1.一种基于VMD算法和排列熵的蛙人信号特征提取方法，所述方法包括：步骤1）对采集到的蛙人信号进行预处理，利用变分模态分解对预处理后的蛙人信号进行迭代分解，获得固定模态函数；其中，利用变分模态分解对预处理后的蛙人信号进行迭代分解，获得固定模态函数，具体包括：步骤1-1）构造变分问题，将每个固有模态函数均定义为调频调幅信号；步骤1-2）设置约束条件，构造变分模态分解约束变分模型；所述约束条件包括：分解序列为具有中心频率的有限带宽的模态分量、各个模态的估计带宽之和最小和约束条件为所有模态之和与预处理后的蛙人信号相等；步骤1-3）引入惩罚因子和Lagrange算子，将变分模态分解约束变分模型变为非约束性变分问题，得到扩展的Lagrange表达式；步骤1-4）采用交替方向乘子算法，对扩展的Lagrange表达式进行迭代；步骤1-5）重复步骤1-4），直至满足迭代约束条件，获得固定模态函数；步骤2）选取能量最高的固态模态函数计算排列熵；具体包括：步骤2-1）选取能量最高的固有模态函数作为时间序列 ，将其相空间重构为矩阵 ， N 是时间序列的长度；步骤2-2）将矩阵 Y 中的每一行均作为一个重构分量，并将每一个重构分量按照升序重新排列成向量 ，向量 中各元素位置的列索引构成一组符号序列；步骤2-3）根据每个符号序列在 m 维映射相空间出现的概率，计算排列熵；步骤2-4）将排列熵值进行归一化处理；步骤3）计算排列熵的傅里叶变换，获得包络频谱；步骤4）依据频谱，对蛙人信号进行特征提取。
2.根据权利要求1所述的基于VMD算法和排列熵的蛙人信号特征提取方法，其特征在于，所述预处理包括：取均值和归一化处理。
3.根据权利要求1所述的基于VMD算法和排列熵的蛙人信号特征提取方法，其特征在于，所述步骤1-1）中，第 k 个固有模态函数对应的调频调幅信号 的表达式为：其中， 为瞬时幅值； 为瞬时相位；所述步骤1-2）中，变分模态分解约束变分模型的表达式为：其中， 为输入的预处理后的蛙人信号， 表示分解得到的 个有限带宽的固有模态函数分量， 表示各个固有模态函数的中心频率；K表示固有模特函数的数量；所述步骤1-3）中，扩展的Lagrange表达式为： 其中， 表示惩罚因子； 表示Lagrange算子； 表示求导， 表示冲激函数， 表示原始信号， t 表示时刻， j 表示虚数单位。
4.根据权利要求3所述的基于VMD算法和排列熵的蛙人信号特征提取方法，其特征在于，所述步骤1-4）中的迭代过程具体包括：在第一次迭代中，在频谱中进行如下式迭代：其中， 为固有模态函数的频域表示， 为输入信号的频域表示， 表示频率， 表示模特函数的中心频率， n 表示第 n 次迭代， i 表示第 i 个固有模态函数， 为Lagrange算子的频域表示；在下一次迭代中，对模态函数的中心频率进行迭代求解得：最后对 进行迭代：其中， 表示Lagrange算子的更新参数；所述步骤1-5）中迭代约束条件表达式为：其中， 表示范数， 为设定的迭代停止条件。
5.根据权利要求1所述的基于VMD算法和排列熵的蛙人信号特征提取方法，其特征在于，所述矩阵Y的表达式为：其中， t 为延迟时间，变量 ；所述步骤2-2）中，向量 的表达式为：所述步骤2-3）中，排列熵 的计算式为：其中， 表示第 J 个符号序列出现的概率；所述步骤2-4）中，将排列熵值进行归一化处理，表达式为：其中， 为排列熵的最大值。
6.根据权利要求1所述的基于VMD算法和排列熵的蛙人信号特征提取方法，其特征在于，所述步骤4）中，提取的蛙人信号的特征具体包括：第一能量特征量、第二能量特征量和频率特征量；其中，所述第一能量特征量定义为：呼吸频带 内对应的能量，比上低频带 内的能量，同时去除直流DC的能量；所述第二能量特征量定义为：在呼吸频带 内最大峰值点能量，比上低频带 内的能量，同时去除直流和峰值点的能量；所述频率特征量定义为：在低频带 内查找最大峰值频率点，看是否在蛙人呼吸频带 范围内。
7.根据权利要求6所述的基于VMD算法和排列熵的蛙人信号特征提取方法，其特征在于，所述第一能量特征量 的表达式为：其中， 表示第k个频域点幅值， 表示均值幅值；所述第二能量特征量 的表达式为： 。
8.一种基于权利要求1所述的基于VMD算法和排列熵的蛙人信号特征提取方法的系统，其特征在于，所述系统包括：固定模态函数获取模块、排列熵计算模块、频谱获取模块和特征提取模块；其中，所述固定模态函数获取模块，用于对采集到的蛙人信号进行预处理，利用变分模态分解对预处理后的蛙人信号进行迭代分解，获得固定模态函数；所述排列熵计算模块，用于选取能量最高的固态模态函数计算排列熵；所述频谱获取模块，用于计算排列熵的傅里叶变换，获得包络频谱；所述特征提取模块，用于依据频谱，对蛙人信号进行特征提取。
