1.一种基于小波散射变换的血压变化趋势估计方法，其特征在于，包括以下步骤：

步骤S1：采集受试者的PPG信号和动脉血压信号；

步骤S2：对PPG信号进行去除基线漂移预处理；

步骤S3：将预处理后的PPG信号和动脉血压信号根据心跳周期数进行分段，提取每个动脉血压信号段的收缩压和舒张压数值，对每个PPG信号段进行平线检测，保留信号质量好的PPG信号段；

步骤S4：构建小波散射网络，将信号质量好的PPG信号段进行小波散射，获得小波散射系数；

步骤S5：根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量，并建立训练集和测试集；

步骤S6：构建非因果时间卷积网络；具体包括以下子步骤：

步骤S6‑1：定义非因果时间卷积网络的超参数，包括卷积核数量、卷积核大小、空间丢失因子和残差块数量；

步骤S6‑2：建立输入层，构建一个序列输入层，将输入层维度设置为训练集中小波散射系数差的每个样本的长度，选择零‑均值归一化方法；

步骤S6‑3：建立残差块，构建三个级联非因果时间卷积网络残差块，每个残差块包含以下层：一维卷积层、层归一化层、ReLU层、空间丢弃层；

其中，一维卷积层使用指定大小为指定大小为filter_size、数量为filter_num的卷积r核，以2为膨胀因子在时间维度上卷积输入数据，其中r为残差块的序号；

层归一化层对卷积层的输出进行归一化处理；

ReLU层通过线性函数的修剪，使得负数的输出都变为0；

空间丢弃层按照一定的丢失因子，随机地在通道上对数据进行空间丢失；

步骤S6‑4：建立残差连接，在第一个残差块中，将输入层的数据作为本残差块的输入，在后面的每一个残差块中，将前一个残差块的输入与前一个残差块空间丢弃层的输出相加，作为本残差块的输入；

步骤S6‑5：建立隐藏节点数分别为Num_hidden1、Num_hidden2、Num_hidden3的三个全连接层和一个回归层，用于血压变化量预测；

步骤S7：将训练集中小波散射系数差值作为输入特征，收缩压和舒张压变化量作为标签，对非因果时间卷积网络进行训练；

步骤S8：使用训练好的非因果时间卷积网络对测试集中小波散射系数差进行预测，得到对应的收缩压和舒张压变化量。

2.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S1中采集受试者的PPG信号和动脉血压信号，具体为：选择若干名不同年龄、性别和血压水平的受试者，对每一位受试者使用可穿戴式PPG信号采集设备和袖带式连续血压测量设备同步采集PPG和动脉血压信号，将PPG和动脉血压信号重采样至相同的采样率。

3.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S2中对PPG信号进行去除基线漂移预处理，包括以下子步骤：步骤S2‑1：采集受试者手腕部的PPG信号作为原始数据，经Min‑Max归一化操作，将PPG信号幅值映射到[0,1]区间内；

步骤S2‑2：采用4阶巴特沃斯低通滤波器，对PPG信号进行低通滤波，去除高频噪声和工频干扰；

步骤S2‑3：对低通滤波后的PPG信号进行VMD分解，利用网格搜索算法确定VMD惩罚因子、分解模态数和收敛容差参数最优取值，对PPG信号分解后将中心频率最低的模态分量系数置为0，对PPG信息进行重构，去除基线漂移。

4.根据权利要求3所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S2‑3中利用网格搜索算法确定参数最优值，包括以下子步骤：步骤S2‑3‑1：定义超参数的搜索范围，将VMD算法的分解模态数L取值范围设置为[4,5,

6,7,8,9,10,11,12]，将VMD算法的惩罚因子α取值范围设置为[0.1,0.2,0.3,0.4,0.5,0.6,‑7 ‑6 ‑5 ‑4

0.7,0.8,0.9,1.0]，将收敛容差τ取值范围设为[1×10 ，1×10 ，1×10 ，1×10 ]；

步骤S2‑3‑2：构建超参数网格，将所有超参数取值组合构成一个超参数网格，即每个网格点都表示一组超参数取值；

步骤S2‑3‑3：对每组超参数的取值，利用该组参数下的VMD分解算法处理PPG信号，计算中心频率最低的模态分量的平均瞬时频率作为评价指标Score_VMD；

步骤S2‑3‑4：选择对应Score_VMD数值最小的一组超参数取值作为最终的惩罚因子、分解模态数和收敛容差。

5.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S3中对每个动脉血压信号段提取收缩压和舒张压的数值，是指对每个动脉血压信号段使用波峰检测算法提取收缩压和舒张压的数值。

6.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S3中对每个PPG信号段进行平线检测，保留信号质量好的信号段，是指对每个PPG信号段进行平线检测，设置阈值flat_ratio，若每个PPG信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio，则将该分段的信号质量归类为差，丢弃该信号段，否则将该分段的信号质量归类为好，保留该信号段，包括以下子步骤：步骤S3‑1：使用峰谷检测器检测PPG信号中收缩期的波峰位置和舒张期的波谷位置，分别保存为数组Peaks[1×n]和Valleys[1×n]，其中n表示PPG信号包含的心跳周期总数，Peaks[i]表示第i个心跳周期的收缩期波峰位置索引，Valleys[i]表示第i个心跳周期的收缩期波谷位置索引；

