1.一种基于SSDA的脑电信号的眼电伪迹去除方法，其特征在于，包括以下步骤：S1、离线阶段，将纯净的脑电信号作为训练集，并进行归一化处理，输入栈式稀疏去噪自编码SSDA模型并进行预训练，SSDA由两个稀疏降噪自编码(SDA)通过首尾相连的方式组成，第一个SDA的输出为第二个SDA的输入，将第二个SDA的输出进行反归一化处理，就得到了重构之后的脑电信号；

S2、获取重构EEG脑电信号与纯净脑电信号之间的误差，使得误差最小，不断训练SSDA，并根据梯度下降法对模型参数进行微调；

S3、在线阶段，获取含有眼电伪迹的脑电信号并进行归一化，归一化完成后输入步骤S2训练完成的SSDA模型，并对输出数据进行反归一化处理，得到去除眼电伪迹的脑电信号。

2.根据权利要求1所述的一种基于SSDA的脑电信号的眼电伪迹去除方法，其特征在于，所述步骤S1中纯净脑电信号归一化的计算公式为：式中，EEGstd(i)表示归一化之后的值，i表示脑电信号采样点的个数，j∈1,2,...,i，EEGorg表示归一化之前的原始数值。

3.根据权利要求2所述的一种基于SSDA的脑电信号的眼电伪迹去除方法，其特征在于，所述步骤S2中根据重构EEG信号与纯净脑电信号之间的误差来训练SSDA，具体如下：预训练过程：

(1)将归一化处理之后的EEG信号按照比例随机置零进行破坏，得到表示一个样本，n表示样本数量；

(2)将w和b进行随机初始化，根据式(3)-(5)得到模型第一个隐藏层的映射h(1)；

h＝f(wx+b)                           (3)式(3)-(5)中，h表示隐藏层的值，x表示脑电序列，JDAE(w,b)表示稀疏降噪自编码的损失函数， f(·)和g(·)分别代表编码和解码的映射函数，通常是非线性的，w代表输入层与隐藏层之间的权值矩阵，wT代表隐藏层与输出层之间的权值矩阵，b和b′分别代表隐藏层和输出层的偏置向量，n代表输入的样本数量，代表受污染的输入数据，hi代表隐藏层向量，w和b分别代表权值和偏置向量；

(3)对隐藏层h(1)进行稀疏化处理，根据式(6)和(7)获得h(1)的输出，并确定模型参数{w1,b1}来完成第一个SDA的训练；

式中，β为稀疏惩罚因子权重、s2为稀疏之后隐藏层神经元的数量、KL为相对熵、ρ为稀疏参数、 训练集的平均激活度、λ为正则化参数权重、 为输入层与隐藏层之间的权重、sl为正则化之后隐藏层神经元的数量，EEGnstd(i)为反归一化的EEG信号，EEGorg(i)和EEGout(i)分别代表模型输入和输出的信号，n代表信号样本的个数；

(4)将隐藏层h(1)的值作为第二个SDA的输入，并采用上一个SDA训练好的{w1,b1}替换随机参数，w1、b1分别表示第一个SDA输入层和输出层之间的权重和偏置值，重复步骤(2)和(3)确定第二个SDA的输出和参数{w2,b2}，w2、b2分别表示第二个SDA输入层与隐藏层之间的权重和偏置值，至此，本模型中的两个SDA已经训练完毕，即完成了SSDA的预训练过程，接下来，要对SSDA进行微调，使参数值在整个网络上达到最优。

4.根据权利要求3所述的一种基于SSDA的脑电信号的眼电伪迹去除方法，其特征在于，所述微调过程具体包括：(1)对Δw1和Δb1进行初始化，Δw1、Δb1分别表示第一个SDA输入层和隐藏层之间的权重和偏置的增量值。令Δw1＝0，Δb1＝0；

(2)通过反向传播算法来计算 和 和 分别指

和 分别表示权重值和偏置值的对比

散度值；

(3)令 Δwl、Δbl分别表示第l个SDA输入层与隐藏层权重和偏置的增量值，这里l∈{1,2}；

(4)令

(5)对参数进行更新， 其中α表示学习率；

至此，SSDA模型的微调过程完成，也就是说整个模型的训练过程完成，此时的参数在整个模型上达到最优。

5.根据权利要求3所述的一种基于SSDA的脑电信号的眼电伪迹去除方法，其特征在于，所述步骤S3中的将含有眼电EOG)伪迹的EEG信号归一化，输入训练完成的SSDA模型，并对输出数据进行反归一化处理，就得到了去除EOG的EEG，具体如下：将含有EOG伪迹的EEG进行归一化处理，归一化计算如式(8)所示：式中，EEGstd(i)表示归一化之后的值，EEGorg表示归一化之前的原始数值；

将归一化之后的信号输入训练完成的SSDA模型，然后将模型的输出值进行反归一化处理就得到了去除EOG之后的EEG信号，反归一化计算的过程如式(9)所示：式中，EEGnstd(i)表示反归一化的EEG信号，即去除眼电伪迹之后的脑电信号，EEGorg(i)和EEGout(i)分别代表模型输入和输出的信号，i表示脑电信号采样点的个数，j∈1,2,...,i。