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；

其中，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＇)}，其中，n＇≤m；

根据排序后的序列Z的等级划分分位数pk，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；其中，k＝1,2,3…，l-1。

2.根据权利要求1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：

3.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；其中，1≤s≤q；

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}中各子集合所对应的持续性注意水平，并最终得到驾驶过程中持续性注意水平等级序列C＝{C(1),C(2),…,C(M)}。

4.根据权利要求3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：

5.根据权利要求3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。

6.根据权利要求5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％。

7.根据权利要求5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＞0,β＞0，n为信号样本量，N等于n的二次方。

8.根据权利要求7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。

9.根据权利要求8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。