1.一种便携式脑电采集设备，其特征在于，包括，系统供电电路(1)、脑电极帽转接线(2)、PGA放大电路(3)、AD转换器(4)、STM32处理器(5)和WIFI模块(6)，其中，所述脑电极帽转接线(2)的输入端连接脑电极帽用于采集脑电信号，输出端依次连接PGA放大电路(3)、AD转换器(4)和STM32处理器(5)，所述STM32处理器(5)分别连接PGA放大电路(3)和AD转换器(4)用于对PGA放大电路(3)和AD转换器(4)的工作状态进行控制，所述WIFI模块(6)连接STM32处理器(5)用于通过无线局域网使STM32处理器(5)与上位机进行通信，所述系统供电电路(1)分别连接PGA放大电路(3)、AD转换器(4)、STM32处理器(5)和WIFI模块(6)用于提供电源。
2.根据权利要求1所述的便携式脑电采集设备，其特征在于，其中，
所述的系统供电电路(1)提供3.3伏和5伏两种直流电源；
所述的电极帽转接线(2)采用国际标准1.5mm孔式插口；
所述的PGA放大电路(3)采用可编程增益放大器，能通过程序调节放大倍数，提高测量精度；
所述的AD转换器(4)的转换精度为24位；
所述的STM32处理器(5)采用STM32F407ZET6芯片，STM32处理器(5)一方面接收AD转换器发送的数字信号，一方面对AD转换器的工作状态进行控制；
所述的WIFI模块(6)最大传输速率为40Mbps。
3.根据权利要求1所述的便携式脑电采集设备，其特征在于，所述的STM32处理器(5)基于数据压缩感知理论将接收到的脑电信号μ进行压缩，得到观测信号 将观测信号 通过WIFI模块(6)上传至上位机，然后上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计 作为实际应用中的脑电信号。
4.根据权利要求3所述的便携式脑电采集设备，其特征在于，所述STM32处理器(5)基于数据压缩感知理论将接收到的脑电信号μ进行压缩，包括：
(1)选用一组稀疏基 B为选稀疏集的个数，对长度为J的脑电信号μ进
行稀疏表示： 系数向量η满足该系数向量η中非
零元素个数 远小于B，其中稀疏基选用正弦基、余弦基、小波基和curvelet基中的一种；
(2)取用大小为M×J的高斯观测矩阵 矩阵中任意元素均服从高斯分布N(0,1/M)，观测信号表示为： 其中 是大小为M×B的传感矩阵，M是得到的观测
信号的维数，满足 观测矩阵 和稀疏矩阵 必须满足不相关性的要求。
5.根据权利要求3所述的便携式脑电采集设备，其特征在于，所述上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计 包括：
(1)以观测信号 以及传感矩阵G为输入，并设定稀疏度 初始化残差 构建索引集 初始化迭代次数q＝1；
(2)分别计算残差rq-1和传感矩阵Gq-1的所有列gj,j∈[1,B]的内积，G0＝G，确定内积中最大值对应的角标λq∈[1,B]，即
(3)更新索引集Λq＝Λq-1∪{λq}，记录传感矩阵Gq-1中的重建原子集合
即每一次迭代将使得传感矩阵增多一列；
(4)确定重构脑电信号估计 并更新残差 q＝q+1；
(5)判断迭代次数是否满足 若满足，则停止迭代；若不满足，返回第(2)步。
6.一种权利要求1所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，包括如下步骤：
1)得到通过便携式脑电采集设备获取并重构的SSVEP脑电信号 L
为SSVEP脑电信号的长度，uh,l是第h个通道第l个数值；
2)通过典型相关分析方法将4个电极的脑电信号融合为一个脑电数据X；
3)通过快速傅里叶变换将融合后的脑电数据X转换为频域下的能量序列F：
F＝ABS(FFT(X))，
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
4)对能量序列F建立有限穿越可视图复杂网络，提取所述有限穿越可视图复杂网络中对应视觉刺激界面中4个闪烁频率处的度值，即闪烁频率分别为6.67Hz、7.5Hz、8.57Hz和
10Hz处的节点度值；
5)将每个闪烁频率所对应的度值k1,k2,k3,k4放入到特征向量Kf中，得到Kf＝[k1,k2,k3,k4]，依据刺激图片的闪烁频率对特征向量Kf进行标记，得到4类特征向量，用特征向量作为输入训练Fisher分类器，得到优化后的Fisher分类器；
6)被试者注视任一个刺激图片，执行步骤1)～步骤5)得到新的特征向量，将新的特征向量输入优化后的Fisher分类器进行分类，分类结果为刺激图片的闪烁频率；
