1.一种基于SCSP-LDA的脑电信号特征提取与分类方法，其特征在于，该方法包括如下步骤：步骤1、将CSP算法转化为广义特征值的求解问题，具体步骤如下：步骤11、将CSP算法视为一种在广义瑞利商基础上的算法，其相对应的表达式J可写为：式中，w为空间滤波矩阵，T为求转置，Xi(i＝1,2)表示将原始样本数据经过去均值预处理后得到的样本矩阵，Ci(i＝1,2)为样本数据的协方差矩阵；

步骤12、所述步骤11中所述表达式的分子分母同乘以一非零常数k，其值不发生改变，即：J(kw)＝J(w)；

步骤13、利用所述步骤12得到的式子对所述步骤11中的式子进行简化，通过对常数k的调整，进而改变w的值，令wTC2w＝1，将对所述表达式J求极值的问题化简为对wTC1w求极值的问题；从而能够把以上问题转变为求拉格朗日算子的表达式，即：L(λ,w)＝wTC1w-λ(wTC2w-1)式中，λ为拉格朗日乘子；

步骤14、对所述步骤13中的表达式中的w求偏导，同时令左边为0，故而有：通过以上步骤，CSP算法便转化为广义特征值的求解问题；其中，设 则w为M关于特征值λ的广义特征向量；

步骤2、由广义特征值的求解问题结合稀疏搜索算法寻找最佳空间滤波器，得到SCSP算法，用于所述SCSP算法对EEG的通道进行稀疏和特征提取；

步骤3、提取新特征空间：

步骤31、利用SCSP算法提取到的特征空间W，对原始数据进行滤波处理，得到滤波后的矩阵Z，即：ZN×T＝WN×N·EN×T

式中，Z为滤波后的矩阵，W为利用SCSP算法求得的最优特征空间，E为原始数据中每一次测量得到的一组数据，其中N表示脑电数据的通道数，T表示每一次测量得到的数据点数；

步骤32、从滤波后的矩阵ZN×T提取特征空间矩阵fp：式中，fp为特征空间矩阵，Zp由经过滤波的数组Z的前后各取k行构成；

步骤4、利用LDA算法对所述特征空间矩阵fp进行特征降维与分类。

2.根据权利要求1所述基于SCSP-LDA的脑电信号特征提取与分类方法，其特征在于，所述步骤2包括如下具体步骤：步骤21、选择通道稀疏模式并设置稀疏度spl；

步骤22、输入两类EEG协方差矩阵A、B；

步骤23、运行选定的搜索模式；

步骤24、定义通道存储数组ix；

步骤25、以最大化两类EEG方差的差异，即以求解式A(ix,ix)X＝λB(ix,ix)X中特征值的大小为评价标准，迭代搜索的方式遍历所有通道后筛选出最佳通道，并且后一次循环是在前一次得到的最优解的基础上进行，以此保证每次得到结果都是最优解，直到通道数达到设定的稀疏度，即得到最佳通道组合，输出最终选择出的通道组合ix；

步骤26、利用步骤25得到的最佳通道组合ix计算出最佳特征子空间。

3.根据权利要求2所述基于SCSP-LDA的脑电信号特征提取与分类方法，其特征在于，所述步骤21中所述选择通道稀疏模式包括：向前选择、向后消去和贪婪搜索模式。

4.根据权利要求1所述基于SCSP-LDA的脑电信号特征提取与分类方法，其特征在于，所述步骤4包括如下具体步骤：步骤41、将两类EEG数据带入到LDA算法中，求得LDA的投影矩阵A*，有如下公式：式中，A*为LDA的投影矩阵，m1、m2分别为两类数据的均值向量，Sw为两类数据的类内距离之和；

步骤42、将由SCSP算法提取到的特征空间矩阵fp向法向量A*投影，实现特征降维，即：y＝(A*)T*fp

式中，fp为特征空间矩阵，A*为LDA的投影矩阵；

步骤43、根据得分y并设置阈值实现对提取到的特征的分类。