1.一种基于Wasserstein距离的表征相似对抗网络，其特征在于，包括如下步骤：S1、脑电信号首先以200hz的采样率下采样，在0.5hz‑70hz之间用带通滤波器对脑电信号进行处理来滤除噪声和伪影，随机选择一名被试者的脑电信号作为目的域，其他被试者脑电信号作为源域；

S2、通过特征提取器将数据映射到一个特征空间并设置域混淆器的Wasserstein距离；

S3、设置域混淆器的梯度惩罚并更新w参数；

S4、采用关联强化的分类器并求源域到目的域特征表征的相似度以及目的域到源域特征表征的相似度；

S5、计算源域目的域的往返概率和计算源域标签概率并用交叉熵损失计算损失；

S6、设定访问概率与目的域标签概率并用交叉熵损失计算损失；

S7、设置分类器损失与源域预测分类损失并计算模型损失，设置迭代次数N，当训练次数达到迭代次数后停止。

2.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S1中：滤除噪声和伪影包括使用1s长非重叠汉宁窗的短时傅里叶变换计算5个频带(δ：1‑3hz，θ：4‑7hz，α：8‑13hz，β：14‑30hz，γ：31‑50hz)中的传统DE特征，引入线性动态系统来过滤无关信息。

3.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S2中：特征提取器是由310‑128的全连接层构成，特征通过特征提取器后，由310维降至128维，再经过RELU激活，映射关系如下：X′s＝f(Xs) X′t＝f(Xt)    (1)其中，Xs为原始源域特征，Xt为原始目的域特征，f(x)为特征提取器，Xs和Xt表示源域和目的域在相同特征空间中的128维特征表示；Wasserstein距离可以减小源域和目的域边缘概率分布，Wasserstein距离的表达式如下：式子中，pa表示特征空间中的随机位置a的边缘概率分布，pb表示特征空间中的另一个位置b的边缘概率分布，inf表示结果的下确界，μ(pa，pb)是pa和pb组合的所有联合概率分布的集合，ε为可能组合的联合概率分布，||x‑y||为随机样本x和y的距离，E为随机样本距离的期望值，W(pa，pb)是最优路径的最小消耗，在式子中，由于 不能直接求出结果，所以根据坎托罗维奇‑鲁宾斯坦对偶定理，将式子(2)变成如下形式：式子中，sup表示上确界， 表示在边缘概率分布pa下样本x对函数f(x)的期望值， 表示在边缘概率分布pb下样本x对函数f(x)的期望值，||f||L表示Lipschitz常数，它的定义为：

||f||L＝sup|f(x1)‑f(x2)|/|x1‑x2|        (4)由于经过特征提取器后，源域目的域特征映射为X′s和X′t，所以公式(3)改为：可以通过调整参数w来最大化域混淆器的损失，以近似的表示Wasserstein距离，所以把公式(5)改为：

式子中，D表示域混淆器，等价于公式(5)中的fw()， 表示域混淆器的损失，Xs表示源域特征经过特征提取器后的特征表示，X′t表示目的域特征经过特征提取器后的特征表示，∑表示求和，m表示源域特征数目，n表示目的域特征数目。

4.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S3中：设置域混淆器的梯度惩罚包括由于公式(3)中有||f||L≤1的约束，所以在域混淆器中针对w增加梯度惩罚 式子如下：式子中 为特征表示，X′表示特征经过特征提取器后的特征表示， 表示对X′求导，||...||2表示对其中的数先求平方和，再开根号；将w参数更新包括将Wasserstein距离的损失与梯度惩罚项相减，再针对w参数进行梯度更新，式子如下：式子中，γ为混淆参数，α1为学习率，w表示域混淆器的权重；当迭代次数小于设定的域混淆器的迭代次数时，返回S2；否则，进入S4。

5.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S4中：采用关联强化的分类器包括将经过特征提取器后的源域和目的域特征表示进行点积运算，如下公式：

Mst＝

式子中，X′s表示经过特征提取器的源域特征表示，X′t表示经过特征提取器的目的域表示，Mst表示源域和目的域的特征表示的点积；求源域到目的域特征表征的相似度包括对Mst采用softmax的方法，将X′s和X′t相似的概率采用下面的公式表示：式子中，Pst表示源域特征与目的域特征相似度的概率，Mst表示源域和目的域的特征表示的点积，∑t表示特征的总数；求目的域到源域特征表征的相似度包括对Mst进行转置得到Mts，Mts表示目标域和源域的特征表示的点积，再重复步骤八的步骤得到Pts，Pts表示源域特征与目的域特征相似度的概率。

6.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S5中：获得源域目的域的往返概率包括相乘得到的Pst、Pts，公式如下：Psts＝PstPts；

式子中，Psts表示Pst和Pts的乘积；计算源域标签概率Lzw包括把源域一个特征记为Sa，特征经过目的域映射后又返回源域的特征记为Sb，如果Sa的类别和Sb的类别相等，记为 式子如下：

通过交叉熵损失计算损失包括式子如下：Wloss＝H(Lzw，Psts)式子中，H表示交叉熵损失，Lzw表示源域标签概率，Psts表示特征在源域目的域的往返概率，Wloss表示Lzw和Psts经过交叉熵损失后的值。

7.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S6中：设定访问概率Pv包括，确保每个目的域的样本都能被关联，式子如下：表示经过特征提取器后的每个源域特征相似度概率的总和；设置目的域标签概率Lop包括公式如下：

式子中Ta表示目的域的特征；采用交叉熵损失计算Lop和Pv的损失包括式子如下：Vloss＝H(Lop，Pv)

式子中，Vloss表示Lop和Pv经过交叉熵损失后的值。

8.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S7中：设置分类器损失 包括公式如下：设置源域预测分类损失 包括公式如下：式子中，y表示目的域特征真实标签，表示目的域特征预测标签，模型的损失表达式 包括如下公式：

9.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，所述S3中，更新w参数包括混淆参数γ可以设置为10，学习率α1可以设置为0.01。

10.根据权利要求1所述的一种基于Wasserstein距离的表征相似对抗网络，其特征在于，反向传播说明为：

式子中，ω1表示特征提取器权重，ω2表示分类器权重，α2表示分类器的学习率，α1表示域混淆器的学习率，γ表示系数， 表示源域预测分类损失， 表示分类器损失表示域混淆器的损失， 表示梯度惩罚，分类器的学习率α2可以设置为

0.001，域混淆器权重ω3可以设置为0.01，系数γ可以设置为10。