步骤S3‑2：以波谷位置为边界，将PPG信号切分为若干个分段，每个信号分段包含相邻的Ncycle个完整的信号周期；

步骤S3‑3：设置固定长度L_standard，对信号分段长度进行调整，若信号段长度小于L_standard，则在该信号段两端用零值补充，若信号段长度大于L_standard，则在该信号段两端进行裁剪，其中在信号分段两端补零或裁剪的采样点数一致，以使PPG信号有效波形保持在信号段的中间位置；

步骤S3‑4：对所有PPG信号分段计算一阶差分，遍历得到的一阶差分序列，统计所有连续两个以上的0值片段的长度之和作为平线长度，设置阈值flat_ratio，若每个信号段的平线部分长度与所在信号段总长度的比值大于阈值flat_ratio，则将该分段的信号质量归类为差，丢弃该信号段，否则将该分段的信号质量归类为好，保留该信号段。

7.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S4中构建小波散射网络，将信号质量好的PPG信号段进行小波散射，获得小波散射系数，是指将信号质量好的PPG信号段进行小波散射获得零阶、一阶和二阶小波散射系数，组合成尺寸为P*N*M的三维数组WST，其中P为受试者个数，N为信号质量好的PPG信号段的总数，M为零阶、一阶和二阶小波散射系数维度之和，包括以下子步骤：步骤S4‑1：对信号质量好的PPG信号段进行多级小波分解，将信号分解成一系列低频分量cj,k和高频分量dj,k：其中，x(t)为信号质量好的PPG信号分段，t为采样时间，*表示卷积运算， 和ψ(t)分别为低通和高通小波滤波器，j表示分解的级数，k表示离散的时间参数；低频分量cj,k为零阶小波散射系数；

步骤S4‑2：计算信号的局部幅度，对每个高频分量dj,k，计算其局部幅度，即将dj,k的绝对值通过低通滤波器 进行平滑，得到第一阶小波分解的局部幅度aj,k：步骤S4‑3：计算信号的非线性相位，将每个高频分量dj,k通过高通滤波器ψ(t)得到相位信息φj,k(t)，对相位信息进行小波分解和局部平均得到非线性相位φj,k(t)＝angle(dj,k*ψ2‑j(t‑k))，

其中，k'表示时间参数，angle(dj,k*ψ2‑j(t‑k))表示求复数dj,k*ψ2‑j(t‑k)的相位信息；

步骤S4‑4：计算信号的一阶小波散射系数，将所有的局部幅度aj,k和非线性相位组合成一组二元特征，即一阶小波散射系数：步骤S4‑5：将第一阶小波分解的局部幅度aj,k的绝对值通过低通滤波器进行平滑得到第二阶小波分解的局部幅度bj,k，非线性相位 通过低通滤波器进行平滑得到平均相位 将所有的第二阶小波分解的局部幅度、非线性相位和平均相位组合成一组三元特征，即二阶小波散射系数：其中，k”表示时间参数。

8.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S5中根据小波散射系数和对应时刻的收缩压、舒张压值获取小波散射系数差值、收缩压变化量和舒张压变化量序列，并建立训练集和测试集，包括以下子步骤：步骤S5‑1：将小波散射系数和对应时刻的收缩压、舒张压按受试者编号进行划分，并建立数据集，将数据集根据采样时间进行排序；

步骤S5‑2：对每个受试者的数据集进行处理，以该受试者PPG信号采集初始时刻的小波散射系数为基准，将同一集合内所有时刻的小波散射系数均减去这个基准，得到小波散射系数差值：二维数组WST_res[N,M]，其中N为信号质量好的PPG信号段的个数，M为小波散射系数的维度之和；

步骤S5‑3：取每个受试者数据集中与第一个PPG信号段时间上对应的收缩压作为基准，将同一集合内所有时刻的收缩压均减去这个基准，得到收缩压随时间的变化量；取与第一个PPG信号段时间上相对应的舒张压作为基准，将同一集合内所有时刻的舒张压均减去这个基准，得到舒张压随时间的变化量；

步骤S5‑4：任取一位受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量作为测试数据集，将其他受试者的小波散射系数差值、收缩压随时间变化量和舒张压随时间变化量合并成序列作为训练数据集。

9.根据权利要求1所述的基于小波散射变换的血压变化趋势估计方法，其特征在于，所述步骤S7中将小波散射系数差值作为输入特征，收缩压和舒张压变化量作为标签，对非因果时间卷积网络进行训练，包括以下子步骤：步骤S7‑1：将训练集中的小波散射系数差执行Min‑Max归一化操作，得到的数据作为非因果时间卷积网络的输入，将对应的收缩压和舒张压作为非因果时间卷积网络的输出；

步骤S7‑2：定义损失函数为均方误差MSE，选择Adam作为优化器，采用学习率衰减方法，使用训练集对非因果时间卷积网络进行训练，通过反向传播算法来更新模型参数以最小化损失函数；

步骤S7‑3：将非因果时间卷积网络中的残差块个数、每一个卷积层的卷积核个数、卷积核大小、空间丢弃层的丢弃比率作为待搜索的超参数，使用网格搜索和交叉验证寻找最优化的超参数组合；

步骤S7‑4：当模型在训练集上的损失不再显著下降时结束训练。