7)建立脑机接口，通过步骤6)的分类结果生成控制指令控制轮椅完成向前直行、向后直行、左转和右转四个动作，这四个动作分别对应实验刺激界面中的四个闪烁图片，实现运动想象轮椅控制，同时通过便携式脑电采集设备实时监测被试者的咬牙信号，若发现咬牙信号，则控制轮椅停止运动，否则轮椅一直进行运动。
7.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤1)包括：
(1)设定SSVEP脑电实验刺激界面，包含4个刺激图片，4个刺激图片的闪烁频率依次为
6.67Hz、7.5Hz、8.57Hz和10Hz；
(2)通过便携式脑电采集设备分别获取8个以上被试者中每一个被试者经4个刺激图片诱发的4种SSVEP脑电信号
8.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤2)包括：
(1)创建模板信号Y：
其中f1,f2,f3,f4分别表示4个刺激图片的闪烁频率，t为从1到L的序数；
(2)分别确定最优系数向量WU和WY，使得相关系数ρ取得最大值，即：
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定4个电极的SSVEP脑电信号 融合后的脑电数据X＝UTWU。
9.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤4)中所述的建立有限穿越可视图复杂网络，包括：
(1)针对一元序列D，设置有限穿越视距为Z；
(2)找出一元序列D中所有不相邻的两个节点 和节点 之间的所有节点，对所有节点中的每一个节点 进行判断是否满足条件： 表示一元序列D的第a个节
点， 表示一元序列D的第b个节点, 表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点 和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点 和节点 之间不存在连边；
(3)所有相邻的节点对之间都存在连边；
(4)得到有限穿越可视图复杂网络。
10.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤5)包括：
(1)每类特征向量选取90％作为训练样本，其余作为测试样本，设计 个分类器，K取4，得到6个分类器，利用Fisher判别函数在训练样本上训练6个分类器，得到最优投影方向向量，每一个分类器的训练过程包括：
计算各类样本的均值向量mα：
其中，ωα代表类别，Nα是ωα中样本数量，x是ωα中样本；
计算样本类内离散度矩阵Sα和总类内离散度矩阵Sw：
Sw＝S1+S2，
计算该分类器的最优投影方向向量w*：
计算训练集内样本在最优投影方向向量w*上的投影点y，
y＝(w*)Tx；
(2)每一个Fisher分类器的分类过程包括：
对于输入的样本x，计算在最优投影方向向量w*上的投影点y，
y＝(w*)Tx
计算分割阈值y0：
其中，m′α为样本在投影后一维空间的均值，
确定样本类别：
y＞y0,x∈ω1
y＜y0,x∈ω2；
(3)把测试样本输入第(1)步训练后的6个分类器中进行分类，每个分类器输出一个频率值，并把该频率值下的标记数加1，统计得到标记数最多的频率值作为该样本最终的频率值。
11.一种权利要求1所述的便携式脑电采集设备在运动想象中的应用，其特征在于，包括如下步骤：
1)通过便携式脑电采集设备，开展运动想象脑电实验，获取重构后的被试者运动想象EEG脑电信号，并对运动想象EEG脑电信号进行预处理；
2)对预处理后的运动想象EEG脑电信号 其中，Q为每个信号的数据
长度，Xc,g表示第c个电极采集的信号中第g个数值，采用有限穿越可视图理论构建有限穿越可视图复杂网络Ac，得到大脑多层复杂网络；
3)对于每一个有限穿越可视图复杂网络Ac，分别提取网络指标数据，所述的网络指标数据包括：网络平均节点度、网络平均节点介数、网络平均聚集系数、网络全局聚集系数、网络聚集系数熵和网络平均最短路径；
4)对于任一被试者在每一个具体动作下的大脑多层复杂网络，获得所述网络指标数据，组成一维序列，通过具体动作编号为该一维序列设定标签，构建样本集，搭建初始深度卷积神经网络模型，使用样本集对初始深度卷积神经网络模型进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的深度卷积神经网络模型及参数，其中，所述样本集中的每一个样本由各个网络指标数据组成的一维序列以及相应的标签构成；
