1.一种基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，包括以下步骤：S1、将原始左右手运动想象脑电信号的μ频带和β频带利用短时傅里叶变换转换为二维时频图；

S2、构建5层卷积神经网络结构，第一层为输入层，第二、三层为卷积层，第四层为全连接层，第五层为输出层，采取一维卷积方式进行特征提取；

S3、利用反向传播算法训练整个卷积神经网络；

S4、以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层；

所述步骤S1运动想象脑电信号由C3、CZ和C4三个电极采集而成，设计了一种二维时频图作为CNN网络的输入，对每个电极采集到的2s长度脑电信号进行短时傅里叶变换：其中，X(w,t)表示原始脑电信号，w()表示窗口函数，采用汉明窗，最终通过上式得257×32的时频图，其中STFT采用长度为64的汉明窗，对得到的时频图提取8‑13Hz频带和17‑

30Hz频带，分别得到12×32和29×32的二维时频图，通过立方插值法将17‑30Hz频带的时频图调整为12×32，最后，将三个电极的所有频带进行组合构成(3×2×12)×32大小的时频图；

所述步骤S2的5层卷积神经网络结构分别为L1‑L5层，具体如下：L1：该层为神经网络的输入层，以预处理中得到的72×32时频图作为输入I；

L2：该层为卷积层，采用一维卷积核进行计算，在L2中使用了8个卷积核，卷积核大小设置为72×1，通过与输入数据进行卷积运算得8个对应的特征图，进行卷积第k个卷积核对应的特征图被定义为：其中， 表示特征图，i表示卷积核中每个单元的序号，其范围依据卷积核大小而定，j表示特征图中的第j个神经元， 为72×1的卷积核， 为偏置，f()表示激活函数，本网络模型以修正线性单元ReLU作为激活函数，以a为输入时该激活函数表示如下：a

f(a)＝ReLU(a)＝ln(1+e)

L3：该层为卷积层，对L2层中得到的8个特征图分别使用5个卷积核，卷积核大小为8×

1，设置卷积步长与卷积核长度相同，经过映射后，该层可得40个特征图，每个特征图的大小为4×1，特征图表示为：其中， 为8×1的卷积核， 为偏置；

L4：该层为全连接层，神经元个数为30个，其作用为连接所有特征，并将输出值送给分类器，计算方式为：4

其中， 为L3、L4两层神经元的连接权值，b(j)为偏置；

L5：该层为输出层，神经元个数为2，代表左右手运动想象的二分类问题，其与L4层的所有神经元以全连接的形式相连接：

5 5

其中，w(j)为L4与L5两层之间的连接权值，b(j)为偏置。

2.根据权利要求1所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S1脑原始左右手运动想象脑电信号数据为由C3、CZ和C4电极采集的左手和右手运动想象脑电数据。

3.根据权利要求1所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S3中CNN的训练采用反向传播算法，具体包括：先前向计算每层输出，根据输出层的结果与标签反向计算误差，据此误差求权值和偏置的梯度，以此更新各个权值和偏置：(l) (l) (l+1) (l) T

w ＝w ‑α·δ (a )

(l) (l) (l+1)

b ＝b ‑α·δ

(l) (l+1)

其中，w 与 分别表示第l层的权值和偏置，δ 表示偏差，a表示输出值。

4.根据权利要求3所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S4以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层，并以全连接层得到的特征作为支持向量机的输入，以支持向量机的输出作为脑电信号的识别结果。