1.一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，包括：获取运动想象脑电数据和语言想象脑电数据，并进行预处理；

对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值；

根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；

通过连接矩阵构建同步性脑网络；

将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；

对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。

2.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述预处理包括时间片校正、头动校正、伪迹去除和4～30Hz带通滤波处理。

3.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，包括：采用事件相关谱扰动对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，选取运动想象脑电数据和语言想象脑电数据能量谱变化最明显的时间序列。

4.如权利要求3所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述对预处理后的运动想象脑电数据和语言想象脑电数据进行特征提取，包括：对选取的时间序列使用快速傅里叶变换对三个频段的脑电信号进行特征提取，得到三组不同频段的脑电信号。

5.如权利要求4所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述构建全联通特征矩阵，包括：

根据三组不同频段的脑电信号中的窄波段信号，分别获取脑电信号的各对导联件时间序列的相位关系，并构建全联通特征矩阵。

6.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，包括：提取全连通连接矩阵的上三角特征作为功能连接特征，计算得到运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值。

7.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述获取运动想象脑电数据和语言想象脑电数据，包括：采用10‑20国际标准导联系统设置35个采样电极，分别获取运动想象脑电数据和语言想象脑电数据的35个导联。

8.一种基于脑网络和深度学习的脑电信号识别装置，其特征在于，包括：脑电信号预处理模块，用于获取运动想象脑电数据和语言想象脑电数据，并进行预处理；

全联通特征矩阵构建模块，用于对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值；

连接矩阵构建模块，用于根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；

同步性脑网络构建模块，用于通过连接矩阵构建同步性脑网络；

功能脑网络分类模型构建模块，用于将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；

模型训练与识别模块，用于对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1‑6中任一项所述的一种基于脑网络和深度学习的脑电信号识别方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1‑6中任一项所述的一种基于脑网络和深度学习的脑电信号识别方法。