1.一种基于脑电特征迁移学习的驾驶状态检测方法，其特征在于，所述方法包括以下步骤：

步骤1，基于模拟驾驶平台及虚拟场景模拟真实驾驶环境，采集被试用户的脑电信号，对所述脑电信号进行预处理，提取特征构建第一目标特征集；所述第一目标特征集包括疲劳特征集和情绪特征集；

步骤2，获取多组第一源数据集，分别计算每组所述第一源数据集与所述第一目标特征集中相应特征集之间的相似度；从所述多组第一源数据集中筛选与所述第一目标特征集中的疲劳特征集和情绪特征集相似度最高的疲劳特征集和情绪数据集，并组合成第二源特征集；

步骤3，通过第一迁移学习算法对所述第二源特征集和所述第一目标特征集进行实例迁移，进行数据筛选，剔除所述第二源特征集中的错误特征，得到第三源特征集；

步骤4，基于所述第三源特征集和第一目标特征集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；

步骤5，使用所述第四源特征集构建多分类判别模型，将所述第二目标数据集输入所述多分类判别模型，得到所述被试用户的驾驶状态结果；

其中，所述第一迁移学习算法为N‑Tradaboost算法，通过对所述第二源特征集构建三个弱分类器，对所述第一目标特征集进行处理得到三组目标特征集标签结果，通过对三组目标特征集标签结果做交集得到可信的目标域标签，然后将得到的有标签的目标特征集和所述第二源特征集通过Tradaboost算法处理，其中若第二源特征集特征被分类错误时，直接将其权重置为0；所述第二迁移学习算法为平衡分布适配BDA算法；所述BDA算法通过采用一种平衡因子μ来动态调整两个分布之间的距离，能够根据特定的数据领域，自适应地调整分布适配过程中边缘分布和条件分布的重要性；DISTANCE(Ds,Dt)≈(1‑μ)DISTANCE(P(xs),P(xt))+μDISTANCE(P(ys|xs),P(yt|xt))；其中Ds为源域数据，Dt为目标域数据，P(xs)、P(ys|xs)为Ds的边缘概率分布和条件概率分布，P(xt)、P(yt|xt)为Dt的边缘概率分布和条件概率分布，μ∈[0,1]表示平衡因子；所述多分类判别模型为基于粒子群优化算法的多分类支持向量机模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：步骤6，根据所述被试用户的驾驶状态结果以及模拟驾驶中虚拟场景的相关信息分析得到评估结果并给出指导建议，生成驾驶状态评估报表。

3.根据权利要求1所述的方法，其特征在于，所述脑电特征包括信号模糊熵、各通道各频段的微分熵和功率谱密度。

4.根据权利要求1所述的方法，其特征在于，采集驾驶过程中被试用户的脑电信号，包括：

使用Neuracle64通道脑电采集装置采集被试用户脑电信号，脑电电极采用国际10—20系统标准，以双耳电极作为参考电极。

5.根据权利要求1所述的方法，其特征在于，被试用户对脑电信号进行预处理，包括：基于独立成分分析法对实时采集的脑电信号进行预处理，去除眼电、肌电伪迹干扰；

对脑电信号通过0～2Hz高通滤波进行基线漂移校正、自适应陷波去除50Hz工频干扰；

提取预处理后的脑电信号的模糊熵，用于疲劳状态判别；

提取预处理后的脑电信号各个通道各个频段的微分熵和功率谱密度大小，用于情绪状态的判别。

6.一种基于脑电特征迁移学习的驾驶状态检测系统，其特征在于，所述系统包括：信号采集及预处理模块，用于基于模拟驾驶平台及虚拟场景模拟真实驾驶环境，采集驾驶过程中被试用户的脑电信号，对脑电信号进行预处理，提取特征构建第一目标特征集；

所述第一目标特征集包括疲劳特征集和情绪特征集；

特征提取及源域选择模块，用于获取多组第一源数据集，分别计算每组所述第一源数据集与所述第一目标特征集中相应特征集之间的相似度；从所述多组第一源数据集中筛选与所述第一目标特征集中的疲劳特征集和情绪特征集相似度最高的疲劳特征集和情绪数据集，并组合成第二源特征集；

特征筛选及迁移学习模块，用于通过第一迁移学习算法对所述第二源特征集和所述第一目标特征集进行实例迁移，进行数据筛选，剔除所述第二源特征集中的错误特征，得到第三源特征集；基于所述第三源特征集和第一目标特征集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；

模型构建模块，用于使用所述第四源特征集构建多分类判别模型，将所述第二目标数据集输入所述多分类判别模型，得到所述被试用户的驾驶状态结果；

其中，所述第一迁移学习算法为N‑Tradaboost算法，通过对所述第二源特征集构建三个弱分类器，对所述第一目标特征集进行处理得到三组目标特征集标签结果，通过对三组目标特征集标签结果做交集得到可信的目标域标签，然后将得到的有标签的目标特征集和所述第二源特征集通过Tradaboost算法处理，其中若第二源特征集特征被分类错误时，直接将其权重置为0；所述第二迁移学习算法为平衡分布适配BDA算法；所述BDA算法通过采用一种平衡因子μ来动态调整两个分布之间的距离，能够根据特定的数据领域，自适应地调整分布适配过程中边缘分布和条件分布的重要性；DISTANCE(Ds,Dt)≈(1‑μ)DISTANCE(P(xs),P(xt))+μDISTANCE(P(ys|xs),P(yt|xt))；其中Ds为源域数据，Dt为目标域数据，P(xs)、P(ys|xs)为Ds的边缘概率分布和条件概率分布，P(xt)、P(yt|xt)为Dt的边缘概率分布和条件概率分布，μ∈[0,1]表示平衡因子；所述多分类判别模型为基于粒子群优化算法的多分类支持向量机模型。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：结果判别模块，用于根据所述被试用户的驾驶状态结果分析以及模拟驾驶中虚拟场景的相关信息得到评估结果并给出指导建议，生成驾驶状态评估报表。