1.基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统，其特征在于，包括设备控制模块、数据存储器、刺激声发生装置、数据采集装置和数据处理分析模块，所述刺激声发生装置、数据采集装置和数据处理分析模块分别与设备控制模块相连接，所述数据存储装置与设备控制模块、数据采集装置以及数据处理分析模块连接；
所述设备控制，用于控制操作设备以及面板VEMP监视器；
数据存储器，用于存储采集到的以及处理后的数据；
所述刺激声发生装置，用于输出短纯音；
所述数据采集装置，用于采集诱发电位信号，并对采集到的诱发电位信号进行预处理和采样；
所述数据处理分析模块，用于分析和提取诱发电位信号，并向设备控制模块的数据存储器读取采样所得的数据，对采样数据进行分析处理，提取出听觉诱发电位的信息，拟合出被测试者的MLR波形，最后把处理结果送回设备控制模块。
2.根据权利要求1所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统，其特征在于，所述设备控制模块包括ICS char EP200主机、操作设备以及面板VEMP监视器；其中，操作设备和面板VEMP监视器分别与ICS char EP200主机相连接，ICS char EP200主机用于控制调节刺激声发生装置、数据采集装置和数据处理分析模块的工作，并协同各模块之间的数据传输；操作设备用于给使用者提供操作平台；面板VEMP监视器用于显示操作参数、工作流程以及测试结果。
3.根据权利要求1所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统，其特征在于，所述数据采集装置包括诱发电位采集电极、前置放大器、带通滤波器和A/D转换器，所述诱发电位采集电极、前置放大器、带通滤波器和A/D转换器顺序连接，所述诱发电位采集电极采集到连续的诱发电位信号后，由前置放大器将其功率放大，再通过带通滤波器将部分噪声过滤，最后用A/D转换器对该诱发电位信号进行采样，转换成数字信号输入到设备控制模 块的数据存储器。
4.根据权利要求1所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统，其特征在于，所述诱发电位采集电极包括：数据采集电极、左右参考电极以及接地电极，其中数据采集电极位于额头顶部的发际中心位置，左右参考电极分别位于左右耳乳突，接地电极位于眉心。
5.根据权利要求1所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统，其特征在于，所述数据处理分析模块包括：
数据处理分析模块包括数据预处理模块、特征提取模块、以及模式识别模块。
所述数据预处理模块，利用小波分析对采集的数据进行滤波；
所述特征提取模块，用于对MLR波形、采用能量、方差、面积、AR模型系数及波形峰值进行特征提取；
所述模式识别模块，用于对以上提取的特征，使用支持向量机和人工神经网络进行分类。
6.根据权利要求1所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统，其特征在于，所述刺激声发生装置包括两种状态：
状态一：空闲状态，受试者保持放松状态，此时不计算；
状态二：通过意念对刺激声进行计数的状态，其中受试者在计数时不能发出声音、触动嘴唇或者伸缩舌头。
7.一种基于中潜伏期听觉诱发电位的听觉注意特征提取、识别方法，其特征在于，包括下述步骤：
S1、开启ICS CHARTR EP，进行初始设置，将刺激声设置为：短纯音，密集型；
S2、通过四个电极来获取受试着的数据，其中数据采集电极位于额头顶部的发际中心位置，左右参考电极分别位于左右耳乳突，接地电极位于眉心；
S3、空闲和计数两种状态随机出现，并由实验操作者口头告知受试者，完成实验数据的采集，其中空闲和计数两种状态采集相同的组数；
S4、对所采集的数据使用6层小波分解进行滤波，利用第三层到第六层细节分量系数重构原始信号，可实现9.375～150Hz带通滤波的效果，并能去除基线、自发脑电和高频噪声；
S5、采用阈值法，对波形走势明显异常，波峰和波谷总量小于3个，幅值过高的波形予以自动剔除，滤波和去伪迹后，分别对所有受试者的所有同状态数据做平均；
S6、对MLR波形，采用能量、方差、面积、AR模型系数及波形峰值作为特征值，其中AR模型系数采用Burg算法计算得到，阶数则由高阶谱分析工具箱HOSA的定阶函数ARORDER计算获取；
S7、由ARORDER函数计算得到的AR模型阶数为7，组合能量、面积、方差和峰值特征；
S8、采用基于K交叉验证的支持向量机和神经网络的分类算法对特征数据进行处理。
8.根据权利要求7所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别方法，其特征在于，步骤S6中，MLR波形的峰值由下列公式获取：
记Na，Nb相对于基线的峰值分别为PNa和PNb，则：
PNa＝max{x(n)}n∈[n1,n2] (1)
PNb＝max{x(n)}n∈[n3,n4] (2)
记Pa相对于基线的峰值为LPa，则：
LPa＝min{x(n)}n∈[n5,n6] (3)
记Nb-Pa的峰峰值为FNb-Pa，则：
FNb-Pa＝PNb-LPa (4)
其中n1、n3和n5分别代表Na、Nb和Pa潜伏期区间起始点，n2、n4和n6分别代表Na、Nb和Pa潜伏期区间结束点。Na、Pa和Nb的潜伏期分别为16～30ms，30～45ms和40～60ms，实验依照各受试者的波形对潜伏期区间范围进行微调。
9.根据权利要求7所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别方法，其特征在于，步骤S7中，组合能量、面积、方差和峰值特征之后得 到13维特征，记为：
v1＝[a1,a2,a3,a4,a5,a6,a7,e,s,σ,PNa,LPa,PNb] (5)
其中a1～a7为AR模型系数，e为能量，s为面积，σ为方差，PNa、LPa和PNb分别为Na、Pa和Nb的峰值，此外还加入了Nb和Pa的峰值FNb-Pa，最终得到特征向量v2和v3：
v2＝[a1,a2,a3,a4,a5,a6,a7,e,s,σ,PNa,LPa,FNb-Pa] (6)
v3＝[a1,a2,a3,a4,a5,a6,a7,e,s,σ,PNa,PNb,FNb-Pa] (7) 。
10.根据权利要求7所述基于中潜伏期听觉诱发电位的听觉注意特征提取、识别方法，其特征在于，步骤S8中，
支持向量机选择高斯核函数，设定惩罚参数c和高斯核参数g的寻优范围为[2-10,210]，以K交叉验证运行100次中，使正确率达到最大值的c和g值为最终采用的值；
由于仅含一个隐层的神经网络就可以任意逼近一个非线性函数，采用2层神经网络，第一层有10个神经元，第二层有2个神经元，第一层的传递函数是逻辑函数，输出层的传递函数是线性函数，同样以K交叉验证运行100次中，使正确率达到最大值的网络为最后采用的网络，最后将基于K交叉验证的两种分类器算法迭代100次的平均识别率作为最终分类正确率。