1.一种神经生理信号的生成和识别方法，其特征在于，包含以下步骤：
步骤s1、对原始神经生理信号按照低分辨率到高频率的顺序进行重采样，得到不同分辨率的信号；
步骤s2、将不同分辨率的信号按照从低分辨率到高分辨率的顺序依次向生成器中添加训练层，将生成器生成的特征图的每个空间位置的标准差作为衡量多样性的指标来对生成器进行训练；
步骤s3、将不同分辨率的信号按照从高分辨率到低分辨率的顺序依次向判别器中添加训练层，在判别器的训练中，将判别器生成的特征图的每个空间位置沿该位置通道方向做标准化；
步骤s4、将生成器的输出作为判别器的输入进行联合训练，向原始神经生理信号中加入噪声，形成完整的生成对抗网络；
步骤s5、将生成对抗网络生成的模拟神经生理信号和原始神经生理信号一起输入长短期记忆网络分类器中进行分类。
2.如权利要求1所述的神经生理信号的生成和识别方法，其特征在于，所述的生成器采用反卷积神经网络，所述的判别器采用卷积神经网络。
3.如权利要求2所述的神经生理信号的生成和识别方法，其特征在于，所述的生成器的训练中，将上一分辨率的输出和当前分辨率的输出做加权，得到分辨率的实际输出；
分辨率实际输出＝w×(当前分辨率输出)+(1-w)×上一分辨率输出，其中，w是权重。
4.如权利要求3所述的神经生理信号的生成和识别方法，其特征在于，所述的生成器的训练中，生成器输出不同分辨率的初始特征图，求出不同初始特征图的每个空间位置的标准差，填入一张过渡特征图的对应空间位置，形成过渡特征图，对该过渡特征图的所有空间位置的特征值求平均值，将平均值代填入该过渡特征图的所有位置，得到新的特征图，将新的特征图与原有的特征图一起输入到判别器。
5.如权利要求4所述的神经生理信号的生成和识别方法，其特征在于，所述的判别器的训练中，将上一分辨率的输出和当前分辨率的输出做加权，得到分辨率的实际输出；
分辨率实际输出＝w×(当前分辨率输出)+(1-w)×上一分辨率输出，其中，w是权重。
6.如权利要求5所述的神经生理信号的生成和识别方法，其特征在于，所述的判别器的训练中，判别器输出不同分辨率的初始特征图，求出不同初始特征图的每个空间位置的平均值和标准差，然后对每一个初始特征图做归一化处理：归一化值＝(si-平均值)/标准差，其中，si是每个初始特征图的空间位置的值。
7.如权利要求6所述的神经生理信号的生成和识别方法，其特征在于，所述的生成器和判别器的联合训练中，加入的噪声强度为：
噪声强度＝0.2×(0,dt-0.5)2，dt＝0.9×dt-1+0.1×dt，其中，dt和dt-1分别为第t次迭代判别器输出的修正值和第t-1次迭代真样本的判别器输出的修正值。