1.一种基于脑电波识别情绪的购物系统，包括脑电波采集模块及其购物推荐系统，用户佩戴装有脑电波传感器的设备，采集脑电波信号后，得到电压信号，之后分成两路，一路通过电流传感器得到的电流大小，输入到ARM单片机中，另一路直接输入到ARM单片机，得到β波和θ波功率，计算获得β波和θ波的绝对功率比，通过机器学习方法——梯度推进树GBDT来建立情感推理规则，识别积极、平静、消极三类情绪，当识别到这三类情绪时，购物推荐系统获取相关数据，向用户提供推荐商品；

脑电波采集模块包括脑电波传感器、电流传感器、ARM单片机；

其特征在于：

所述的脑电波传感器用于测量大脑皮层浏览商品时的脑电信号，分别有δ波1－3Hz、θ波4－7Hz、α波8－13Hz、β波14－30Hz，测量采用干电极探头，通过信号放大、滤波后，再经过ThinkGearAM脑电波处理芯片处理，得到β波和θ波的电压信号；

所述的电流传感器使用的是霍尔传感器，用于将线路中的电流值按照一定的线性关系转换成电压值，从而输入到ARM单片机中，进而通过ARM单片机计算得出线路中的电流大小；

所述的ARM单片机用于处理从脑电波传感器直接传来的电压信号和经由电流传感器传来的电流信号，经过处理后，得到β波和θ波的绝对功率比；通过机器学习方法——梯度推进树GBDT来建立情感推理规则，识别积极、平静、消极三类情绪，最后通过串口通信将数据传送到电脑后台。

2.如权利要求1所述的系统，其特征在于，所述的购物推荐系统还包括数据库模块、数据挖掘模块、推荐处理模块、用户评分模块四个部分；

所述的数据库模块用于记录并保存用户脑电波信号、用户的交易数据、商品数据、用户信息数据，为下一阶段的数据挖掘做好数据准备；

所述的数据挖掘模块用于将数据库模块中的信息和实时交易信息集成到推荐项目中；

数据挖掘通过统计、在线分析处理、情报检索、机器学习、专家系统和模式识别方法，自动化地分析数据，做出归纳性的推理，从数据中挖掘出潜在有用的信息；该模块从数据库模块的数据中找到用户的购物历史记录和商品特征数据之间的关系，然后将结果交给推荐处理模块；

所述的推荐处理模块用于执行积极、平静、消极三类情绪运行相应的算法，判断推荐商品项目；该模块同时提供包括用户和喜爱商品项目在内的推荐列表；当识别出用户情绪为积极时，推荐处理模块执行基于内容的推荐算法，将与用户感兴趣的相似商品加入推荐列表中；当识别出用户情绪为平静时，推荐处理模块执行将基于内容的算法和基于协作过滤算法结合起来的混合式推荐算法，将预测评分高的商品加入推荐列表；当识别出用户的情绪为消极时，推荐处理模块无操作；

所述的用户评分模块用于用户在得到商品推荐列表后，对推荐商品的进行评分，每完成一次推荐就进行一次评分，该评分由用户在浏览推荐商品时，通过系统检测到的脑电波来识别情绪来评价。

3.如权利要求1所述的系统，其特征在于，在用户评分模块中，将识别出的情绪转化成定量的数字评价，定义积极为满分2分，平静为1分，消极为0分；用户评分矩阵表示为R(m×n),m表示用户的数量,n表示项目的数量,评分矩阵中的非零元素rij∈R；用户集合表示为U＝*u1,u2,…,ui+,每个项目tj∈T项目集合的内容表示为VSM特征向量fvj＝(w1j,w2j…wbj…wnj)，其中wbj表示第b个关键字对于项目tj的权重，该权重以tf/idf模式计算；

选取频率较高的特征,构成高维特征向量空间，Widrow‑Hoff学习算法使用梯度下降训练模型进行用户建模,用户ui第s次项目评分ris后，该用户的特征向量表示为uvis＝(v1is,v2is,…,vbis,…,vnis)，其中vbis表示第s次项目评分后第b个特征关键词对描述用户ui兴趣的重要性；当用户ui对第s+1次项目评分ri(s+1)后，该用户的特征向量表示为uvi(s+1)，同时更新用户ui对j项目的特征权重：

其中，vbis表示第s次项目评分后第b个特征关键词对描述用户ui兴趣的重要性,uvis表示为用户ui第s次项目评分ris后，该用户的特征向量，fvs表示为项目s的VSM特征向量，ri(s+1)表示为用户ui对第s+1次项目评分，wbj表示为表示第b个关键字对于项目tj的权重；

最后系统将评分结果反馈给推荐处理模块。