1.一种驾驶持续性注意水平的识别方法，其特征在于，该方法包括：通过多个电极采集脑电信号，并记录与所述脑电信号对应的反应时间参数；

根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值；

确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级；

从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标；

基于所述持续性注意水平的识别特征指标，建立支持向量机SVM识别模型；

根据所述SVM识别模型，对驾驶持续性注意水平进行识别。

2.根据权利要求1所述的方法，其特征在于，所述根据预先采样得到的反应时间参数以及预设的等级划分分位数，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值包括：选择预设时段内的反应时间参数，将所选择的反应时间参数组成一个反应时间序列的集合z；

计算所述集合z的均值 与标准差σ，从所述集合z中去除 以外的异常数据，并对剩余数据按从小到大顺序排列，得到排序后的序列Z＝{z(1),z(2),..,z(n)}(n≤m)；

根据排序后的序列Z的等级划分分位数pk(k＝1,2,3…，l-1)，将驾驶持续性注意水平划分为l级，并确定各个级别之间的阈值。

3.根据权利要求2所述的方法，其特征在于，根据如下的公式确定第k级与第k-1级间的阈值δk(k＝1,2,3…，l-1)：

4.根据权利要求1所述的方法，其特征在于，所述确定当前所采集到的反应时间参数的驾驶持续性注意水平的等级包括：将当前所采集到的反应时间参数划分为M个子集合U1～UM；

对于任意一个子集合 依据持续注意水平划分阈值δk，确定其中每个行为绩效点 的隶属等级；

统计子集合Ui中各行为绩效点所对应的各级持续性注意水平的分布频数fk，将分布频率最高的等级作为该子集合(即驾驶段)所对应的持续性注意水平等级的C(i)；

依次确定集合U＝{U1,U2,...,UM}中各子集合(即各个驾驶段)所对应的持续性注意水平，并最终得到该次驾驶过程中持续性注意水平等级序列C＝{C1,C2,...,CM}。

5.根据权利要求4所述的方法，其特征在于，根据如下的公式确定每个行为绩效点的隶属等级：

6.根据权利要求4所述的方法，其特征在于，所述C(i)为：其中，mk为第k级持续性注意水平所对应的行为绩效点频数。

7.根据权利要求6所述的方法，其特征在于，所述从采集到的脑电信号中提取脑电特征参数，根据所得到的脑电特征参数获取持续性注意水平的识别特征指标包括：S1、对时段T内从1个电极采集到的脑电信号，以0～80Hz的带宽进行整体滤波处理；

S2、以预设步长为时间窗从左到右逐段滑动，并以预设的时间窗重叠率将采集到的脑电信号分割成多个时间窗信号；

S3、将每一个时间窗信号内乘于等长度的汉明窗，得到中间变量H(n)；

S4、对H(n)进行快速傅里叶变换，得到脑电信号在频域的幅值分布密度函数f(k)；

S5、从幅值分布密度函数f(k)中分别提取预设频段的平均幅值，根据所述平均幅值计算合成参数，并将所述平均幅值和合成参数组成脑电特征参数序列；

S6、对于每一个脑电特征参数序列，去除3倍标准差外的异常值后求平均，作为该电极时间段T内的脑电信号参数；

S7，对于特定时段T内从q个电极采集到的脑电信号，均采用上述的步骤S1～S7进行处理，得到该时段的脑电信号参数集合E＝{e1,e2,...,e8q}；

S8、根据所述脑电信号参数集合，选取持续性注意水平的识别特征指标。

8.根据权利要求7所述的方法，其特征在于：

所述预设步长为2秒；所述时间窗重叠率为50％。

9.根据权利要求7所述的方法，其特征在于，所述中间变量H(n)为：H(n)＝h(n)·W(n)；

其中，h(n)为时间窗信号，h(n)·W(n)为向量h(n)与W(n)的内积，α+β＝1,α,β＞0，n为信号样本量，N约等于n的二次方。

10.根据权利要求9所述的方法，其特征在于，所述幅值分布密度函数f(k)为：式中，WN＝cos(2π/N)-jsin(2π/N)。

11.根据权利要求10所述的方法，其特征在于，所述预设频段为θ、α和β频段；所述θ频段为4～8Hz，α频段为8～13Hz，β频段为13～

30Hz。

所述合成参数包括：(α+θ)/β、α/β、(θ+α)/(α+β)、θ/β和(α+β)/θ。

12.根据权利要求11所述的方法，其特征在于，所述步骤S8包括：将从各个电极采集的脑电特征参数样本根据持续性注意水平分为L类；

采用Relief算法比较脑电特征参数在同类近邻样本与异类近邻样本之间的差异，将在同类样本之间的差异小而在异类样本之间差异大的脑电特征参数作为持续性注意水平的识别特征指标。

