1.基于脑功能网络特征的多模式运动想象识别方法，其特征在于：该方法包括如下步骤：

步骤1.设计多种模式的运动想象动作，具体为：静默状态、左手抬起动作、右手抬起动作、左足抬起动作、左手左足协同抬起动作、右手左足协同抬起动作和双手协同抬起动作；

步骤2.对步骤1中的各类运动想象动作构建脑功能网络，然后对脑功能网络进行阈值处理，得到无权脑功能网络结构拓扑图；

步骤3.依据神经生理学肢体运动与大脑皮层对应关系，并结合不同动作模式的脑功能网络拓扑结构图，构建以不同导联为中心的区域网络；

步骤4.对步骤3中构建的各区域网络构建有权脑功能网络，定义有权脑功能网络任意两个网络节点之间的连接系数之和为网络功能连通值C，运动想象期间的网络功能连通值与想象开始前的静息期间的网络功能连通值的比值的绝对值为网络功能连通增率CR，并且将网络功能连通增率作为运动想象脑电信号的特征，把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]；

步骤5.把步骤4组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]输入支持向量机分类器，获得识别结果。

2.根据权利要求1所述的基于脑功能网络特征的多模式运动想象识别方法，其特征在于：步骤2具体过程如下：

2‑1.选择合适的网络节点；不同的信号源有不同的网络节点选择方法，对于多通道的EEG信号，把头皮表面每个电极对应的脑区定义为一个网络节点；

2‑2.量化网络节点之间的功能连接关系；选择Pearson相关系数来量化两个网络节点之间的功能连接关系，Pearson相关系数的计算公式如下：式中，xi(t)和xj(t)为网络节点i和网络节点j在t时刻的采样值， 和 为网络节点i和网络节点j的平均采样值，i,j＝1,2,…,N，N为网络节点数；rij的值介于‑1和1，当rij<0时，则取绝对值，rij的绝对值越大，表示两网络节点之间相关性越强；计算两两网络节点之间的相关系数，得到一个N×N的连接系数矩阵，该矩阵为对称矩阵，此时的脑功能网络为有权脑功能网络，rij即为权；

2‑3.对2‑2步骤中的有权脑功能网络进行阈值处理，可得到无权脑功能网络；选取合适的处理阈值δ，对连接系数矩阵进行阈值处理，可得到0‑1邻接矩阵；

式中，aij＝1表示网络节点i和j之间相关性很强，存在连接边，反之不存在连接边。

3.根据权利要求2所述的基于脑功能网络特征的多模式运动想象识别方法，其特征在于：步骤4具体过程如下：

4‑1.选择合适的导联作为网络节点，对各导联的EEG信号进行8‑13Hz带通滤波，提取出μ节律；

4‑2.量化各个网络节点之间的功能连接关系，用步骤2‑2求出网络节点i和网络节点j的功能连接系数rij；

4‑3.计算网络功能连通值C,计算公式为：式中，rij为网络节点i和网络节点j的连接系数，V为网络节点集合；

4‑4.计算网络功能连通增率CR，公式如下：式中，Cimage为运动想象期间的脑功能网络的网络功能连通值，Crest为静息期间的脑功能网络的网络功能连通值；

4‑5.把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]。