1. 一种基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述系统包括信号采集部分、数据预处理部分、运动指标提取部分、运动疲劳指标提取部分、虚拟场景设计部分以及康复训练实验部分；其中，所述的信号采集部分对患者的脑电信号和肌电信号进行提取；所述的数据预处理部分对采集到的脑电信号和肌电信号进行滤波处理；所述的运动指标提取部分是对患者肌肉动作时放电量的分析提取；所述的运动疲劳指标提取部分是对患者脑电信号和肌电信号分别进行分析提取，进而判断运动疲劳或脑疲劳；所述的虚拟场景设计部分是在计算机环境下基于Visual C#2010 开发设计，在计算机上生成虚拟场景并显示输出，建立人机交互反馈机制；所述的康复训练实验部分是患者根据虚拟场景中康复训练要求，通过手臂屈、伸和左、右摇摆控制虚拟场景中虚拟手掌完成指定任务。2. 根据权利要求1 所述的基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述信号采集部分中，肌电信号的采集采用三点式差动输入，其中两个为肌电的差分输入端，另外一个为参考地，差分输入电极顺着肌纤维方向，放置在肌腹处；脑电信号采集采用8 通道脑肌电同步采集仪进行采集，采用国际标准10 ～20 电极放置标准，通过电极帽将电极与头皮相连，采用单级导联法，参考电极导联分别连接到左右耳后乳突处，接地电极布置在头顶正中。3. 根据权利要求1 所述的基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述数据预处理部分，使用自适应高通滤波器和自适应50Hz 工频陷波滤波器分别对脑电信号、肌电信号进行滤波处理，去除信号中的基线漂移和工频干扰；再使用巴特沃斯三阶带通FIR 滤波器对脑电信号、肌电信号进行处理，根据信号的有效频段特征，选取肌电信号的截止频率为2Hz ～200Hz，选取脑电信号的截止频率为2Hz ～50Hz。4. 根据权利要求1 所述的基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述运动指标提取部分，肌电信号运动指标如下，式中，iEMG 为积分肌电值，反映肌肉动作时运动单元的数量及每个运动单元的放电大小；t 为采集肌电信号的时间；T 为分析采集到的肌电信号的周期；EMG(t) 为t 时刻采集到的相应肌肉运动的肌电信号。5. 根据权利要求1 所述的基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述运动疲劳指标提取部分包括肌电信号疲劳指标和脑疲劳指标；(1) 肌电信号疲劳指标如下式，式中，MPF 为平均功率频率，是功率谱曲线重心位置的频率，对低负荷运动的频谱变化有较高敏感性；f 为肌电信号的频率；P(f) 为功率谱函数；

(2) 脑疲劳指标，基于小波包分解算法，采用二进制尺度变换，将脑电信号f(t) 分解为4 层，获得脑电信号低频子带，通过小波包重构，获取慢波为4 ～8Hz 所在的频带节律，获取快波为12 ～32Hz 所在的频带节律，其中慢波为θ 波，快波为β 波，进一步求得θ 波和β波的能量比，具体步骤如下：①小波包分解式中，i ＝0,1,2,…,2j-1，fj,i(ti) 为小波包分解在第j 层节点(j,i) 上的重构脑电信号；②由Parseval 定理及①中小波包分解计算式，可计算得到脑电信号f(t) 小波包分解的能量谱为：

式中，Ej,i(ti) 为脑电信号f(t) 小波包分解到节点(j,i) 上的频带能量；xi,π(i ＝0,2,…,2j-1 ；π ＝1,2,…,n) 为重构脑电信号fj,i(ti) 的离散点幅值；n 为信号采样点数；③求取脑疲劳指标表1根据表1，对小波包子带(4,1) 重构，获得4 ～8Hz 节律，即为θ 波，定义其能量为Eθ，则由可知：同理，对小波包子带(4,3)、(4,4)、(4,5)、(4,6)、(4,7) 重构，获得12 ～32Hz 节律，即

为β 波，定义其能量为Eβ，同样由可知：定义脑疲劳指数为Fθ/β，

6. 根据权利要求1 所述的基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述虚拟场景设计部分，在计算机环境下，基于Visual C#2010设计虚拟场景；在计算机中的虚拟场景显示窗口中设有控制按钮，所述控制按钮包括“开始”按钮、“康复训练”按钮、“生理指标”按钮、“保存”按钮、“关闭”按钮；“开始”按钮为脑肌电同步采集按钮；“康复训练”按钮为康复训练开始按钮；“生理指标”按钮为肌电运动指标、肌电信号疲劳指标和脑疲劳指标的实时显示按钮；“保存”按钮为肌电运动指标、肌电信号疲劳指标和脑疲劳指标的保存按钮；“关闭”按钮为康复训练结束按钮；虚拟场景的康复训练场景为康复训练的任务平台。7. 根据权利要求1 所述的基于脑肌电和虚拟场景的脑卒中患者康复训练系统，其特征在于：所述康复训练实验部分，患者根据虚拟场景设计中康复训练场景的要求，通过手臂弯曲、伸展和左、右摇摆来控制康复训练场景中的虚拟手掌完成指定任务。8. 一种基于脑肌电和虚拟场景的脑卒中患者康复训练方法，其特征在于：所述方法首先采集患者的脑电信号和肌电信号并进行信号处理，采用肌电信号运动指标作为特征向量用于识别患者的运动意图，将肌电信号运动指标送入之前训练好的支持向量机SVM-1 中，识别康复患者手臂的弯曲、伸展及左、右摇摆的动作，根据识别结果驱动康复训练场景里面的虚拟手掌，使其拖动相应的物品到达指定位置，完成康复训练项目；在康复训练过程中，将患者的肌电信号疲劳指标和脑疲劳指标的最大值分别平均划分多个等级，不同等级对应不同的疲劳状态，等级越高疲劳程度越大，反之越小；每隔一个训练周期，获取肌电信号疲劳指标和脑疲劳指标并送入之前训练好的支持向量机SVM-2，识别出该训练周期的疲劳状态，根据识别的疲劳等级，触发康复训练场景难度级别控件，自适应调节康复训练的难易程度。