1.一種基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，包括如下步驟：
基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第一信號；
根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構(gòu)得到對應(yīng)于各個腦電波的第二信號；
基于對應(yīng)于各個腦電波的第一信號及第二信號的質(zhì)量指數(shù)，計算得到與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子及與各個腦電波的第二信號對應(yīng)的第二權(quán)重因子；
根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號；
對所述各個腦電波的第三信號進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到腦電放松度。
2.根據(jù)權(quán)利要求1所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，在基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第一信號之前，還包括：
以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。
3.根據(jù)權(quán)利要求1所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第一信號具體包括：
基于待處理腦電序列信號構(gòu)建得到自回歸模塊；
估計與各個腦電波對應(yīng)的自回歸模塊中的加權(quán)參數(shù)，計算與各個腦電波對應(yīng)的系數(shù)矩陣，得到對應(yīng)的各個腦電波的特征；
根據(jù)各個腦電波的特征，采用自相關(guān)分離算法，對待處理腦電序列信號進行抽取，提取得到對應(yīng)的腦電波的第一信號。
4.根據(jù)權(quán)利要求3所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述自回歸模型經(jīng)滑動平均法優(yōu)化。
5.根據(jù)權(quán)利要求1所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構(gòu)得到對應(yīng)于各個腦電波的第二信號具體包括：
根據(jù)香農(nóng)-奈奎斯特采樣原理及所述待處理腦電序列信號的采樣頻率進行頻段分層，計算得到每層的頻率范圍；
依據(jù)所述頻段分層中每層的頻率范圍及每個腦電波的頻率范圍，確定與每個腦電波對應(yīng)的小波分解和重構(gòu)所需的層數(shù)；
根據(jù)與每個腦電波對應(yīng)的所述小波分解所需的層數(shù)及預(yù)先選擇的母小波進行信號分解，得到與每個腦電波對應(yīng)的按頻段劃分的多層波形；
根據(jù)與所述小波重構(gòu)所需的層數(shù)對應(yīng)的系數(shù)及分解得到的與各個腦電波對應(yīng)的所述多層波形，重構(gòu)得到對應(yīng)于各個腦電波的第二信號。
6.根據(jù)權(quán)利要求1所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號具體包括：
根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對所述第一信號和第二信號進行加權(quán)求和，計算得到對應(yīng)于各個腦電波的第三信號。
7.根據(jù)權(quán)利要求1所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號具體包括：
當判斷一個腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準值且該腦電波的第二權(quán)重因子小于所述基準值時，將該腦電波的第三信號設(shè)置為該腦電波的第一信號；
當判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準值且所述腦電波的第二權(quán)重因子大于所述基準值時，將該腦電波的第三信號設(shè)置為該腦電波的第二信號；
當判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準值時，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對所述第一信號和第二信號進行加權(quán)求和，計算得到對應(yīng)于各個腦電波的第三信號。
8.根據(jù)權(quán)利要求1所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述基于所述各個腦電波進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到當前的腦電放松度，具體包括：
根據(jù)對應(yīng)于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量；
基于預(yù)先訓(xùn)練好的支持向量機對所述特征量進行分類，識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。
9.根據(jù)權(quán)利要求8所述的基于自回歸模型和小波變換的腦電放松度識別方法，其特征在于，所述根據(jù)對應(yīng)于各個腦電波的第三信號，計算得到所述待處理腦電序列信號的特征量，具體包括：
根據(jù)所述各個腦電波的第三信號及待處理腦電序列信號形成對應(yīng)的二維圖表；
用m*m的網(wǎng)格完整覆蓋在各個二維圖表上，并統(tǒng)計覆蓋有信號的格子數(shù)；其中，m為大于1的整數(shù)，且m的取值由信號的長度決定；
根據(jù)覆蓋有信號的格子數(shù)與總格子數(shù)計算各個腦電波及待處理腦電序列信號的相空間分布密度，得到待處理腦電序列信號的特征量。
10.一種基于自回歸模型和小波變換的腦電放松度識別系統(tǒng)，其特征在于，包括：
自回歸提取單元，用于基于構(gòu)建好的自回歸模型對接收的待處理腦電序列信號進行信號提取，得到對應(yīng)于各個腦電波的第一信號；
小波變換單元，用于根據(jù)各個腦電波的頻率范圍，對接收的待處理腦電序列信號進行小波變換，重構(gòu)得到對應(yīng)于各個腦電波的第二信號；
權(quán)重計算單元，用于基于對應(yīng)于各個腦電波的第一信號及第二信號的質(zhì)量指數(shù)，計算得到與各個腦電波的第一信號對應(yīng)的第一權(quán)重因子及與各個腦電波的第二信號對應(yīng)的第二權(quán)重因子；
加權(quán)單元，用于根據(jù)所述各個腦電波的第一信號、第一權(quán)重因子、第二信號及第二權(quán)重因子，計算得到對應(yīng)于各個腦電波的第三信號；
腦電放松度識別單元，用于對所述各個腦電波的第三信號進行特征提取，并根據(jù)提取得到的特征量進行分類識別，得到腦電放松度。