1.一种基于约束估计的生理信号质量评估方法，其特征在于，包括以下步骤：

A1、接收待评估的类周期生理信号的信号段，对其进行预处理、波形分析识别及各个周期信号分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；

A2、对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计模型及时序估计系统；

A3、使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。

2.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，所述类周期生理信号包括脉搏波信号、心电信号、血压信号、呼吸信号；和/或，所述特征点包括信号段的起点、峰值点、通过计算提取的特征参数、或基于曲率信息定位的重搏波谷点和重搏波峰值点。

3.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，所述预处理执行以下步骤A11：通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

4.根据权利要求3所述生理信号质量评估方法，其特征在于，步骤A11中，根据所述类周期生理信号的类型，保留其信号频率的预设置分布范围。

5.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，所述波形分析识别，包括正常波形的识别及异常波形的识别，以保留有效的信号段；所述各个周期信号分段执行以下步骤A12：识别周期信号段中类周期生理信号波形的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点。

6.根据权利要求5所述生理信号质量评估方法，其特征在于，对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段，识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

7.根据权利要求6所述生理信号质量评估方法，其特征在于，将连续几个上升支和下降支异常的波形段合并为一周期信号段；其中，正常波形的分段还依据前后两个周期信号段的信息，对候选的所述最显著特征点和所述极小值点进行微调，以保留有效的信号段。

8.根据权利要求7所述生理信号质量评估方法，其特征在于，步骤A1中，仅对正常波形的周期信号段和次正常波形的周期信号段的特征点进行检测。

9.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，还分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。

10.根据权利要求9所述生理信号质量评估方法，其特征在于，对采集的生理信号进行周期分段，得到N个周期的信号段，将得到的所有周期的信号与模板信号进行对比，进行均值和标准差计算，用来描述所述模板信号分布。

11.根据权利要求11所述生理信号质量评估方法，其特征在于，利用动态时间规整方式计算动态时间规整距离，衡量信号段与模板信号之间的相似性。

12.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A3中，采用基于带约束的时序估计模型，包括卡尔曼模型或者隐马尔可夫模型、粒子滤波模型、指数加权移动平均模型，对所述特征矢量进行时序变化的追踪，定级所述信号质量，获得所述信号数据有效性的评价。

13.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A2中，还执行以下步骤A21：根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

14.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A2中，根据已提取的生理特征参数，生成由局部形态信息和全局形态信息组成的多维特征矢量，基于带约束的卡尔曼模型或者隐马尔可夫模型、粒子滤波模型、指数加权移动平均模型，追踪特征参数的时序变化。

15.根据权利要求14所述生理信号质量评估方法，其特征在于，步骤A2中，基于带约束的kalman卡尔曼滤波器，约束所述时序估计模型如下：其中，系统状态方程为：

s.t.Cx≤d

T

xk＝[T1k T2k T3k T4k T5k H1k H2k H3k S1k S2k Dk] ；

其中，Dk为通过动态时间规整计算而得的相似性量化值，其余维数分别对应预设置的生理特征参数。

16.根据权利要求15所述生理信号质量评估方法，其特征在于，以最大概率估计作为状态求解目标，所述约束的时序估计系统如下：(1)预测

其中 为前一状态带约束的估测值；

其中Pk-1|k-1为前一估测方差；

由预测值 和观察值zk计算新息如下：

使用预设置规则库对新息进行分析，追踪预设置生理信号的生理特征参数的时序变化，以及通过新息协助判断类周期生理信号的信号段的数据有效性；若该信号段特征参数组成的测量值被判定无效，则更新过程不引入新息的信息；

(2)更新

其中Sk为新息方差；

其中Kk为最优卡尔曼增益；

Pk|k＝(I-KkHk)Pk|k-1；

其中 为带约束的估计值。

17.根据权利要求16所述生理信号质量评估方法，其特征在于，对每一类周期生理信号的信号段，以识别运动伪差和鉴别数据有效性为目的，信号质量被定义为如下所述的3层：信号质量级别L3，表示完全被运动干扰，噪音污染而无法提取生理特征参数，或提取的生理特征参数无效；

信号质量级别L2，表示信号虽被运动伪差干扰污染而呈现变形，但仍包含可判断的信息，信号段数据仍具有效性；

信号质量级别L1，表示信号正常干净，未被干扰或污染，形态良好，提取的特征有效，其中兼顾考虑了因生理变化而引起的生理特征时序的变化。

18.根据权利要求15所述生理信号质量评估方法，其特征在于，对于约束所述时序估计模型中的过程噪声方差Q和测量噪声方差R，采用离线方式获取训练数据，对所述时序估计模型进行调优。

19.根据权利要求18所述生理信号质量评估方法，其特征在于，采集原始训练数据按周期段进行特征提取后生成训练数据集，采用EM最大期望算法迭代直至收敛。

20.根据权利要求19所述生理信号质量评估方法，其特征在于，使用最大化测量概率作为优化目标，依据所使用的约束时序估计模型的生理特征参数，模型参数的训练规约为求解目标函数 的优化，其中z为真实值，p(·)为似然函数，为系统状态矢量。

21.一种基于约束估计的生理信号质量评估系统，其特征在于，包括信号特征提取模块、约束估计建模模块、时序预测及信号质量分析决策模块；

所述信号特征提取模块与所述约束估计建模模块连接，用于接收待评估的类周期生理信号的信号段，对其进行预处理、波形分析识别及信号周期分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；

所述约束估计建模模块与所述时序预测模块连接，用于对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计模型及时序估计系统；

所述时序预测及信号质量分析决策模块，用于使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。

22.根据权利要求21所述的生理信号质量评估系统，其特征在于，还设置与所述时序预测及信号质量分析决策模块连接的离线参数训练调优模块，用于根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

23.根据权利要求22所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置类周期生理信号预处理单元，用于通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

24.根据权利要求23所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置波形分析识别单元，用于识别周期信号段中类周期生理信号波形的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点；并对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段，识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

25.根据权利要求24所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置筛选单元，用于筛选正常波形的周期信号段和次正常波形的周期信号段，供所述信号特征提取模块进行特征点检测。

26.根据权利要求25所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置相似性计算单元，用于分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。