1.一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，包括：S1、使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；

S2、对脑电信号进行预处理；

S3、在时域对预处理后的脑电信号进行补零填充；

S4、提取九个通道的SSMVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；

S5、将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSMVEP信号进行识别。

2.根据权利要求1所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，所述步骤S2包括以下分步骤：S21、对步骤S1采集的SSMVEP脑电信号进行滤波处理；

S22、经过滤波处理后的SSMVEP脑电数据，通过检索第65通道的标签对其进行裁切整理，将每个被试的数据保存为以下格式：一个四维的矩阵，矩阵的每个维度分别代表的是通道索引数、采集的数据点数、block次数、刺激的序号数。

3.根据权利要求2所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，步骤S2还包括计算视觉延迟，具体的：将每个被试的九个电极下的35个刺激频率的脑电数据分别进行叠加平均，然后分析估计九个电极各自采集的脑电中存在的视觉延迟。

4.根据权利要求3所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，步骤S3包括以下分步骤：S31、对于预处理后的脑电信号，使用滑动窗口在刺激开始加上视觉延迟的时刻与刺激结束加上视觉延迟的时刻之间的历元上进行单个脑电数据样本的截取；

S32、对截取的单个样本的脑电信号进行零填充，使信号的频谱频点间隔与刺激频率之间的最小频率间隔达到一致。

5.根据权利要求1所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，步骤S4具体为：

S41、对零填充后的脑电信号进行离散傅里叶变换；

S42、对经步骤S41离散傅里叶变换后的脑电信号，提取九个通道的SSMVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵。

6.根据权利要求5所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，所述步骤S41在对脑电信号进行离散傅里叶变换时，还包括对信号添加在频域内具有最小主瓣的矩形窗。

7.根据权利要求1所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，步骤S5的神经网络包括五层，依次为：两个卷积层，两个全连接层，以及一个输出层；两个卷积层都使用Leaky ReLU作为激活函数，记两个卷积层分别为第一卷积层与第二卷积层，第一卷积层作为输入层，第一卷积层使用32个3×3的卷积核进行卷积，第二卷积层使用64个3×3的卷积核进行卷积；记两个全连接层分别为第一全连接层与第二全连接层，第一全连接层包括2000个神经元，第二全连接层的神经元的个数由分类类别数决定，两个全连接曾均使用Leaky ReLU激活函数；所述输出层使用softmax函数。

8.根据权利要求7所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法，其特征在于，所述神经网络分类的损失函数为分类类别数个互斥类的交叉熵。