1.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述存储器执行所述程序时实现基于一维U‑Net网络的无创血压估计方法，包括以下步骤：

步骤一、从血压测试数据库中获取样本数据；所述样本数据包括脉搏波的一阶差分数据、脉搏波的二阶差分数据和同时含有脉冲波和动脉血压波形的数据；

步骤二、搭建基于一维U‑Net网络的血压估计网络；所述基于一维U‑Net网络的血压估计网络包括一维U‑Net网络和设置在所述一维U‑Net网络之后的全连接层；

步骤三、将所述样本数据带入所述血压估计网络进行训练，更新血压估计网络的权重参数，获得训练后的血压估计网络；

步骤四、将实时采集的脉搏波信号输入训练后的血压估计网络，获得实时测试数据的信号输出。

2.如权利要求1所述的计算机设备，其特征在于，所述基于一维U‑Net网络的血压估计网络，具体包括：

网络的输入size为500*4，第一、二、三层为12个size为20*1的卷积层，采用same池化，激活函数为relu；

网络第三层之后加入最大池化；

网络第四、五、六、七层为48个size为5*1的卷积层，采用same池化，激活函数为relu，将第五层网络的输出、第七层网络的输出和这两层网络输出的差连接起来作为下一层的输入；

网络第七层之后加入上采样，并将上采样后的输出与第三层的输出连接起来；

网络第八、九、十层为12个size为20*1的卷积层，采用same池化，激活函数为relu；

网络第十一层为1个size为1*1的卷积层，采用same池化，激活函数为relu，输出reshape为500*1的长度；

网络第十二层为全连接层，输出长度为500*1。

3.如权利要求1所述的计算机设备，其特征在于，所述“从血压测试数据库中获取样本数据”，包括：

S11、筛选同时含有脉搏波和动脉血压波形的数据，其中脉搏波为输入信号，动脉血压为输出信号；

S12、去除脉搏波和动脉血压的相位差，同步输入信号和输出信号；

S13、计算脉搏波的一阶差分和脉搏波的二阶差分，将所述脉搏波的一阶差分和脉搏波的二阶差分和所述脉搏波一同作为输入信号。

4.如权利要求1所述的计算机设备，其特征在于，所述S11和S12之间还包括：对所述同时含有脉搏波和动脉血压波形的数据进行去噪处理，去除基线漂移和高频噪声的干扰，获得去噪后的脉搏波和动脉血压波形的数据。

5.如权利要求1所述的计算机设备，其特征在于，所述“将所述样本数据带入所述血压估计网络进行训练，更新血压估计网络的权重参数，获得训练后的血压估计网络”，具体包括：

使用均方误差mse损失函数计算损失值，用adam算法反向传播更新网络权重参数，使网络的误差逐渐减小。

6.如权利要求1所述的计算机设备，其特征在于，学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e‑08,clipvalue＝0.5，采用mini‑batch梯度下降法，其中batch_size＝64。

7.如权利要求1所述的计算机设备，其特征在于，所述“将实时采集的脉搏波信号输入训练后的血压估计网络，获得实时测试数据的信号输出”，之后还包括：对实时测试数据的信号输出进行处理，获取血压波形的波峰和波谷；

根据所述血压波形的波峰和波谷，获得收缩压和舒张压。

8.如权利要求1所述的计算机设备，其特征在于，所述“对实时测试数据的信号输出进行处理，获取血压波形的波峰和波谷”，具体包括：对实时测试数据的信号输出进行预处理，所述预处理包括：去除实时测试数据的信号输出中的直流分量，得到信号y1(n)；将y1(n)中小于零的值置零，只保留大于零的部分得到信号y2(n)；对信号y2(n)求平方得到信号y3(n)；

对信号y3(n)进行处理，获得幅度阈值、时间阈值和心拍间期阈值；

根据幅度阈值、时间阈值和心拍期间阈值确定动脉血压波形的波峰波谷。