1.一种基于声音诱发脑电信号的说话人识别方法，其特征在于包括以下步骤：步骤(1)、采集脑电信号

获取基线校正部分、听觉刺激部分的脑电信号；

所述的基线校正部分要求在t1时间内处于平静无任务状态，即不进行想象和听觉刺激；

所述的听觉刺激部分要求在t2时间内身体保持静止，并认真听取不同说话人的声音刺激；

步骤(2)、对步骤(1)基线校正部分脑电信号进行数据预处理，得到delta、theta、alpha、beta、high gamma五个频段基线校正部分脑电信号；其中数据预处理包括降采样、滤波；

步骤(3)、对步骤(1)听觉刺激部分脑电信号进行数据预处理，得到delta、theta、alpha、beta、high gamma五个频段的多个听觉刺激部分脑电信号样本；其中数据预处理包括降采样、滤波、去伪迹、样本切分；

步骤(4)、听觉刺激部分脑电信号的特征提取

4.1获取步骤(3)每个脑电信号样本的时域统计特征

4.2获取步骤(3)每个脑电信号样本的时频特征

4.3将步骤4.1得到的时域统计特征和步骤4.2得到的时频特征拼接在一起，获取融合特征；

步骤(5)、插值法减弱背景噪声

采用alpha频段基线校正部分脑电信号数据经过步骤(4)的特征提取后，得到融合特征，作为背景模板；

对步骤(4)处理后的5个频段样本的融合特征减去背景模板，得到干净任务态数据融合特征；

步骤(6)、通道选择

对干净任务态数据融合特征的所有脑电通道使用FCSI(Fisher’s  class separabilityindex)通道选择算法进行处理，在F区、FC区、C区、T区、CP区、P区脑区通道中各自选取FCSI值前n个的融合特征，1≤n≤9；同时将上述融合特征的对应说话人作为标签，构建训练集；

步骤(7)、利用上述训练集对分类器训练

分类器由二维卷积网络、时域卷积网络、Flatten层、全连接层构成；以步骤(6)处理后融合特征为输入，说话人分类结果为输出；

二维卷积网络的输入为步骤(6)处理后融合特征，由两个串联的卷积块构成；每个卷积块由二维卷积单元、最大池化层串联构成；

时域卷积网络的输入为二维卷积网络的输出，由两个串联的残差块构成；每个残差块由两个串联的一维卷积单元、一个恒等映射构成；

步骤(8)、利用训练好的分类器进行声音分类并进而识别出说话人。

2.根据权利要求1所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于步骤(2)、(3)所述降采样是将步骤(1)基线校正部分、听觉刺激部分原始脑电信号降采样到

250Hz。

3.根据权利要求1所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于步骤(2)、(3)所述滤波是将降采样后的基线校正部分、听觉刺激部分脑电信号分为delta、theta、alpha、beta、high gamma五个频段。

4.根据权利要求1所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于步骤(3)所述去伪迹是利用工具箱eeglab上的run ica函数，根据独立成分分析方法去除听觉刺激部分5个频段脑电信号中伪迹。

5.根据权利要求1所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于步骤(3)所述样本切分是对去伪迹后的听觉刺激部分脑电信号进行样本切分，获得相同时长的多个样本。

6.根据权利要求5所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于计算步骤(3)每个脑电信号样本所有采样点的最大值、最小值、方差、标准差、均值、面积和信息熵，将这7个值作为时域统计特征。

7.根据权利要求6所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于对步骤(3)每个脑电信号样本做短时傅里叶变换，将信号从时域变换到时频域，得到时频特征。

8.根据权利要求6所述的一种基于声音诱发脑电信号的说话人识别方法，其特征在于脑电信号的通道数为32个。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1‑8任一项所述的方法。