过有效地缩小源域和目标域之间的投影距离，来减少源域和目标域的数据分布差异，而后利用拉格朗日条件极值的优化理论可求得目标函数(10-2)后件参数的最优解；

上式求得的解即为具备迁移学习能力的脑电信号识别模糊系统方法的后件部分参数最优解，那么最终具备迁移学习能力的脑电信号识别模糊系统的分类决策函数可表示如下：

3.如权利要求2所述的具备迁移学习能力的脑电信号识别模糊系统方法迁移项的求解步骤包括：(1)对于来自不同分布的数据集Ds＝{x1，，...，xN}和Dt＝{z1，...，zM}，两个分布之间的距离度量可表示为如下的最大均值距离(MMD)：这里φ(xj)是一个映射函数，进一步地，给定投影向量pg，则pg映射下的投影最大均值距离(PMMD)可表示为：在迁移学习算法中上述度量通常用来估计两个不同分布的差异，例如，在经典的最大化间隔投影迁移学习方法中，投影最大化均值度量用于实现核方法的迁移学习；

根据TSK模糊系统的特点，本文定义如下的投影均值距离来度量不同分布的差异，根据式(5)-(9)，训练域X和测试域Z的输入数据Ds＝{x1，，...，xN}和Dt＝{z1，...，zM}可映射到如下的特征空间；

φ(xi)＝xgi (14b)

φ(zi)＝zgi

这里xgi，zgi分别由式(5)-(9)获得，其表示原始空间数据在模糊规则应射后的空间对应的数据，进一步地，模糊系统对应的不同分布的差异可以表示为：上式中的Ω即为：