1.基于卷积神经网络的任务fMRI大脑解码方法，其特征在于，具体按照以下步骤实施：步骤1、获取fMRI的原始数据集；

步骤2、对原始数据集进行数据预处理得到数据更新集；

步骤3、将数据更新集标准化获得标准数据集；

步骤4、将标准数据集输入卷积神经网络，输出解码概率向量Y和解码结果arg maxi{yi|Y}。

2.根据权利要求1所述基于卷积神经网络的任务fMRI大脑解码方法，其特征在于，步骤

2具体过程为：

步骤2.1、对原始数据集中的所有大脑切片进行时间矫正；

步骤2.2、对步骤2.1获得的数据集进行配准和分割；

步骤2.3、对大脑进行标准空间模版转换在同一坐标系下，得到数据更新集。

3.根据权利要求1所述基于卷积神经网络的任务fMRI大脑解码方法，其特征在于，步骤

3具体过程为：将数据更新集作为一个三维矩阵，通过以下数据进行标准化，得到标准数据集；

其中，X表示矩阵，xk表示矩阵中第k个值，min(X)是指整个X矩阵里的最小值，max(M)是指整个M矩阵里的最大值。

4.根据权利要求1所述基于卷积神经网络的任务fMRI大脑解码方法，其特征在于，步骤

4具体过程为：

步骤4.1、标准数据集输入神经网络，得到输入层数据三维矩阵为X，大小为标准脑空间的矩阵大小；

步骤4.2、卷积神经网络采用3D-CNN架构，对于每一层卷积层，输入为三维矩阵X，对应输出为fi(ωiXi-1+βi)；将最后一层卷积层重组为全连接层，转化为一维向量，对于每一层全连接层，输入为一维向量X'，对应输出为fi(ωiX'i-1+βi)；最终输出层输出解码概率向量Y；

步骤4.3、经过arg maxi{yi|Y}得到最终解码结果。

5.根据权利要求4所述基于卷积神经网络的任务fMRI大脑解码方法，其特征在于，所述卷积神经网络使用方向梯度传播进行最优化训练，网络中均采用最大池化层。

6.基于卷积神经网络的任务fMRI大脑可视化方法，其特征在于，使用根据权利要求1-5任意一项所述的基于卷积神经网络的任务fMRI大脑解码方法进行解码，并将解码概率向量Y输入可视化模块，输出可视化结果。

7.根据权利要求6所述基于卷积神经网络的任务fMRI大脑可视化方法，其特征在于，所述将解码概率向量Y输入可视化模块过程如下：步骤5.1、将步骤4.2中3D-CNN中的最后一层卷积层Xk对解码概率向量Y求偏导，获得矩阵Z，步骤5.2、将矩阵Z进行三维线性插值放大到与原图像等大，获得矩阵Z'；

步骤5.3、将步骤5.2中获得的矩阵Z'进行标准化 分层输出，即得可视化图像。