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，进而判断脑疲劳或运动疲劳；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；所述肌电信号用于识别患者的运动意图；所述虚拟场景基于患者的运动意图生成；所述脑电信号和肌电信号还用于识别患者的疲劳等级；所述虚拟场景中的康复训练场景的难度级别受所述疲劳等级控制调整；所述虚拟场景设计部分设有所述虚拟手掌；所述虚拟手掌的动作由所述肌电信号控制；所述运动疲劳指标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求取脑疲劳指标利用小波包分解计算脑疲劳指标，将脑电信号f(t)分解为4层，分别为小波包子带(4 ,

0)、(4,1)、(4,2)、(4,3)、(4,4)、(4,5)、(4,6)、(4,7)，其对应的频率分别为0～4Hz、4～8Hz、8～12Hz、12～16Hz、16～20Hz、20～24Hz、24～28Hz、28～32Hz；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，则由训练的任务平台。