1.基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：该方法包括以下步骤：步骤1、采集T秒被试者在不同状态下的EEG信号与fNIRS信号；然后对采集到的信号使用滤波器进行预处理；

步骤2、使用滑动时间窗对步骤1预处理后的信号进行时间上的划分，再对EEG信号进行频段划分，然后对划分后同状态下的每段EEG信号与每段fNIRS信号分别进行交叉截取，构建联合时间窗；

步骤3、对步骤2得到的联合时间窗中的多模态信号进行特征提取；对EEG信号提取分频CSP空域特征，对fNIRS信号提取平均值和峰值；

步骤4、计算每个联合时间窗中信号特征与对应的标签之间的互信息值之和，然后选取互信息值之和最大的联合时间窗进行特征选择；输入分类器中进行分类；特征选择的具体方法为：分别计算每个特征与标签之间Fisher值Im，根据所有特征的绝对Fisher系数，按照降序的顺序对所有特征进行排序，系数高的特征优先级更高，提取排序后的前h个特征；将剩下的m‑h个特征进行LASSO稀疏，稀疏之后的特征集数目为n；最后将互信息选出的前h个特征集与LASSO稀疏之后的n个特征集融合，作为最终输入分类器的特征集；

步骤5、重复步骤1～4多次，将分类器输出的分类结果与标签进行对比，优化步骤3、4中的超参数；

步骤6、采集被试者的EEG信号与fNIRS信号，通过优化后的超参数进行特征提取与特征选择，然后通过分类器进行分类，得到被试者的状态。

2.如权利要求1所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：所述不同状态为任务态与非任务态，其中任务态为心算任务，非任务态为休息状态。

3.如权利要求1或2所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：步骤1中分别使用频率为4～35Hz、0.01～0.1Hz带通滤波器实现EEG信号与fNIRS信号的预处理。

4.如权利要求1所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：步骤2c×N中将EEG信号按时间划分为I段，按频率划分为J段，Eij∈R 代表第i个时间段、第j个频段对应的EEG信号，n表示EEG信号采样点，n＝1,2,...,N；c表示脑电信号采集通道数；第i个时间段的EEG信号Ti＝T0(i‑1)～3+T0(i‑1),i∈I,T0＝1，T0为滑动时间窗滑动间隔；第j个频段的EEG信号Fj＝F0(j‑1)+4～F0(j‑1)+18,j∈J,F0＝14，F0为分频间隔；使用同样的时间间隔c×k将fNIRS信号划分为S段，Fs∈R 代表第s个时间段对应的fNIRS数据，k代表试验采样点，k＝1,2,...,K。

5.如权利要求1、2或4所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：使用分频CSP算法提取EEG信号的空域特征，从多通道的EEG数据里面提取出不同状态的空间分布成分；记X1和X2分别为任务与非任务状态下的EEG信号，构造空间滤波器；空间滤波器W：T

W＝BP                        (1)得到特征向量：

T

fij＝log(var(WEij))                  (2)

1×2m c×N

其中fij∈R 表示第i个时间段j个频带EEG数据提取的CSP特征向量，Eij∈R 代表第i个时间段、第j个频段对应的EEG信号。

6.如权利要求1、2或4所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：对fNIRS信号提取平均值Ms和峰值Ps：

Ps＝max Xk,1≤k≤K                       (4)其中Xk为采样点k对应的信号电压值。

7.如权利要求1所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：互信息值I(F,Y)的计算方法为：其中，F、Y为两个变量，分别表示特征与标签，p(f,y)为两个变量的联合分布，p(f)、p(y)分别为其边缘分布；互信息值I(F,Y)越大，代表特征F和Y共同拥有的信息量越多。

8.如权利要求1所述基于FHLS特征选择的多模态BCI时序优化方法，其特征在于：步骤4与步骤5中使用收缩线性判别分析方法进行二分类。