1.一种面向脑网络的结构化特征选择方法，其特征在于，包括如下步骤：步骤一、对脑数据集进行数据预处理，使用Pearson相关系数构建功能性脑网络；

步骤二、建立面向脑网络的gk-SFS结构化特征选择方法的目标函数；

步骤三、基于目标函数，引入正则化项，用于保留样本间的整体分布信息；

步骤四、使用图核来计算网络数据的相似性，从而保留网络数据自身的拓扑结构信息；

步骤五、利用加速近似梯度算法对目标函数进行优化。

2.如权利要求1所述的一种面向脑网络的结构化特征选择方法，其特征在于：所述步骤一中，所构建的是带有权重的全连接网络图，先利用一个给定阈值将权重网络转化为二值网络，用于刻画拓扑结构；然后对每个脑区提取局部聚类系数做特征，用于减少特征维数，来自所有脑区的特征在一起构成一个特征向量。

3.如权利要求1所述的一种面向脑网络的结构化特征选择方法，其特征在于：所述步骤N*d二中，给定训练样本集提取的特征矩阵X＝[x1，x2…，xN]∈R ，其中，xi表示第i个样本的特征向量，i＝1，...，N，N表示训练样本的个数，d表示特征维数；

令Y＝[y1，y2…，yN]∈RN表示一个向量，其中yi表示样本的类标签，对两类分类问题，即yi∈{+1，-1}；

gk-SFS特征选择方法优化的目标函数是：

其中，矩阵C表示拉普拉斯矩阵，w表示投影向量，λ和β是两个正则化参数；该目标函数包含三项，第一项是损失函数，目标函数中采用了平方损失函数，第二项是稀疏正则化项，目标函数中采用L1范式用于选择具有判别力特征，第三项是拉普拉斯正则化项，用于保留整个网络数据的分布信息和网络自身的结构信息。

4.如权利要求3所述的一种面向脑网络的结构化特征选择方法，其特征在于：所述步骤三中，引入如下正则化项：其中，g(xi)＝wTxi是一个线性映射函数，C＝D-M是一个拉普拉斯矩阵，M＝[Mij]表示一个测量矩阵，定义样本间的相似性，D为对角矩阵，其对角元素

5.如权利要求4所述的一种面向脑网络的结构化特征选择方法，其特征在于：所述步骤四中，使用图核来定义两个网络的相似性，即对于任意两个网络Gi和Gj，相似性矩阵S定义如下：Mij＝k(Gi，Gj)

其中，k表示核函数，使用Weisfeiler-Lehman子树核来构建相应的图核。