1.一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，包括如下步骤：

S1：首先采用信号采集仪采集原始的脑电信号；

S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析对多维脑电信号进行降维处理；

S3：将经过降维处理的脑电信号采用数据切割方法整理成序列帧，然后采用改进的卷积神经网络将脑电信号的频域特征提取出来；所述改进的卷积神经网络改进点主要在于：卷积神经网络模块主要包括五个卷积模块、四个池化层、两个批规范化层和一个Im2col加速层，其中每个卷积模块都由多个卷积层组合，卷积核尺寸大小采用的是3*3和5*5；

S4：然后采用改进序列特征提取算法提取脑电信号的时域特征；所述改进序列特征提取算法改进点主要在于：将两个LSTM以相反的方向融合，共同决定当前时刻的预测信息，其信号输入序列对于两个隐藏层是相反方向的，直到两个隐含层处理完所有输入序列时预测输出才更新，同时在后向计算过程中，输出值首先通过随机梯度计算然后返回值给两个不同方向序列的隐藏层；

S5：在提取出脑电信号的特征之后，通过Softmax回归对多类脑电信号进行分类并输出结果。

2.根据权利要求1所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S3卷积神经网络的结构从上到下依次是：首先是1*2卷积+降采样，然后是并行的卷积组，之后是2*3卷积+降采样，接着是批规范化，之后是3*3卷积+降采样，批规范化以及4*2卷积+降采样，最后是im2col加速层。

3.根据权利要求2所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述1*2卷积+降采样的卷积核尺寸为3*3，卷积核个数为64，池化的目的是降采样，减少参数量。

4.根据权利要求2所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述并行的卷积组的卷积核包括5*5，3*3的卷积核，然后将特征融合，卷积核个数均设置为128，还引入了1*1*C的卷积核，C表示常数。

5.根据权利要求2所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述Conv2*3和Conv3*3均为三个连续的卷积层，每层卷积核尺寸大小为5*5，卷积核个数为128，卷积组后均添加Batch Normalization层，即批标准化，它在深度神经网络的中间添加正态标准化处理，使每一层神经网络的输入都保持相同的数据分布；Con4*2是两个连续的卷积层，卷积核尺寸为5*5，卷积核的个数为256，其后紧接着是im2col层，im2col是Caffe里面的一种加快卷积运算的方法，而im2col将数据送到GPU显存中是按行序连续存储的，然后通过GPU的矩阵乘法运算。

6.根据权利要求2-5之一所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S4采用序列特征提取算法提取脑电信号的时域特征；具体为：采用双向LSTM，将两个LSTM以相反的方向融合，共同决定当前时刻的预测信息，其信号输入序列对于两个隐藏层是相反方向的，直到两个隐含层处理完所有输入序列时预测输出才更新。同时在后向计算过程中，输出值首先通过随机梯度计算然后返回值给两个不同方向序列的隐藏层；

将卷积神经网络模块提取的特征输入到网络后，依次经过Im2col_reshape层、Lstm_input层、双向Lstm层、Merge_lstm_rlstm层、Reshape层、Lstm_output层、FC层以及softmax层及输出Output层。

7.根据权利要求6所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，将卷积神经网络模块提取的特征输入到网络后，首先经过一个Im2col_reshape层，im2col加速层其作用是将序列特征维度进行转换，作为卷积层和循环层的桥梁；经过卷积模块后生成Im2col的维度256×1×H×W，经过reshape维度变为H×W×256×1，将其输入到双向LSTM中，两个LSTM 的维度都是256，一个LSTM从t＝1重复到T，另外一个反向LSTM从t＝T重复到1，信号序列通过正向和反向的隐藏层都受到当前输入和上一时刻状态的影响，其实反向的上一时刻是信号序列的下一时刻；通过误差反向传播进行计算，两层LSTM在隐藏层进行信息融合后对当前时刻t的输入进行预测，输出维度为H×W×512×1，经过Reshape层，Lstm_output输出维度为512×1×H×W，然后经过一层维度为4096的全连接层FC，全连接层的输出送入Softmax来进行分类，给出分类结果Output。

8.根据权利要求6所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S5在提取出脑电信号的特征之后，通过Softmax回归对多类脑电信号进行分类并输出结果，具体包括：使用随机梯度下降SGD进行训练，梯度由反向传播算法计算得出，在双向LSTM循环层中，应用时序反向传播算法来计算误差。即通过一个损失函数进行联合训练，通过不断训练，确定最小误差下的模型权值。