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，得到對應于各個腦電波的第一信號；
根據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，重構得到對應于各個腦電波的第二信號；
基于對應于各個腦電波的第一信號及第二信號的質量指數，計算得到與各個腦電波的第一信號對應的第一權重因子及與各個腦電波的第二信號對應的第二權重因子；
根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應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，并根據提取得到的特征量進行分類識別，得到腦電放松度。
2.根據權利要求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，采用經函數鏈神經網絡優(yōu)化的自適應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.根據權利要求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建得到自回歸模塊；
估計與各個腦電波對應的自回歸模塊中的加權參數，計算與各個腦電波對應的系數矩陣，得到對應的各個腦電波的特征；
根據各個腦電波的特征，采用自相關分離算法，對待處理腦電序列信號進行抽取，提取得到對應的腦電波的第一信號。
4.根據權利要求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，所述自回歸模型經滑動平均法優(yōu)化。
5.根據權利要求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，重構得到對應于各個腦電波的第二信號具體包括：
根據香農-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的小波分解和重構所需的層數；
根據與每個腦電波對應的所述小波分解所需的層數及預先選擇的母小波進行信號分解，得到與每個腦電波對應的按頻段劃分的多層波形；
根據與所述小波重構所需的層數對應的系數及分解得到的與各個腦電波對應的所述多層波形，重構得到對應于各個腦電波的第二信號。
6.根據權利要求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，所述根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應于各個腦電波的第三信號具體包括：
根據所述第一權重因子及所述第二權重因子對所述第一信號和第二信號進行加權求和，計算得到對應于各個腦電波的第三信號。
7.根據權利要求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，所述根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應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重因子大于預設的基準值且該腦電波的第二權重因子小于所述基準值時，將該腦電波的第三信號設置為該腦電波的第一信號；
當判斷所述腦電波的第二權重因子小于預設的基準值且所述腦電波的第二權重因子大于所述基準值時，將該腦電波的第三信號設置為該腦電波的第二信號；
當判斷所述腦電波的第一權重因子及所述第二權重因子均大于預設的基準值時，根據所述第一權重因子及所述第二權重因子對所述第一信號和第二信號進行加權求和，計算得到對應于各個腦電波的第三信號。
8.根據權利要求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：
根據對應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；
基于預先訓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的腦電放松度。
9.根據權利要求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，所述根據對應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的二維圖表；
用m*m的網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；其中，m為大于1的整數，且m的取值由信號的長度決定；
根據覆蓋有信號的格子數與總格子數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，得到對應于各個腦電波的第一信號；
小波變換單元，用于根據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，重構得到對應于各個腦電波的第二信號；
權重計算單元，用于基于對應于各個腦電波的第一信號及第二信號的質量指數，計算得到與各個腦電波的第一信號對應的第一權重因子及與各個腦電波的第二信號對應的第二權重因子；
加權單元，用于根據所述各個腦電波的第一信號、第一權重因子、第二信號及第二權重因子，計算得到對應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，并根據提取得到的特征量進行分類識別，得到腦電放松度。