1.一种融合密集残差和注意力机制的脑电时空去噪方法，其特征在于由下述步骤组成：(1)选取脑电信号数据集

在DEAP数据集中选取脑电信号数据；

(2)脑电信号预处理

1)对采集的脑电信号采用512Hz采样，128Hz复采样；

2)在采集的40个生理信号通道中，前32个通道采集的为脑电信号，脑电通道按照国际

10‑20系统选择32个通道的位置，分别为Fp1、AF3、F3、F7、FC5、FC1、C3、T7、CP5、CP1、P3、P7、PO3、O1、Oz、Pz、Fp2、AF4、Fz、F4、F8、FC6、FC、Cz、C4、T8、Cp6、Cp2、P4、P8、PO4、O2；

3)实验前3秒准备时间的脑电数据去除，将脑电信号样本分段成60秒的小段；

(3)选取脑电样本

从DEAP数据集中选取m个测试者的纯净脑电信号样本 其中m的取值为[16,40]，表示该测试者第S个样本，S的取值为2000～10000，C为纯净脑电信号样本的通道数，C取值为16～64，T为第S个样本的纯净脑电信号样本采样点个数，T取值为320～1000；

(4)构建含噪脑电信号样本

选取高斯白噪声或测试者的肌电噪声作为相应的噪声样本，在纯净脑电信号样本中加入信噪比为‑2dB～2dB的噪声样本，构建成含噪脑电信号样本，按下式对脑电信号加入噪声：EEGn＝EEGc+γ×EEGs

其中EEGn为添加了高斯白噪声或肌电噪声的脑电信号，EEGc为纯净脑电信号，EEGs为噪声信号，γ表示噪声的污染程度因子；

按下式根据信噪比SNR确定噪声的污染程度因子γ：其中RMS(EEGc)为干净脑电信号的均方根，RMS(γ×EEGs)为噪声信号的均方根；

(5)划分训练集和测试集

将含噪脑电信号样本分为训练集和测试集，训练集为含噪脑电信号样本的70％，测试集为含噪脑电信号的30％；

(6)构建融合密集残差和注意力机制网络

融合密集残差和注意力机制网络由融合注意力机制的密集残差编码器与卷积解码器串联构成；

所述的融合注意力机制的密集残差编码器是由第一残差单元(1)与第二残差单元(2)、第三残差单元(3)依次串联构成；第一残差单元(1)由残差分支与恒等映射分支d并联后、与SENet注意力机制模块e串联构成，第二残差单元(2)、第三残差单元(3)的结构与第一个残差单元相同；残差分支由卷积层a1与归一化层b1、激活层c、卷积层a2、归一化层b2依次串联构成；

所述的卷积解码器由3个结构相同依次串联的反卷积层(4)构成；

(7)训练融合密集残差和注意力机制网络

将训练集输入到融合密集残差和注意力机制网络进行训练，损失函数使用Huber损失函数Lδ(y,x)：其中，xi表示含噪声的脑电信号值经融合密集残差和注意力机制网络进行伪迹消除后的脑电信号预测值，yi表示目标信号值，即纯净的脑电信号，δ为超参数，取值为0.05～1，N表示样本数量，N为有限的正整数；

用随机梯度下降方法更新融合密集残差和注意力机制网络参数，用Adam优化方法动态调整融合密集残差和注意力机制网络的学习率，训练至损失函数收敛，得到训练好的融合密集残差和注意力机制网络；

(8)重建去噪脑电信号

将测试集输入到训练好的融合密集残差结构和注意力机制网络中，输出长度为1000的脑电信号。

2.根据权利要求1所述的融合密集残差和注意力机制脑电信号去噪方法，其特征在于：在(6)构建融合密集残差和注意力机制网络步骤中，所述的卷积层a1和卷积层a2的卷积核大小为1×3。

3.根据权利要求1所述的融合密集残差和注意力机制脑电信号去噪方法，其特征在于：在(6)构建融合密集残差和注意力机制网络步骤中，所述的第一残差单元(1)的卷积通道为

64、步长为1，第二残差单元(2)的卷积通道为128、步长为2，第三残差单元(3)的卷积通道为

256、步长为2。