1.一种脑电信号识别方法，其特征在于，包括：获取运动想象信号，并根据所述运动想象信号的类别确定各类运动想象信号的数据标签；

对附有数据标签的运动想象信号进行数据增强处理；

将数据增强处理后的运动想象信号进行空间滤波处理，得到第一特征矩阵；

通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理，得到第二特征矩阵；

根据所述第二特征矩阵进行分类器建模；

通过所述分类器识别待测脑电信号；

所述将数据增强处理后的运动想象信号进行空间滤波处理，得到第一特征矩阵，包括：将所述数据增强处理后的不同类别的运动想象信号的信号矩阵；

根据所述信号矩阵，计算每个类别的运动想象信号的协方差矩阵；

对所述协方差矩阵进行正交白化变换，并进行对角化处理；

根据所述对角化处理的结果计算投影矩阵；

根据所述投影矩阵进行投影得到特征矩阵，进而确定所有类别的第一特征矩阵；

其中，用X1和X2分别代表两个类的一次运行想象数据矩阵，维度为500*60，其中500代表两秒采样的数据点，60代表有60个电极提取；

接着，计算每一类的原始数据的协方差矩阵，公式如下：其中，Ci为第i类样本数据的空间协方差矩阵的期望；E是一次运行想象数据矩阵，traceT是求EE 矩阵的迹；C1为第一类样本数据的空间协方差矩阵的期望，C2表示第二类样本的空间协方差矩阵的期望；

然后，进行正交白化变换并且对角化处理，公式如下：其中，Cs是这两类空间协方差矩阵的和，Us为特征向量矩阵，ΛS表示特征值的对角阵，且特征值是降序排列；白化转换Us得到矩阵P：将矩阵P用于C1和C2中得到：

T T

S1＝PC1P，S2＝PC2P

S1和S2分别代表第一类和第二类运动想象数据的协方差矩阵C1和C2的变换矩；S1和S2具有公共特征向量，且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B，对S1和S2进行主成分分解得：T T

S1＝BΛ1B，S2＝BΛ2B

然后，计算投影矩阵：对于特征向量矩阵Cs,当一个类别S1有最大的特征值时，此时另一个类别S2有最小的特征值，利用矩阵B实现两类问题的分类，得到投影矩阵W：T

W＝BP

经过投影得到特征矩阵，将训练集X1和X2经过滤波器W滤波获得特征矩阵Z1和Z2，并且将特征矩阵进行归一化得到最终特征矩阵，公式如下：最终得到所有类的特征矩阵，数据格式是180*6，分别代表两个类总个数和选取通道个数。

2.根据权利要求1所述的一种脑电信号识别方法，其特征在于，所述获取运动想象信号，并根据所述运动想象信号的类别确定各类运动想象信号的数据标签，包括：提取运动想象左手时的脑电数据和运动想象右手时的脑电数据；其中，所述脑电数据包括预备期和运动想象期；所述提取的采样频率为250Hz；

将所述想象左手时的脑电数据和所述想象右手时的脑电数据打上数据标签。

3.根据权利要求2所述的一种脑电信号识别方法，其特征在于，对所述附有数据标签的运动想象信号进行数据增强处理，包括：提取所述运动想象期中的中间数据；

对所述中间数据进行去噪处理；

对去噪处理后的数据进行数据增强处理。

4.根据权利要求3所述的一种脑电信号识别方法，其特征在于，所述对所述中间数据进行去噪处理，包括：通过50Hz的凹陷滤波器对所述中间数据进行工频噪声去除处理；

通过带通滤波器对中间数据进行非相关噪声处理。

5.根据权利要求1所述的一种脑电信号识别方法，其特征在于，所述通过偏最小二乘回归法对所述第一特征矩阵进行特征选择以及特征降维处理，得到第二特征矩阵，包括：对第一特征矩阵进行zscore数据标准化处理，得到标准化矩阵；

获取自变量向量和因变量向量；

根据所述自变量向量和所述因变量向量，计算潜在成分和因变量之间协方差以及残差；

根据所述协方差以及所述残差，确定潜在成分；

根据所述潜在成分，确定自变量组和因变量组；

根据所述自变量组合所述因变量组，确定降维后的第二特征矩阵。

6.根据权利要求1所述的一种脑电信号识别方法，其特征在于，所述根据所述第二特征矩阵进行分类器建模，包括：将所述第二特征矩阵进行10折交叉检验，得到训练集和测试集；

根据所述训练集训练PSO‑SVM分类模型；

通过所述测试集对所述PSO‑SVM分类模型进行检验，得到分类器模型。

7.一种电子设备，其特征在于，包括处理器以及存储器；

所述存储器用于存储程序；

所述处理器执行所述程序实现如权利要求1‑6中任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1‑6中任一项所述的方法。