1.一种基于大数据的血液分析设备检测性能评估方法，其特征在于，具体步骤为：

1)数据采集：在选定的检测模式下，以△t为时间间隔采集血液分析设备多个参数的本底记数误差、精密度，以及采样周期内分析设备的分析次数，获得采集数据集；

2)数据预处理：将采集数据集按比例随机划分为训练集和测试集；

3)构建模型：分别构建基于BP神经网络的本底记数误差预测模型和基于BP神经网络的精密度预测模型；

4)构建训练：将步骤2)中划分的训练集数据分别输入步骤3)中构建的本底记数误差预测模型和精密度预测模型中，分别本底记数误差预测模型和精密度预测模型的BP神经网络进行训练；

5)性能评估：采集待评估血液分析设备的实时数据，并分别输入步骤4)中训练好的本底记数误差预测模型和精密度预测模型中，对未来某一时段血液分析设备的性能进行评估。

2.如权利要求1所述的一种基于大数据的血液分析设备检测性能评估方法，其特征在于，步骤1)中数据采集的具体步骤为：

2‑1)在选定的检测模式下，以△t为时间间隔分别对血液分析设备的白细胞计数WBC、红细胞计数RBC、血红蛋白测定HGB、红细胞压积测定HCT、血小板测定PLT共5个项目的本底记数误差 进行采集，其中：j∈(1～5)分别表示5个项目，t为采样时刻；

2‑2)在选定的检测模式下，以△t为时间间隔分别对血液分析设备的白细胞计数WBC、红细胞计数RBC、血红蛋白测定HGB、红细胞平均体积MCV、血小板测定PLT共5个项目的精密j度CVt进行采集，其中：j∈(1～5)分别表示5个项目，t为采样时刻；

2‑3)采集每个采样周期内血液分析设备的分析次数N＝{n1,n2,...,ni,...,nm}，其中：m为最大采样次数，ni为第i个采样周期内血液分析设备的分析次数。

3.如权利要求2所述的一种基于大数据的血液分析设备检测性能评估方法，其特征在于，步骤3)中构建模型的具体步骤为：

3‑1)分别对白细胞计数WBC、红细胞计数RBC、血红蛋白测定HGB、红细胞压积测定HCT、血小板测定PLT构建本底记数误差预测模型：以t‑3△t、t‑2△t、t‑△t三个采样时刻的本底记数误差 以及三个采样时刻对应采样周期内血液分析设备的分析次数nt‑3△t、nt‑2△t、nt‑△t为输入，以t时刻的本底记数误差 为输出，构建基于BP神经网络的本底记数误差预测模型；

3‑2)分别对白细胞计数WBC、红细胞计数RBC、血红蛋白测定HGB、红细胞平均体积MCV、血小板测定PLT构建精密度预测模型：以t‑3△t、t‑2△t、t‑△t三个采样时刻的精密度 以及三个采样时刻对应采样周期内血液分析设备的分析次数nt‑3△t、nt‑2△t、nt‑△t为输入，以t时刻的精密度jCVt为输出，构建基于BP神经网络的精密度预测模型；

3‑3)5个本底记数误差预测模型以及5个精密度预测模型的BP神经网络的输入层变量均为6个，输出层变量为1个，隐藏层神经元均为12个；

初始化BP神经网络的参数，所述模型参数包括各层之间的权值、隐藏层的阈值、学习精度、最大迭代次数、学习率。

4.如权利要求1所述的一种基于大数据的血液分析设备检测性能评估方法，其特征在于，步骤4)中构建模型的具体步骤为：采用步骤2)中划分的训练集数据对5个本底记数误差预测模型和5个精密度预测模型的BP神经网络分别进行训练，每一次迭代训练后计算前后两次训练过程中实际输出与期望输出之间的误差；

若当前误差大于学习精度则更新BP神经网络的权值和阈值参数；

若当前误差小于等于学习精度或当前迭代次数大于等于最大迭代次数，则输出权值和阈值参数当前BP神经网络，作为训练后的BP神经网络。

5.如权利要求2所述的一种基于大数据的血液分析设备检测性能评估方法，其特征在于，步骤5)中性能评估的具体方法为：

5‑1)获取待评估时刻tf前3个采样周期时刻tf‑3△t、tf‑2△t、tf‑△t的本底记数误差和精密度 以及三个采样时刻对应采样周期内血液分析设备的分析次数 获得实时数据；

5‑2)将步骤5‑1)中的实时数据分别输入步骤4)中训练后的10个BP神经网络模型中，对待评估时刻tf的本底记数误差 和精密度 进行预测；

5‑3)若步骤5‑2)中预测的本底记数误差 和精密度 均小于预设阈值，则血液分析设备继续使用；若本底记数误差 和精密度 任一项下雨预设阈值，则在tf‑△t时刻对血液分析设备进行校正操作；

5‑4)计算tf‑2△t、tf‑△t时刻的本底记数误差变化率 和精密度变化率获得本底记数误差变化率均值 和精密度变化率均值

根据本底记数误差变化率均值 和精密度变化率均值 将血液分析设备划分为不同的生命周期阶段，并根据不同的生命周期阶段调整采样评估的时间间隔：若 则血液分析设备处于其寿命的初始期，该阶段设备状态运行非常稳定，采样评估的时间间隔等于初始采样间隔△t；

若 则血液分析设备处于其寿命的中前期，该阶段设备

状态运行较为稳定，采样评估的时间间隔等于初始采样间隔0.8△t；

若 则血液分析设备处于其寿命的中期，该阶段设备状

态运行稳定，将其采样评估的时间间隔等于初始采样间隔0.6△t；

若 则血液分析设备处于其寿命的中后期，该阶段设备

运行状态较为不稳定，将其采样评估的时间间隔等于初始采样间隔0.5△t；

若 则血液分析设备处于其寿命的末期，该阶段设备运行状态极为不稳定，将其采样评估的时间间隔等于初始采样间隔0.4△t；

其中： 均为根据经验预设的变化率阈值。

6.如权利要求1所述的一种基于大数据的血液分析设备检测性能评估方法，其特征在于，步骤1)中的检测模式包括自动‑全血、封闭‑全血、封闭‑预稀释三种检测模式。