13.根据权利要求12所述的方法，其特征在于，通过如下所述步骤得到持续性注意水平的识别特征指标：将所述脑电信号参数集合作为脑电参数样本集合E＝{E1,E2,...,Em}，每个样本含有8q项脑电特征参数；

定义样本Ei与样本Ej在第r(1≤r≤8q)个脑电特征参数上的差为：其中，max(r)与min(r)分别为第r(1≤r≤8q)个脑电特征参数在脑电参数样本集合E中的最大值与最小值；

从脑电参数样本集合中随机抽取一个样本Ek；

对与Ek同类及异类的样本，均根据diff值按升序排序，并分别选取前z个样本，用H(k)表示与Ek同类的z个样本组成的集合，用H(c)表示与Ek异类且属于c类的z个样本组成的集合，使用如下所述公式更新脑电参数r的权重sr为：其中，sr(i)表示第i(1＜i≤N)次迭代脑电特征参数r(1≤r≤8q)的权重；p(·)为所属类型的样本个数在样本总数所占的比率；N为迭代次数；

经过N次迭代之后，求取各个脑电特征参数相应权重的均值，选取其中权重最大的h项脑电参数作为持续性注意水平的识别特征指标向量x＝{x1,x2,...,xh}。

14.根据权利要求13所述的方法，其特征在于，所述基于所述持续性注意水平的识别特征指标，建立SVM识别模型包括：根据所述持续性注意水平的识别特征指标建立线性不可分的持续性注意水平识别指标的样本集 其中，xi为持续性注意水平的识别特征指标，yi∈R为相应的输出；

通过非线性变换映射Φ(xi)，将处在低维空间的样本集映射到高维空间，使其线性可分；

建立SVM识别模型

采用粒子群优化算法对所述SVM识别模型进行参数寻优。

15.根据权利要求14所述的方法，其特征在于，所述建立SVM识别模型包括：将高维空间中的线性SVM表示为：

s.t.yi[(w·Φ(xi)+b]-1+ξi≥0,ξi≥0；

其中，w·Φ(xi)为向量w与向量Φ(xi)的内积，ξi为松弛函数，C为惩罚参数，w∈Rh,b∈R；

经对偶问题求解得出最优超平面系数后，构造决策函数f(x)为：

16.根据权利要求15所述的方法，其特征在于：选用核函数 其中，g为核函数的长度，i＝1,2,...,M)；αi为标量常数。

17.根据权利要求16所述的方法，其特征在于，所述采用粒子群优化算法对所述SVM识别模型进行参数寻优包括：将SVM参数训练样本集 (n为样本量)视为一个种群，其中每个粒子代表一组SVM参数，位置与参数一一对应；

以均匀绝对误差为适应度测评参数的性能，即：

其中，yi为相应参数的输出值； 为相应参数的实际值；

对PSO初始化随机产生的粒子位置loci＝{loci1,loci2},速度vi＝{vi1,vi2}(i＝1,

2,...,n)；

在2维空间中，搜索粒子最优位置p_loc(i)＝{p_loc(i1),p_loc(i2)}及粒子群最优位置g_loc＝{g_loc(1),g_loc(2)}；

计算所有粒子的适应度及粒子群的适应度，采用迭代算法实现寻优，相邻迭代后当第j个粒子的适应度及粒子群最优适应度优于前次适应度p_loc(j)和g_loc，且不满足给定的两者适应度阈值时，按照如下所述公式，对粒子群中所有粒子的速度与位置进行更新：vi(t+1)＝zvi(t)+c1r1(p_loc(i)(t)-loci(t))+c2r2(g_loc(t)-loci(t))；

loci(t+1)＝loci(t)+vi(t+1)；

其中，i＝1,2,...,n，t为迭代次数，c1,c2为学习因子，z为惯性系数，r1,r2为两个服从(0,1)均匀分布的随机数；

粒子在搜索空间内不断跟踪个体最优与群体最优，直到达到最大迭代次数或者满足给定的适应阈值为止；

迭代结束后，将粒子群最优适应度对应的参数C、g作为最优值代入SVM识别模型。