1.一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，包括：

S1：获取受试者的EEG数据集，利用小波包变换将EEG数据重构后划分到N个子频带，其中，所述EEG数据集包含受试者不同大脑区域在情绪波动时产生的EEG数据；

S2：根据每个子频带中不同大脑区域在情绪波动时的EEG重构数据，利用希尔伯特变换计算每个子频带中不同大脑区域EEG重构数据之间的锁相值；

S3：根据每个子频带中不同大脑区域EEG重构数据之间的锁相值创建每个子频带对应的脑功能连接性矩阵；其中，所述脑功能连接性矩阵中的横轴和纵轴为脑区编号，横纵交叉的地方为不同大脑区域EEG重构数据之间的锁相值；

S4：采用N个分类器构建集成学习分类模型，并对集成学习分类模型进行训练；采用训练后的集成学习分类模型对N个子频带对应的大脑功能连接性矩阵对应特征集进行识别，获取分类结果，得到脑电情绪分类结果，其中，所述分类器采用线性回归模型。

2.根据权利要求1所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述利用小波包变换将EEG数据重构后划分到N个子频带包括：i

利用小波包分解算法创建二叉分解树，所述二叉分解树包括i层，每一层包含x ‑1个节点，每个节点对应EEG数据中某个频率时的数值，通过第i层所有节点对应的数值对EEG数据进行重构，如下所示；

其中，s(t)表示重构的EEG数据，fij(tj)表示第i层第j个节点对应EEG数据中频率tj时的数值；

根据划分的每个子频带的频率范围，将重构后的EEG数据划分到L个子频带中，即划分到每个子频带的EEG重构数据如下所示：s(t)d＝fi，k(tk)+fi，k+1(tk+1)+…+fi，k+n(tk+n)，{tk，tk+1，…，tk+n}∈(ad，bd]其中，(ad，bd]表示第d个子频带的频率范围，s(t)d表示划分到第d个子频带的EEG重构数据，fi，k+1(tk+1)表示第i层第k+1个节点对应EEG数据中频率tk+1时的数值。

3.根据权利要求1所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述利用希尔伯特变换计算不同大脑区域的EEG重构数据之间的锁相值包括：S21：利用希尔伯特变换计算不同大脑区域EEG重构数据的解析信号：

S22：根据不同大脑区域EEG重构数据的解析信号确定其瞬时相位；

S23：根据不同大脑区域EEG重构数据的瞬时相位计算不同大脑区域的EEG重构数据之间的锁相值。

4.根据权利要求3所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述不同大脑区域EEG重构数据的解析信号包括：其中，P.V代表柯西主值，x(t)EEG重构数据，HTx(t)表示x(t)的解析信号。

5.根据权利要求3所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述不同大脑区域的EEG重构数据之间的锁相值包括：ply

其中，W 表示EEG重构数据x(t)和y(t)之间的锁相值， 表示复平面上模长为1的信号， 表示x(t)的瞬时相位，表示y(t)的瞬时相位。

6.根据权利要求1所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述对集成学习分类模型进行训练包括：将N个子频带对应的脑功能连接性矩阵分别对应的训练N个分类器模型，具体包括：将每个子频带对应的脑功能连接性矩阵分别输入对应的线性回归模型中预测情绪类别的概率分布，根据线性回归模型预测的结果和标签信息创建线性回归模型的损失函数，并通过反向传播机制更新单个线性回归模型的参数生成集成学习分类模型；最终的情绪分类结果由N个分类器模型输出的概率分布对应相加，概率最高的类别为最终的分类结果。

7.根据权利要求6所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述预测情绪类别的概率分布包括：其中，Ci是大脑功能连接性矩阵，是预测的分类结果，L是子频带的数量，b表示偏置参数，T是转置运算符，W是权重矩阵， 是W的特征向量， 是W的特征值。

8.根据权利要求7所述的一种基于脑网络和矩阵学习的脑电情绪识别方法，其特征在于，所述线性回归模型的损失函数包括：其中，W是权重矩阵，||W||0是权重矩阵的核范数，是预测的分类结果，yi是标签信息，M表示EEG样本的数量。