1.一种基于微分熵和二叉树支持向量机的脑疲劳检测方法，其特征在于，包括：
获取一定频段的脑电信号并进行分解，得到若干子频带信号；
对每个所述子频带信号进行特征提取，对应得到若干微分熵；
基于遗传算法构建二叉树支持向量机；
利用所述二叉树支持向量机对所述微分熵进行分类处理，得到脑疲劳检测结果；
其中，基于遗传算法构建二叉树支持向量机包括：
将二叉树支持向量机的层次结构作为种群的个体并初始化种群；
计算种群中每个个体初始的适应度值；
根据每个个体的初始适应度值，采用轮盘赌法和最优保存原则，对种群进行选择操作；
按照一定的概率随机将两个父代的染色体分为两部分，并从两个父代分别继承部分序列，形成新的个体，从而实现交叉操作；
按照线性递增变异概率随机从交叉后得到的个体中选择待变异个体，并对所选的待变异个体，随机选取某处的基因进行对调，以形成新的个体，从而实现变异操作；其中，线性递增变异概率的计算公式为：
pT＝pstart+(pend‑pstart)T/Tmax
式中，pT代表当前第T代个体的变异概率，pstart代表初始变异概率，pend代表最大变异概率，T代表当前迭代次数，Tmax代表最大迭代次数；
计算变异操作后的个体适应度值；
若判断达到迭代停止条件，则输出适应度函数值最大的个体，否则，返回对个体进行交叉操作的步骤。
2.根据权利要求1所述的基于微分熵和二叉树支持向量机的脑疲劳检测方法，其特征在于，获取一定频段的脑电信号并进行分解，得到若干子频带信号包括：
获取每个通道脑电信号中0‑50Hz频段的脑电信号；
利用1Hz的固定带宽将每个通道上0‑50Hz的脑电信号进行分解，分别得到50个子频带信号。
3.根据权利要求1所述的基于微分熵和二叉树支持向量机的脑疲劳检测方法，其特征在于，对每个所述子频带信号进行特征提取，对应得到若干微分熵，包括：
采用短时傅里叶变换对每个所述子频带信号进行微分熵提取，对应得到若干微分熵；
其中，所述微分熵的表达式为：
其中，f(x)代表随机变量的概率密度函数，x表示脑电信号，其为服从数学期望为μ、方
2 2
差为σ的高斯分布，记为N(μ,σ)。
4.根据权利要求1所述的基于微分熵和二叉树支持向量机的脑疲劳检测方法，其特征在于，在得到若干微分熵之后，且在对其进行分类之前，还包括：
采用滑动平均和主成分分析法对所述微分熵进行处理。
5.根据权利要求1所述的基于微分熵和二叉树支持向量机的脑疲劳检测方法，其特征在于，计算种群中每个个体初始的适应度值包括：
将训练样本分为训练集1和测试集1；
将训练集1带入每各个体对应的二叉树支持向量机，得到训练好的分类模型；
将测试集1的特征向量输入分类模型，计算分类正确的样本数量占整体数量的比值，并将该比值作为个体的适应度值。
6.一种基于微分熵和二叉树支持向量机的脑疲劳检测装置，用以实现权利要求1‑5任一项所述的脑疲劳检测方法，其特征在于，包括：
数据获取模块(1)，用于获取一定频段的脑电信号并进行分解，得到若干子频带信号；
特征提取模块(2)，用于对每个所述子频带信号进行特征提取，对应得到若干微分熵；
分类器构建模块(3)，用于基于遗传算法构建二叉树支持向量机；
分类及检测模块(4)，用于利用所述二叉树支持向量机对所述微分熵进行分类处理，得到脑疲劳检测结果；
其中，所述分类器构建模块(3)具体用于：
将二叉树支持向量机的层次结构作为种群的个体并初始化种群；
计算种群中每个个体初始的适应度值；
根据每个个体的初始适应度值，采用轮盘赌法和最优保存原则，对种群进行选择操作；
按照一定的概率随机将两个父代的染色体分为两部分，并从两个父代分别继承部分序列，形成新的个体，从而实现交叉操作；
按照线性递增变异概率随机从交叉后得到的个体中选择待变异个体，并对所选的待变异个体，随机选取某处的基因进行对调，以形成新的个体，从而实现变异操作；其中，线性递增变异概率的计算公式为：
pT＝pstart+(pend‑pstart)T/Tmax
式中，pT代表当前第T代个体的变异概率，pstart代表初始变异概率，pend代表最大变异概率，T代表当前迭代次数，Tmax代表最大迭代次数；
计算变异操作后的个体适应度值；
若判断达到迭代停止条件，则输出适应度函数值最大的个体，否则，返回对个体进行交叉操作的步骤。