1.基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在于，该方法具体包括以下步骤：步骤1.选取多名实验者的脑电信号数据作训练集和测试集，并对每个实验者的脑电信号进行预处理，包括信号长度选取以及EEG阈值去噪；

步骤2.利用正则化CSP算法对预处理后的信号进行分析研究；从多名实验者中选取

1名作为目标实验者，其余作为辅助实验者，调节正则化参数使目标实验者和辅助实验者之间的训练数据相结合，构造出正则化的空间滤波器对脑电数据进行滤波处理，完成特征信号的提取工作；

特征信号的提取工作的主要具体步骤如下：对每个实验者的训练样本求解协方差矩阵，则可以得到标准的空间协方差为

式中， 表示信号，d∈{1，2}表示类别d的第i个样本的脑电信号，N×T表示维度，T表示为每次任务中每个通道的采样点数； 是 的转置， 是矩阵 的对角元素之和，即矩阵的迹，r(c，i)表示协方差；

在任务类型已知的训练集中，分别将对两类任务的样本矩阵进行各自的空间协方差计算，平均正则化协方差矩阵为：式中：c表示类别，其中(0≤γ≤1)和(0≤β≤1)，γ，β为正则化参数，I为N×N的单位矩阵， 定义如下式中：rc表示为目标受试者进行k次c类实验的协方差矩阵之和：表示为辅助受试者进行 次c类实验的协方差矩阵之和，即：式中 表示共有s名受试者，其中进行单侧想象运动为k次；γ(c，j)表示辅助受试者第j次c类实验的协方差矩阵，其中

根据以上的公式可知，当β＝γ＝0的时候，R-CSP变为传统的CSP算法；当都不为零的时候，根据调整不同的β和γ的值，根据不同的参数的选择，逐一对比不同参数的实验结果，通过不断的精选参数的过程中，最终使小样本特征提取的结果达到最优，进而得到更好的分类结果；

在正则化参数的作用下，得到受试者的两类运动想象的EEG信号来构造平均正则化协方差矩阵，它们分别是式中，RA和RB分别表示目标受试者的A类和B类训练样本的协方差矩阵之和， 和分别表示辅助受试者的A类和B类训练样本的协方差矩阵之和，tr是矩阵的迹，I为N×N的单位矩阵；将ZA(β，γ)和ZB(β，γ)进行求和操作，然后对其和进行特征分解，如下所示：式中，为对应的特征向量矩阵，是特征值对角矩阵，则正则白化矩阵为进行变换得到如下等式：

式中， 和 是对角矩阵，其中 其对应的特征向量矩阵又分别是 和 分别选取 和 中最大的特征值对应的特征向量 和 构造空间滤波器设X为经过预处理后的EEG信号XA和XB分别是对应的两类训练样本，经过滤波器WA和WB之后，得到特征向量[ZA，ZB]为步骤3.将遗传算法和以径向基函数为模型的支持向量机(SVM)分类器相结合对特征向量进行分类，得到实验分类结果。

2.根据权利要求1所述的基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在于：所述的EEG阈值去噪具体步骤如下：

(1)根据每一次做运动想象时所出现的提示位置的点，根据采样频率和采样时间，以提示点位置开始向后取“采样频率*单次采样时间”个点作为一组脑电数据集；

(2)选取小波基函数db4对EEG信号分别进行3层分解；

(3)将分解得到的小波系数通过阈值函数表达式处理，其阈值函数的数学表达式为式中，式中 是真实信号小波系数的估计值；λj，k是选取的阈值；wj，k是小波分解后高频部分的小波系数，即表示j尺度上k点的小波系数值；a是形状系数，用于控制wj，k＜λj，k区域内的函数形状，即控制衰减程度，λj，k表示阈值；由上面表达式可以看出，当a＝0时，该方法为软阈值法，在a为非0情况下，改进的阈值比纯软阈值具有更好的平滑性；

(4)传统的Dohono的阈值记为λj，k，即表示j尺度上k点的阈值，则Dohono的阈值的表达式为定义加权阈值缩放因子λj，InN表示对wj，k的长度取对数运算，N是wj，k的长度；根据分解层次不同，对应的阈值不同，能有效的去除脑电信号中的噪声信号，缩放因子的表达式为：2

λj＝p/(1+In(j))

其中，p≥0、j是分解尺度；

对Donoho阈值进行缩放得到各个分解子空间的阈值，记为Tj，k，其表达式为：Tj，k＝λj*λj，k

根据分解尺度对频率高的子空间进行阈值放大，对频率低的子空间阈值进行缩小，进而增强对EEG中高频噪声的抑制，保留低频有用信号；根据实际情况，对参数a和p进行选取，使去噪效果达到最理想的状态；

(5)将经过阈值缩放后的小波系数进行重构，得到去噪后的脑电信号。

3.根据权利要求1所述的基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在于：使用支持向量机分类器对特征向量分类的具体步骤如下：(1)对支持向量机中的初始化参数进行设置，初始化参数包括种群的大小、终止迭代数、交叉和变异的概率；

(2)从 脑电信号中选取一组作为训练数据，通过训练得到训练的模型“model”，model是一个1×1的结构体；

(3)将最优训练模型作为输入参数，选取好测试集和测试集标签，进而测出测试集数据的分类正确率。

4.根据权利要求2所述的基于CSP和R-CSP算法的脑电信号特征提取方法，其特征在于：所述的a＝0.01，p＝0.1。