1.一种基于疲劳脑电信号组合特征的通道选择方法，其特征在于包括以下步骤：步骤1.使用设备采集疲劳模拟驾驶脑电信号；

步骤2.根据疲劳脑电信号在大脑皮层中的相关区域选取16个电极通道并且对信号进行预处理；

步骤3.对预处理好后的信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)，提取所获得的本征模函数(Intrinsic Mode Function,IMF)的组合特征；对得到的组合特征进行通道选择，选取理想的通道；

基于EEMD的IMF分量的组合特征的通道选择算法，具体特征如下：

3‑1.对预处理好的脑电数据分段，每10s为一个片段，总共有240个片段，每个受试者的数据现在是16x240x2000；

3‑2.采用的时频分析方法为EEMD，将每个片段的数据输入到EEMD中，得到每个片段的前3个IMF分量，共有16x3＝48个IMF分量，每个受试者的数据现在是16x240x2000x3；

3‑3.计算每个IMF分量的功率谱密度函数(Power Spectral Density,PSD)以及样本熵(Sample Entropy，SE)作为特征，每个特征都有48个特征分量，对于每一个特征，每位受试者的数据为16x240x3；使用STFT计算每个IMF分量的PSD，计算SE时，m＝2，r＝0.25*std，std是序列的标准差；

3‑4.针对PSD和SE2种特征选择理想通道，通道满足Cstd和Carea的阈值：正常和疲劳2种状态序列的标准差的比值Cstd：

其中σwake是正常样本的特征的标准差，分别有PSD和SE 2种特征；xi是正常状态下的样本点的特征值，也分别有上述2种特征，i＝1,...,N；σfati是疲劳样本的特征的标准差，分别有PSD和SE 2种特征；x′i是疲劳状态下的样本点的特征值，也分别有上述2种特征，i＝

1,...,N′；Cstd是2种状态标准差的比值；

正常和疲劳2种状态特征值的累加和比值Carea：

其中Awake是正常样本的特征的累加和，分别有PSD和SE 2种特征；Afati是疲劳样本的特征的累加和，也分别有PSD和SE 2种特征；Carea是2种状态特征的累加和的比值；

通过Cstd和Carea 2个指标，进行阈值分割，从而得到最优通道；

步骤4.对理想通道的数据放入使用粒子群优化后的多层感知超限学习机(Multi‑layer perceptual Extreme learning machine,H‑ELM)进行训练，得到训练模型；

步骤5.将通道选择后的测试数据输入到训练模型中进行分类。

2.根据权利要求1所述的一种基于疲劳脑电信号组合特征的通道选择方法，其特征在于：所述的步骤2中，16个固定的电极和预处理过程具体为:疲劳脑电信号在大脑皮层中的相关区域选取C3、Cz、C4、FC1、FC2、FC3、FC4、FC5、FP1、FP2、F7、F3、F4、FZ、FT7、TP7作为处理信号，并且对信号进行200Hz的降采样，并且进行0.5～

50Hz的带通滤波，每位受试者得到的数据是：16x240000x2。

3.根据权利要求1所述的一种基于疲劳脑电信号组合特征的通道选择方法，其特征在于：使用PSO‑H‑ELM对分配好的样本进行分类测试，具体特征为：

3‑1.将理想通道的数据随机打乱，并将打乱的数据及其对应标签按照8：2的比例分为train data和test data；

3‑2.RELM1层的输入节点数为360，隐节点数目为50；

3‑3.RELM2层的输入节点数为360，隐节点数目为50；

3‑4.RELM3层的输入节点数为360，隐节点数目为500；

3‑5.计算输出节点的权值矩阵，并且得到相应的分类准确率；

3‑6.更新S和C，使用PSO算法不断找寻最优解，得到最好的分类效果。