1.多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，所述样本集通过公开的deap数据集和mahnob-hci数据集获取，样本集中的每个样本包含人脸图像视频及其对应的eeg信号及情感类别标签。
3.根据权利要求2所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，所述mstfai-scff模型包括eeg信号特征学习、人脸图像特征学习、特有-共享特征融合模块三部分，该mstfai-scff模型通过将eeg信号特征学习的输出特征、人脸图像特征学习的输出特征通过特有-共享特征融合模块进行融合，输出预测情感类别，实现情感识别。
4.根据权利要求3所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，所述eeg信号特征学习过程具体如下：
5.根据权利要求4所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，步骤4.2的具体过程如下：
6.根据权利要求3所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，所述人脸图像特征学习部分的搭建过程具体如下：
7.根据权利要求3所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，所述特有-共享特征融合模块的搭建过程具体如下：
8.根据权利要求7所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，步骤7.2所述的差异性损失中引入了软子空间正交性约束与frobenius范数，具体如下：
9.根据权利要求1所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于所述步骤3的具体过程如下：将训练集中的每个数据片段样本均带入步骤2搭建好的mstfai-scff模型，分别输出其预测情感类别，将每个数据片段样本的预测情感类别与其情感类别标签进行比较，并将两者之间的损失最小化，通过反向传播算法更新模型中的网络参数，直至模型在训练集上保持稳定的情感预测性能，保存模型，得到训练好的模型；
10.根据权利要求1所述的多层次特征集成和脑电与人脸特征融合的情感识别方法，其特征在于，所述步骤4具体过程如下：用测试集对训练好的模型进行测试，并保存模型在该部分测试集上的实验结果，共测试五次，保证每次所使用的测试集中的数据片段不重叠，再将5次测试结果的平均值作为模型的最终测试结果；若测试结果达到预期要求，则保存模型，得到情感识别模型，若测试结果未达到预期要求，则对模型架构、参数进行调整，并重复步骤1到步骤4，直至测试结果达到预期要求，保存模型，得到情感识别模型。