5)被试者想象不同的具体的动作，通过便携式脑电采集设备获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理，通过执行步骤2)和步骤3)确定网络指标数据，组成一维序列，并输入训练得到的深度卷积神经网络模型，分类判断出运动想象EEG脑电信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给机械外骨骼，控制机械外骨骼运动。
12.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤1)中所述的运动想象EEG脑电信号是在被试者想象具体动作的同时，通过便携式脑电采集设备，分别获取被试者对应于P3，P4，O1，O2，C3，C4，Cz七个电极的运动想象EEG脑电信号，电极分布符合10～20国际标准导联；包括被试者分别想象四种具体动作：
动作1：通过右手写毛笔字；
动作2：通过左手端起水杯喝水；
动作3：通过右脚完成踢足球射门；
动作4：通过左脚完成连续单脚跳动。
13.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤1)中所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：
其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值。
14.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤2)包括：
(1)对每一个电极的运动想象EEG脑电信号 采用有限穿越可视图理论得到有
限穿越可视图复杂网络 β,γ＝1,2,...,Q；其中，
所述的建立有限穿越可视图复杂网络，包括：
(1.1)针对一元序列D，设置有限穿越视距为Z；
(1.2)找出一元序列D中所有不相邻的两个节点 和节点 之间的所有节点，对所有节点中的每一个节点 进行判断是否满足条件： 表示一元序列D的第a个
节点，表示一元序列D的第b个节点, 表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点 和节点 之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点 和节点 之间不存在连边；
(1.3)所有相邻的节点对之间都存在连边；
(1.4)得到有限穿越可视图复杂网络。
(2)对7个电极的运动想象EEG脑电信号 分别重复第(1)步，建立7个
有限穿越可视图复杂网络，得到大脑多层复杂网络{A1,A2,...,A7}。
15.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤4)所述的初始深度卷积神经网络模型依次包括：
一个数据输入层：输入数据即样本为由大脑多层复杂网络的各个网络指标数据构成的一维序列及其对应标签，所述的输入数据是具有标签信息的数据；
三个一维卷积层：卷积核数量为8，卷积核大小为1×7，激活函数是一个线型修正单元，采用Relu激活函数
一个最大池化层：池化核大小为1×4，具体过程描述为 表示对当前池化
核覆盖下的输入数据的元素提取最大值作为输出；
四个一维卷积层：卷积核数量为16，卷积核大小为1×7，采用Relu激活函数
一个最大池化层：池化核大小为1×4；
分类器：作为神经网络的输出层，输出分类结果，并用H个神经元表示，通过Soft max函数处理，Soft max函数本质上是归一化的指数函数，定义为 其中s＝1…
H，e为自然对数值，zs为第s个神经元的输出，式子中的分母充当了正则项的作用，使得
16.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤4)所述的训练包括：
(1)将样本集中80％的数据作为训练集，用于训练初始深度卷积神经网络模型，确定初始深度卷积神经网络模型参数，20％的数据作为测试集，用于测试已经训练好的深度卷积神经网络模型的泛化能力；
(2)将网络权值、阈值取接近于0的随机值，并初始化训练所需的超参数，所述的超参数包括学习率、权值衰减、学习率衰减；
(3)通过反向传播算法对初始深度卷积神经网络模型进行训练；
(4)在训练中通过梯度下降法对网络权值进行调整，公式为 是更新
前的网络权值， 是更新后的网络权值，ξ是学习率， 是误差对网络权值的偏导；
(5)当损失函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练。