1.一种基于小波神经网络的语言智能辅助学习系统，其特征在于，包括学生端系统(1)、教师端系统(2)；所述学生端系统(1)包括微处理器ARM(101)、面部摄像头(102)、脑电传感器(103)、话筒(104)、通信模块(105)、存储器(106)、触摸屏(107)、电源模块(108)，微处理器ARM(101)与面部摄像头(102)、脑电传感器(103)、话筒(104)、通信模块(105)、存储器(106)、触摸屏(107)、电源模块(108)相连；面部摄像头(102)用于捕捉学生的面部图像，并发送至微处理器ARM(101)；脑电传感器(103)用于采集学生的脑电信号，并发送至微处理器ARM(101)；话筒(104)用于采集学生的语音信号，并发送至微处理器ARM(101)；通信模块(105)用于学生端系统(1)与教师端系统(2)的数据通信，微处理器ARM(101)将采集的面部图像、脑电信号和语音信号转换为面部表情信息、脑电专注度信息和语音情感信息，通过通信模块(105)发送至教师端系统(2)；存储器(106)用于存储学生端的配置数据；触摸屏(107)用于I/O交互；电源模块(108)为整个学生端系统(1)供电；所述教师端系统(2)包括微处理器ARM(201)、小波神经网络模块(202)、通信模块(203)、存储器(204)、触摸屏(205)、高清摄像头(206)、话筒(207)、电源模块(208)，微处理器ARM(201)与小波神经网络模块(202)、通信模块(203)、存储器(204)、触摸屏(205)、高清摄像头(206)、话筒(207)、电源模块(208)相连；微处理器ARM(201)通过小波神经网络模块(202)对面部表情信息、脑电专注度信息和语音情感信息进行处理，得到学生的学习情绪、学习状态和学习纪律指标；通信模块(203)用于学生端系统(1)与教师端系统(2)的数据通信；存储器(204)用于存储教师端的配置数据；触摸屏(205)用于I/O交互，输出当前的学生状态指标；高清摄像头(206)用于采集教师的教学视频；话筒(207)用于采集教师的教学语音；教学视频、教学语音通过通信模块(203)传输至学生端系统(1)，通过触摸屏(107)播放，供学生进行语言学习；电源模块(208)为整个教师端系统(2)供电。2.根据权利要求1所述的基于小波神经网络的语言智能辅助学习系统，其特征在于，所述通信模块为4G模块。3.根据权利要求1所述的基于小波神经网络的语言智能辅助学习系统，其特征在于，所述电源模块为可充电的二次电池。4.根据权利要求1所述的基于小波神经网络的语言智能辅助学习系统，其特征在于，所述触摸屏用于播放视频、语音数据，也用于接收用户的操作指令并上传至微处理器ARM。5.一种基于小波神经网络的语言智能辅助学习方法，其特征在于，包括以下步骤：步骤一、学生端系统通过话筒采集学生的语音信号，通过脑电传感器采集学生的脑电信号，通过面部摄像头采集学生的面部图像信息，获取学生的面部图像信息、脑电信号和语音信号；步骤二、学生端微处理器ARM对语音信号进行情感分析，对面部图像信息进行表情识别，对脑电信号进行专注度分析，得到面部表情信号、脑电专注度信号和语音情感信号，并发送至教师端系统；步骤三、建立小波神经网络，根据面部表情信号、脑电专注度信号和语音情感信号标注学生的学习情绪、学习状态和学习纪律指标三种输出指标，采集足够的训练样本；步骤四、根据训练样本进行神经网络训练，直至小波神经网络收敛；步骤五、实时接收学生的采集数据，并分析输出当前学生的学习情绪、学习状态和学习纪律指标，教师根据以上指标调整课堂上的教学计划和教学方法。6.根据权利要求5所述的基于小波神经网络的语言智能辅助学习方法，其特征在于，所述步骤二中，采用支持向量机(SVM)算法，对语音信号进行情感分析，对面部图像信息进行表情识别，对脑电信号进行专注度分析，得到面部表情信号、脑电专注度信号和语音情感信号。7.根据权利要求5所述的基于小波神经网络的语言智能辅助学习方法，其特征在于，所述步骤三中，小波神经网络对面部表情信号、脑电专注度信号和语音情感信号进行综合分析，采用人工标注的方法：根据现场学生的反馈，组织有经验的老师对数据进行标注，得到学生的学习情绪、学习状态和学习纪律指标，小波神经网络的输入输出指标分布如下表所示：

8.根据权利要求5所述的基于小波神经网络的语言智能辅助学习方法，其特征在于，所述步骤三中，所述小波神经网络采用超权衰减误差回传算法(HWDBP)进行训练，进而提高网络的泛化能力，在超权衰减误差回传算法中，泛化误差函数定义为：

式(1)中t是当前迭代次数，G(t)为泛化误差函数，r为正则化系数，E(t)为误差项，B(t)为超权衰减项，分别定义为：B(t)＝∑Θ(t)2/(1+Θ(t)2)        (2)式(2)中，l为样本数量，Ol(t)为神经网络预测结果，包括学习情绪、学习状态和学习纪律三个指标，为对应样本标记结果；Θ代表了小波神经网络的参数；超权衰减机制能

够增强神经网络的泛化能力，提高神经网络在小样本条件下的预测性能；小波神经网络的输出定义为：式(3)中k为小波神经网络中小波节点的数量，uk为归一化激励强度，为小波基

函数，采用Morlet母小波ak与bk分别为小波基函数的尺

度参数和位移参数，wjk为小波神经网络的权值，zj为输入信号，包括面部表情信息、脑电专注度信息和语音情感信息。9.根据权利要求8所述的基于小波神经网络的语言智能辅助学习方法，其特征在于，所述HWDBP算法的更新规则如下：Θ(t+1)＝Θ(t)+ΔΘ                                 (4)式(4)中代表wjk，uk，ak和bk的梯度，计算公式分别为：式中为的一阶导数。