1.一种基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，包括以下步骤：

S1：首先利用无线便携式脑电采集仪采集原始脑电信号；

S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析方法对多维脑电信号进行降维处理；

S3：将经过降维处理的脑电信号采用数据切割方法整理成序列帧，然后采用基于层间特征融合的卷积神经网络将脑电信号的频域特征提取出来；基于层间特征融合的卷积神经网络改进点主要在于：卷积神经网络主要包括5个卷积层、4个池化层、1个im2col加速层、1个全连接层以及两个层间特征融合模块组成，卷积核尺寸大小均采用的是20*1；

S4：采用门控循环网络算法提取脑电信号的时域特征；

S5：在提取出脑电信号特征之后，利用softmax回归对多类运动想象脑电信号进行分类；

S6：用训练集对模型进行训练，使用SGD随机梯度下降作为优化器；

S7：使用验证集对训练后的模型进行交叉验证，调整模型的超参数，包括迭代批次、批次大小和学习率，在训练过程中对超参数设定不同的值，得到最终网络模型；

S8：根据最终网络模型，利用无线便携式脑电采集设备在线采集我们的脑电信号，在对数据打上标签后，利用在线的脑电信号去训练该网络模型，经过一定次数的训练，待模型稳定后，分别通过大脑对左手、右手、舌头、脚进行一定次数的想象进行特征识别，得出我们模型对四类运动想象脑电的识别率。

2.根据权利要求1所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析方法对多维脑电信号进行降维处理；具体为：首先从原始脑电信号中顺序地找一组相互正交的坐标轴，第一个坐标轴选择的是原始数据中方差最大的方向，第二个坐标轴选取的是与第一个坐标轴正交的平面中方差最大的方向，第三个轴是与第一、二个轴正交的平面中方差最大的方向以此类推，得到n个这样的坐标轴。大部分方差都是包含在前面的k个坐标轴中。通过计算数据矩阵的协方差矩阵，得到协方差矩阵的特征值与特征向量，选择特征值最大(即方差最大)的k个特征对应的特征向量组成的矩阵，从而实现脑电数据降维的目的。

3.根据权利要求2所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S3卷积神经网络的结构从左到右依次是2*卷积+池化+卷积+第一融合模块+池化+卷积+池化层+卷积+第二融合模块+池化+im2col。

4.根据权利要求3所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，所述的2*卷积+池化的第一个卷积核0尺寸为20*1，个数为16，目的在每个通道的频率样本上进行卷积以提取频域特征，第二个卷积核1为1*22，个数也为16，目的为在所有通道上进行卷积以使EEG信号表示为具有频域和通道信息的2D阵列，池化层1尺寸为

6*1且步长为6，池化的目的在于降采样，减少参数量。

5.根据权利要求4所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，所述卷积层2、卷积层3、卷积层4的卷积核尺寸均为20*1，卷积核个数分别为32个、64个、128个，池化层2、池化层3、池化层4尺寸为6*1，步长为6，分别将卷积层1与卷积层2，卷积层3与卷积层4利用特征融合模块将提取到的局部特征进行融合，然后将融合后的特征图输入到下一层以增强局部脑电特征细节，其中层间特征融合模块包括了两个池化层、两个卷积层以及一个加法融合模块，将两张特征图分别经过一个池化层和一个卷积层进行尺寸变换和通道数转换以变成尺寸大小和通道数一致的特征图，然后通过加法融合模块将两者元素逐一相加形成新的细节更丰富的特征图输入到卷积神经网络的下一层处理。

6.根据权利要求5所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，第二融合模块输出的特征图经过池化层4降采样之后经过一个im2col加速层，im2col是Caffe里的一种加快卷积运算的方法，而im2col将数据送到GPU显存中是按行序连续存储的，通过GPU的矩阵乘法运算，可以有效的加快网络的训练速度。

7.根据权利要求6所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S4采用门控循环网络GRU提取脑电信号的时域特征：具体为：将卷积神经网络输出的信号输入到门控循环网络，利用更新门决定上一时刻状态变量被带入到当前状态中的程度，利用重置门控制上一时刻被写入到候选集的信息量，并存储上一时刻的信息，记录当前时刻的信息，将两者相加作为当前时刻的输出，将输出的信号连接到全连接层FC，全连接层的输出送入softmax来进行分类，给出分类结果。

8.根据权利要求7所述的基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S5在提取出脑电信号特征后，通过softmax回归对多类脑电信号进行分类并输出结果，具体包括：利用训练数据集使用随机梯度下降SGD作为优化器进行训练，梯度由反向传播算法计算得出，调整模型的超参数，迭代批次、批次大小和学习率，在训练过程中对超参数设定不同的值，利用验证集对训练后的模型进行交叉验证，得到最终网络模型。