1.基于集成支持向量学习的脑机接口技术，其特征在于，具体如下：步骤1：基于来自训练集的EEG信号数据设计类别差异指导子带滤波器CDF，利用CDF增强EEG信号，并基于FBCSP算法提取基于CDFCSP的特征；

所述CDF的获得方式如下：

使用WPD提取训练集中EEG的频谱，并根据频谱设计CDF，所述CDF被用于预处理EEG，以增强EEG信号中的判别性频率；

m

第一步：利用WPD产生频谱模板，第j层中来自通道m的EEG信号的WPD系数用WP (i,k)表示，其中i是频率分量的索引，k是频率分量系数的索引；通过每个频率分量中系数的二次方求和来计算通道m的EEG的频谱：其中K是每个频率分量中系数总数，通过对该类别中的所有频谱求平均，计算每个类别的频谱模板：其中，c和C分别是类别和类别c的训练集，N是类别c在训练集中的数据量；

每个类别的频谱模板是一个矩阵，其行数等于通道数，列数等于频率分量数；类别之间具有明显模板差异的频带被认为是判别性频带；基于训练集中第一类数据得到频谱模板记为Tclass1(m,i)，基于第二类数据得到频谱模板记为Tclass2(m,i)；频谱模板作为参考用于指导CDF的设计，以增强判别频率分量，基于不同类别的频谱模板获得归一化模式CDF矩阵H(m,i)：H1、H2中的每个元素都取决于两类数据频谱模板的比率，如果模板中某频带不具有区分度，在类别H1模板的相关元素为在类别H2模板中的元素，因此该频带在H中的值为0.5；相反，如果该频带具有较高区分度，H中的至少一个相关的元素会明显较大；

CDF矩阵H(m,i)的应用扩大了原始EEG判别频带的WPD系数，并缩小其他频带系数：其中， 表示原始EEG的WPD系数， 表示由CDF过滤后的EEG的WPD系数，应用式(3a)和式(3b)中的两个CDF矩阵同时过滤原始EEG信号，再根据各类别之间模板的差异，来放大或缩小WPD系数；然后基于修正的WPD系数 采用小波包逆变换重建滤波后的脑电信号，得到增强的EEG信号；

步骤1所述基于FBCSP算法提取基于CDFCSP的特征的方法如下：第一步：采用带通滤波器组过滤增强的EEG信号，参考FBCSP算法，选择包括9个子带带通滤波器的切比雪夫II型带通滤波器组；

第二步：执行CSP算法以找到大小为2e×M的映射矩阵P，其中e是控制映射后EEG信号通道的超参数，M是EEG信号中通道的数量；映射后的脑电信号Zt大小为2e×L，通过P计算：Zt＝P×Et    (5)

其中，Et是大小为M×L的脑电信号矩阵，L是脑电信号段的采样点；

第三步：将映射后的脑电信号的方差归一化，并计算对数：

由于可以从CSP滤波后EEG信号的一个通道中提取一维特征，并且使用9个子带滤波器，所以提取的特征的维数为18e；

步骤2：通过评估大脑左右感觉运动区域之间的脑电EEG信号差异来获得时空差异特征STDF；

步骤2获得时空差异信号STDF步骤如下：

第一步：基于大脑的左右感觉运动区EEG信号计算出时空差异信号：D＝Sl‑Sr    (7)

其中，S1是从左感觉运动区收集的EEG，而Sr是从右感觉运动区收集的EEG，STDF通过积分方式计算：其中，f和x分别是特征点和采样点的索引，X是EEG信号试验中采样点的总数；

步骤3：提取的基于CDFCSP的特征和时空差异特征STDF用于训练ESVL分类器并进行分类预测；

步骤3具体如下：

首先，对线性SVM分类器分别进行基于CDFCSP的特征、时空差异特征STDF进行训练，再对线性SVM分类器进行基于CDFCSP的特征和时空差异特征STDF进行联结训练；然后将训练后的三个SVM分类器的输出后验概率合并以形成最终预测结果；

SVM分类器找到将数据分为两个类别的最佳分类边界

f(x)＝x′β+b＝0,    (9)

其中，x'是输入特征的转置，β和b是分类边界的参数；该最佳分类边界应使来自正类和负类的数据之间的间隔最大化，对于某些不可分割的数据，对位于分类边界反侧样本的目标函数施加了惩罚：其中，ξj是用于惩罚跨越边际边界的样本的松弛变量，g是惩罚乘数，以控制施加于违反分类边界的样本的最大惩罚；利用拉格朗日乘数法优化目标函数并找到最佳分类边界；对ESVL进行充分训练，基于训练集找到最佳分类边界；

再基于样本与分类边界的距离计算后验概率，从样本点到分类边界的有符号距离的计算公式为：d(x)＝x'β+b,    (11)

如果有符号距离为正值，则代表样本点在分类边界的正类一侧；相反，有符号距离为负值代表样本点在分类边界的负类一侧；后验概率是样本属于特定类别的概率，利用Sigmoid函数基于距离计算后验概率：其中，dj是由式(11)计算的距离，而A和B分别是斜率和截距参数；为了拟合Sigmoid函数，将yj∈(‑1,1)转移到概率目标中，该概率目标定义为正类别的概率：然后，将交叉熵误差函数设置为目标函数，以找到最佳参数A和B：使用最大似然估计基于训练集来获得最优参数A和B，得到最优的A、B参数后，通过(11)和(12)计算测试样本属于正类的后验概率；

基于三个经过训练的概率SVL分类器，计算出样本属于正类的后验概率，最后，对后验概率求和，形成ESVL分类器的最终预测。

2.根据权利要求1所述的基于集成支持向量学习的脑机接口技术，其特征在于，所述9个子带的频谱依次为4‑8Hz，8‑12Hz，12‑16Hz，…，36‑40Hz。