1.一种识别脑电放松度的方法，其特征在于，包括如下步骤：
对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号；
基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第二信号；
基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差，计算得到与各个脑电波的第一信号对应的第一权重因子；
基于各个脑电波的第二信号的质量指数，计算得到与各个脑电波的第二信号对应的第二权重因子；
根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；
根据所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到放松度。
2.根据权利要求1所述的识别脑电放松度的方法，其特征在于，在根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号之前，还包括：
以待处理脑电序列信号为原始信号，以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波，得到去除伪迹序列信号后的待处理脑电序列信号。
3.根据权利要求1所述的识别脑电放松度的方法，其特征在于，所述基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号具体包括：
基于待处理脑电序列信号构建得到自回归模型；
估计与各个脑电波对应的自回归模型中的加权参数，计算与各个脑电波对应的系数矩阵，得到对应的各个脑电波的特征；
根据各个脑电波的特征，采用自相关分离算法，对待处理脑电序列信号进行抽取，提取得到对应的脑电波的第一信号。
4.根据权利要求3所述的识别脑电放松度的方法，其特征在于，所述自回归模型经滑动平均法优化。
5.根据权利要求1所述的识别脑电放松度的方法，其特征在于，所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号具体包括：
当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时，将该脑电波的第三信号设置为该脑电波的第一信号；
当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时，将该脑电波的第三信号设置为该脑电波的第二信号；
当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和，计算得到对应于各个脑电波的第三信号。
6.根据权利要求1所述的识别脑电放松度的方法，其特征在于，所述基于所述各个脑电波进行特征提取，并根据提取得到的特征量进行分类识别，得到当前的脑电放松度，具体包括：
根据对应于各个脑电波的第三信号，计算得到所述待处理脑电序列信号的特征量；
利用预先训练好的分类器对所述特征量进行分类，根据分类结果得到当前的脑电放松度。
7.根据权利要求6所述的识别脑电放松度的方法，其特征在于，所述根据对应于各个脑电波的第三信号，计算得到所述待处理脑电序列信号的特征量，具体为：
基于对应于各个脑电波的第三信号，计算得到各个脑电波的能量函数；
根据各个脑电波的频率范围及能量函数，计算各个脑电波的中心频率，得到所述待处理脑电序列信号的特征量。
8.根据权利要求6所述的识别脑电放松度的方法，其特征在于，所述利用预先训练好的分类器对所述特征量进行分类，根据分类结果得到当前的脑电放松度具体包括：
利用至少两个训练好的支持向量机对所述特征量进行分类，得到所述特征量在各个支持向量机下的分类；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到；
将出现次数最多的分类设置为所述特征量的分类；
根据所述分类与脑电放松度的对应关系，识别得到当前的脑电放松度。
9.一种识别脑电放松度的系统，其特征在于，包括：
卡尔曼滤波单元，用于对接收的待处理脑电序列信号进行卡尔曼滤波，提取得到对应于各个脑电波的第一信号；
自回归提取单元，用于根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；
第一权重因子计算单元，用于基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差，计算得到与各个脑电波的第一信号对应的第一权重因子；
第二权重因子计算单元，用于基于各个脑电波的第二信号的质量指数，计算得到与各个脑电波的第二信号对应的第二权重因子；
加权单元，用于根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；
脑电放松度识别单元，用于对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。