1.一种基于拓扑特征融合的脑电识别方法，其特征在于，包括如下步骤：步骤(1)采集脑电数据；

步骤(2)信号预处理；

步骤(3)通过似然同步性构建加权脑功能网络；

步骤(4)构建二值脑功能网络；

步骤(5)提取拓扑特征；

提取步骤(4)中二值脑功能网络的两种拓扑特征；

步骤(6)使用局部平衡极限学习机实现特征融合并分类；

通过局部平衡极限学习机实现步骤(5)中两种拓扑特征在极限学习机特征空间的最优比例融合，以实现分类效果的提升，并通过最优的正则化系数获得最佳的分类泛化性能；

相对于极限学习机，局部平衡极限学习机在归一化时增加了一个融合比值B＝[b1，b2，…，bq]，样本归一化后变为 归一化后s′仍然满足模值为一，与此同时矩阵H中的输入特征相关项中局部“理解”之间的比值变为 即通过改变融合比值B就能实现融合比例的调节； 是隐藏层对第k个局部输入特征的“理解”；样本s由多个互补特征构成，即s＝[x1；x2；…；xq]，其中 维数为ak、模值为||xk||2，其中 表示第k个局部特征中第ak个元素；同时对应的假设某个隐藏层单元的输入权重矩阵由多个局部隐藏层单元构成，即c＝[w1|w2|…|wq]，其中wk的维数一一对应了xk的维数；ELM的隐藏层参数由高斯分布N(0，1)生成，所以因为隐藏层的随机产生所造成的波动会对融合产生干扰，所以更加期待隐藏层局部输入权重间的模值比||w1||：||w2||：…：||wq||接近于 即点E＝[||w1||，||w2||，…，||wq||]和点 的距离近；

为了克服随机参数造成的干扰，在生成隐藏层单元时设置阈值σ，只有当norm(E，F)≤σ时，将E对应的隐藏层单元加入到局部平衡极限学习机网络中；

步骤(7)使用留一法进行参数寻优；

[‑1：0.1：1] [‑4：0.1：6]设置融合比值B候选区间为10 ；正则化系数λ候选区间为e ；通过留一法得到分类效果最佳的融合比值B和正则化系数λ。

2.根据权利要求1所述的一种基于拓扑特征融合的脑电识别方法，其特征在于：所述的采集脑电数据；具体为：

进行实验室的环境布置，必须能够有效控制住声音、光线以及温度干扰；在数据采集之前，将电极帽安装在受试者头上并完成电极阻抗测试，以确保收集信号的质量；实验样本频率设置为5000Hz，受试者按照实验范式的要求完成数据采集。

3.根据权利要求1所述的一种基于拓扑特征融合的脑电识别方法，其特征在于：采集脑电数据时，受试者按照随机动作顺序进行左右手的曲腕、曲肘和握拳动作。

4.根据权利要求1所述的一种基于拓扑特征融合的脑电识别方法，其特征在于：信号预处理；具体为：

对记录的信号进行小波阈值法去噪，以尽可能减少噪声对研究的干扰。

5.根据权利要求1所述的一种基于拓扑特征融合的脑电识别方法，其特征在于：通过似然同步性构建加权脑功能网络；具体为：选取脑电采集的电极点为网络的节点，使用SL量化两两节点之间的SL值。

6.根据权利要求1所述的一种基于拓扑特征融合的脑电识别方法，其特征在于：构建二值脑功能网络；具体为：

选取阈值Th，当节点间的SL值大于等于Th，则认为该节点间的网络连接处于联通状态，置为1；当节点间的SL值小于Th时，则认为该节点间的网络连接为伪连接，置为0。