1.一种卷积神经网络训练方法，其特征在于，包括：执行多次获取过程；每次所述获取过程分别用于获取脑电信号；

对所述脑电信号执行时域数据增强和频域数据增强；

使用经过所述时域数据增强和频域数据增强的所述脑电信号训练所述卷积神经网络。

2.根据权利要求1所述的卷积神经网络训练方法，其特征在于，所述获取过程包括：通过C3、Cz和C4通道采集受试者在进行运动想象时产生的脑电信号；

将所述脑电信号分类为左手运动想象脑电信号或右手运动想象脑电信号；

对所述脑电信号进行分类标记；

将所述脑电信号归类为训练集或测试集；所述训练集用于训练所述卷积神经网络，所述测试集用于测试所述卷积神经网络。

3.根据权利要求1所述的卷积神经网络训练方法，其特征在于，还包括：对所述脑电信号进行异常值筛除；

对所述脑电信号进行第一带通滤波。

4.根据权利要求1-3任一项所述的卷积神经网络训练方法，其特征在于，所述时域数据增强包括：将所述脑电信号在时域上分解为数据片段；

在各次所述获取过程获取的所述脑电信号之间进行所述数据片段的对换；被对换的所述数据片段具有相同的时域位置；

对所述脑电信号进行第二带通滤波。

5.根据权利要求4所述的卷积神经网络训练方法，其特征在于，所述频域数据增强包括：对经过所述时域数据增强的所述脑电信号进行第三带通滤波；所述第三带通滤波具有多个通带，所述第三带通滤波的结果为获得所述脑电信号的频率成分；

在各次所述获取过程获取的所述脑电信号之间进行所述频率成分的对换；被对换的所述频率成分具有相同的频域位置。

6.根据权利要求5所述的卷积神经网络训练方法，其特征在于：当所述脑电信号的强度达到预设的阈值，停止所述时域数据增强；

当所有所述脑电信号均被执行过至少一次所述时域数据增强，停止所述时域数据增强。

7.根据权利要求5所述的卷积神经网络训练方法，其特征在于，所述卷积神经网络包括依次连接的输入层、时间卷积层、深度卷积层、第一池化层、可分离卷积层、第二池化层、全连接层和输出层；

所述输入层用于接收所述脑电信号；

所述时间卷积层用于从所述脑电信号中提取出时间特征信息；

所述深度卷积层用于从所述脑电信号中提取出空间特征信息；

所述可分离卷积层用于从所述脑电信号中提取出频率特征信息；

所述第一池化层和所述第二池化层用于对所述时间特征信息、所述空间特征信息和所述频率特征信息进行压缩和简化；

所述全连接层用于对所述第二池化层的输出结果进行融合；

所述输出层用于根据所述全连接层的融合结果进行分类输出。

8.一种脑电信号识别方法，其特征在于，包括：获取待处理脑电信号；

将所述待处理脑电信号输入到卷积神经网络中；所述卷积神经网络经过如权利要求1-

7任一项训练方法的训练；

获取所述卷积神经网络的输出结果；所述卷积神经网络的输出结果包括所述脑电信号的类型。

9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-8任一项所述方法。

10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-8任一项所述方法。