1.一种基于线性分析的特征决策融合的脑电意识动态分类方法，其特征在于，其包括以下步骤：

S1、通过脑波感应头盔采集脑电信号数据集X＝(X1，X2，…，Xn)；

S2、使用正则判别分析RDA对信号数据集X＝(X1，X2，…，Xn)进行分类，得到相关系数矩阵ρn，定义为ρRDA；

其中， 是权重的矩阵转置，X是数据值，是数据值平均数；

S3、使用二次判别分析QDA对信号数据集X＝(X1，X2，…，Xn)进行分类，得到相关系数矩阵ρn，定义为ρQDA；

其中， 是权重的矩阵转置，X是数据值，是数据值平均数；

S4、构建特征决策融合器对RDA和QDA的决策和系数进行特征整合和决策选择，获得脑电意识动态分类，具体步骤如下；

S41、构建特征决策融合器，特征决策融合器包括特征提取单元、投影分类单元和决策选择单元；

S42、通过特征提取单元对RDA和QDA的相关系数进行特征提取，生成一个特征向量F；

根据 的比值判断，值越大说明ρ就越大，根据表达式：T T

其中，wX为x方向的投影，wX 为转置的投影，wY为y方向的投影，wY为转置的投影，X矩阵T T T T T T

作为横坐标，X为转置矩阵，Y矩阵作为横坐标，Y为转置矩阵，E[wXXYwY]代表wXXYwY的期T T T T T T T T望，E[wXXXwX]代表wXXXwX的期望，E[wYXYwY]代表wYXYwY的期望；

分别得到RDA和QDA的最大相关系数和第二大相关系数；

根据得到的RDA和QDA算法的最大相关系数和第二大相关系数，生成特征向量F：其中， 是QDA的最大相关系数， 是QDA的第二大相关系数， 是RDA的最大相关系数， 是RDA的第二大相关系数；

S43、通过投影分类单元将特征向量F分为RDA‑false和QDA‑false两类；

投影分类单元使用线性SVM分类器在软边界目标函数的范围内进行投影，将特征向量F投影为标量值，投影到平面后，形成一个个的点，表示为：其中，vj，j＝1，2，…，N是支持向量，用来确定分类器的最大边缘平面，aj＞0，是可以改变并调节的参数，yj指第j个支持向量的类别，F是特征向量，b是偏差，是线性核函数；

软边界目标函数为：

其中，δj是松弛变量，表示样本vj是否在边缘内，需要调节程度，C是控制宽度和误分类权衡的调节系数，松弛变量用来确定点是否在范围内，W是样本总数；

通过求解软边界目标函数，得到最大化值2/||W||，其作为边界线，根据标量值投影点的位置，将特征向量F中的特征分为RDA‑false和QDA‑false两类；

S44、通过决策选择单元根据分类结果选择RDA或QDA算法的决策输出；

决策选择单元为：

如果得到一个RDA‑false结果，则模块输出QDA决策；否则，模块输出RDA决策，获得了准确率较好的脑电意识动态分类。

2.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法，其特征在于，步骤S1中采用脑波感应头盔为Emotiv采集脑电信号。

3.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法，其特征在于，步骤S2中ρRDA的求解步骤具体如下：将数据集X＝(X1，X2，…，Xn)分配给K组类中的一组，在训练数据中，数据的类别是已知的，因此类别k的先验概率和平均值分别为：其中， 是类别k的先验概率， 是类别k的平均值，ω是样本总数，ωk是类别k的样本数，Xn是样本点， 是类别k的数值的平均数；

正则判别分析RDA通过修改奇异协方差值来改善多重共线性的影响；每个类别的样本协方差估计如下：

其中，ω是样本总数，Xn是样本点， 是类别k的平均值；

通过引入收缩参数γ进一步调整协方差矩阵：其中，λ是正则化参数，0≤λ≤1，p是自变量的维数，I是单位矩阵，γ是收缩参数；

优化目标为J(w)：

上式为Sk和S的广义瑞利商，其中，Sk＝ωk∑k， 这就是QDA欲最大化的目‑1 ‑1

标，J的最大值为矩阵Sk S的最大特征值，而对应的为Sk S的最大特征值对应的特征向量；

‑1 T

求解得到w＝Sk (μ1‑μ2)，即为确定的最佳投影方向，w是转置的投影，将训练集中的样本向w方向投影得到：

T

y＝wX      (6)

其中， 是权重的矩阵转置，X是数据值， 是数据值平均数。

4.根据权利要求1所述的基于线性分析的特征决策融合的脑电意识动态分类方法，其特征在于，步骤S3中ρQDA的求解步骤具体如下：假设样本数据集X＝(X1，X2，…，Xn)服从多元高斯分布，μi是均值向量，表示为：计算样本的协方差矩阵∑j：

其中，j＝1，2；

可得到类内散度矩阵Sw为：

同时定义类间散度矩阵Sb为：T

Sb＝(μ1‑μ2)(μ1‑μ2)        (12)优化目标为J(w)：

‑1

上式为Sw和Sb的广义瑞利商，这就是QDA欲最大化的目标，J的最大值为矩阵Sw Sb的最‑1 ‑1

大特征值，而对应的为Sw Sb的最大特征值对应的特征向量；求解得到w＝Sw (μ1‑μ2)，即为确定的最佳投影方向，将训练集中的样本向w方向投影得到：T

y＝wX       (14)