1.基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法，该方法具体包括以下步骤：

步骤一，利用不同类型的视听觉刺激诱发不同的情绪，采集此时段参与者的多通道头皮脑电信号；

步骤二，对采集到的不同情绪诱发的脑电信号进行预处理；

步骤三，对预处理后的信号Q＝{q1，q2...，qn}，qn表示原序列的第n个采样点，进行尺度化具体为：其中s为尺度因子,a为尺度化后元素的位置坐标；

步骤四，将尺度化后的时间序列符号化，可以有效地发现隐藏的或有偏差的动态信息，从而展现出完整的符号动态特征；尺度序列 的符号化的定义如下：其中，N为符号集的大小，N越大与原始序列越接近，其中 表示尺度化后尺度因子为s时的第 个采样点；但是符号集太大就失去了符号化处理的意义；Xi为设定的一个门阈值，本方法使用等概率法，即不同符号出现的概率大致相等，这样有利于保留序列的有效信息；

步骤五，对尺度符号化后的时间序列 进行重构，公式如下：其中，m是嵌入维数，τ是延迟时间；根据排列熵的排列方式对 的每个分段中的元素进行重组，并按升序排列，如公式(4)所示；

元素原始位置的序列πj＝{j1，j2，...，jm}，对于嵌入维数m，一共有m！种排列方式；

步骤六，使用补偿传递熵计算尺度符号化后的时间序列的因果关系，考虑由一组相互作用的动力学过程M构成的复合系统，在该复合系统中，需要得到从源系统X流向目标系统Y(k)

的信息；将M中的其余系统归入向量Z＝{Z }k＝1,2,...,M‑2，用x、y和z描述系统X＝{x1，x2，…，xn}、Y＝{y1，y2，…，yn}和Z＝{z1，z2，…，zn}随时间变化的状态的平稳随机过程，在给定Z的条件下，源系统X到目标系统Y的传递熵示如下：根据信息熵的定义，得出传递熵与信息熵H(·)的等价关系：TEX→Y|Z＝H(yn|y1:n‑1,z1:n‑1)‑H(yn|x1:n‑1,y1:n‑1,z1:n‑1)  (6)其中1:n表示全部序列，1:n‑1就是全部序列，除了最后一个点；p(·)表示系统的概率分布函数；

当瞬时效应被认为具有因果意义，源进程的零滞后项xn则合并在第二个条件熵中用于传递熵计算，即：

CTE'X→Y|Z＝H(yn|y1:n‑1,z1:n)‑H(yn|x1:n,y1:n‑1,z1:n)      (7)在这种情况下，零滞后项与被过去时间序列吸收，即xn与x1：n‑1的作用相同；因此，在使用传递熵计算瞬时因果关系时，源系统的当前状态被认为是因果相关的；

当瞬时效应被认为不具有因果意义，零滞后项同时包含在用于传递熵计算的第一个和第二个条件熵中，即：

CTE”X→Y|Z＝H(yn|xn,y1:n‑1,z1:n)‑H(yn|x1:n,y1:n‑1,z1:n)     (8)此时零滞后项被认为是一个条件因子，即xn与y1：n‑1，z1：n的作用相同，从而补偿源系统的当前状态，以消除传递熵计算中的瞬时因果关系；

步骤七，通过计算多个尺度时补偿传递熵，得到选择合适的最优尺度，计算多个脑电通道的变尺度符号化补偿传递熵，构建这些脑电信号通道间因果关系矩阵；

步骤八，对步骤七中脑电信号因果关系矩阵进行自适应阈值选择，得到的邻接矩阵，并以此构建因效性脑网络模型，分析不同情绪时脑区和通道之间的变化。

2.根据权利要求1所述的基于变尺度符号补偿传递熵情绪诱导脑电信号分析方法，其特征在于：所述的对采集到的不同情绪诱发的脑电信号进行预处理；具体为：使用Matlab的EEGLAB工具包去除基线漂移、眼电伪迹和50Hz工频信号，并且使用带通滤波器保留4‑45Hz的脑电信号，将采集的脑电信号从512Hz降采样到128Hz并保存；

使用小波包变换将每个样本分解成4个频段的数据，分别是θ频段，α频段，β频段，γ频段，使用‘db5’小波基对4个频段的数据进行6层分解，再找出4个频段分别对应的小波包树节点，将各个频段的小波包系数进行重构后，得到4个频段的脑电信号数据。