1.一种基于PPG信号的无创式甘油三酯估计系统，其特征在于，包括以下模块：数据采集模块，用于采集PPG信号，样本数据包括用专业传感器采集的病人指尖PPG信号，记录下对应病人的甘油三酯指标；

数据预处理模块，对采集到的指尖PPG信号进行单周期分割，并去除由于运动、光线等干扰而测量出的无效样本；

神经网络搭建模块，搭建用于训练和预测的卷积神经网络；

模型训练模块，将所述样本数据的部分带入该卷积神经网络进行训练，更新网络权重参数，获得训练后的神经网络模型，将保留的另一部分样本作为测试进行预测分析。

2.如权利要求1所述的一种基于PPG信号的无创式甘油三酯估计系统，其特征在于，所述“对采集到的PPG信号进行单周期分割，并去除由于运动、光线等干扰而测量出的无效样本”，具体包括：

1)使用带通滤波对采集的PPG信号进行去噪处理，并去除基线漂移和高频噪声，获得处理后的脉搏波数据；

2)对脉搏波数据进行单周期分割处理，并将不同长度的单周期波形通过补零的方式统一成相同的长度；

3)对得到的所有单周期波形筛选，去除波形质量较差，明显受到运动和光线干扰的样本；

4)将所有合格的单周期样本贴标签，并将高甘油三酯样本与低甘油三酯样本的数量控制为1:1。

3.如权利要求2所述的一种基于PPG信号的无创式甘油三酯估计系统，其特征在于，所述2)和3)之间还包括：

对所有脉搏波信号进行归一化处理，使得所有脉搏波信号值都处于‑2到2之间。

4.如权利要求1所述的一种基于PPG信号的无创式甘油三酯估计系统，其特征在于，所述“搭建用于训练和预测的卷积神经网络”，具体包括：网络的输入是大小为224*224*1的所有贴好标签的单周期脉搏波向量，后分别通过卷积层、池化层、卷积层、全连接层；其中第一个卷积层采用8个大小为9*9*1的卷积核，same池化，激活函数为relu，使用批量归一化操作；中间的池化层为8*8的均值池化；第二个卷积层采用16个大小为3*3*1的卷积核，same池化，激活函数为relu，使用批量归一化操作；最后一层为全连接层，得到最终的输出。

5.如权利要求1所述的一种基于PPG信号的无创式甘油三酯估计系统，其特征在于，所述“将所述样本数据的部分带入该卷积神经网络进行训练，更新网络权重参数，获得训练后的神经网络模型，将保留的另一部分样本作为测试进行预测分析”，具体包括：训练集和测试集的样本数量约为3:1，并且不让同一个病人分割后的单周期脉搏波同时出现在训练集和测试集中，严格分离单一病人样本，使用平均绝对误差mae作为最终回归精度的评判标准。

6.如权利要求5所述的一种基于PPG信号的无创式甘油三酯估计系统，其特征在于，还应包括：

使用matlab的trainingOption函数对神经网络进行训练，其中solverName＝sgdm,表示选择带动量的随机梯度下降算法，动量Momentum＝0.1，MiniBatchSize＝30，用于每次训练迭代的最小批次的大小，初始学习率InitialLearnRate＝0.001，LearnRateSchedule＝piecewise，即每过一段时期(LearnRateDropPeriod)学习率会乘以一个系数(LearnRateDropFactor)，LearnRateDropPeriod＝20，LearnRateDropFactor＝0.2，用于训练的最大轮数MaxEpochs＝30，Shuffle＝every—epoch，即每次训练会对数据进行重新排列，验证指标评估之间的迭代次数ValidationFrequency＝30，采用均方误差mse损失函数计算损失值。

7.一种计算机设备，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上述权利要求1‑6任一项所述的步骤。

8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行上述权利要求1‑6任一项所述的步骤。