1.一种基于深度学习的多模态健康管理方案生成方法，其特征在于，包括：

获取被分析客户对象在预定时间段内多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率；

对所述多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率进行数据预处理以得到血压时序输入向量、血糖时序输入向量、心率时序输入向量、血氧饱和度时序输入向量、体温时序输入向量和呼吸率时序输入向量；

对所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量进行关联分析以得到客户对象全局体征语义理解特征向量；及基于所述客户对象全局体征语义理解特征向量，确定非药物干预的健康管理方案；

其中，还包括训练步骤：对基于一维卷积神经网络模型的体征数据时序特征提取器、基于转换器模块的体征数据上下文编码器和分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括被分析客户对象在预定时间段内多个预定时间点的训练血压值、训练血糖值、训练心率值、训练血氧饱和度、训练体温值和训练呼吸率，以及，非药物干预的健康管理方案标签的真实值；

将所述多个预定时间点的训练血压值、训练血糖值、训练心率值、训练血氧饱和度、训练体温值和训练呼吸率分别按照时间维度排列为训练血压时序输入向量、训练血糖时序输入向量、训练心率时序输入向量、训练血氧饱和度时序输入向量、训练体温时序输入向量和训练呼吸率时序输入向量；

将所述训练血压时序输入向量、所述训练血糖时序输入向量、所述训练心率时序输入向量、所述训练血氧饱和度时序输入向量、所述训练体温时序输入向量和所述训练呼吸率时序输入向量通过所述基于一维卷积神经网络模型的体征数据时序特征提取器以得到训练血压时序特征向量、训练血糖时序特征向量、训练心率时序特征向量、训练血氧饱和度时序特征向量、训练体温时序特征向量和训练呼吸率时序特征向量；

将所述训练血压时序特征向量、所述训练血糖时序特征向量、所述训练心率时序特征向量、所述训练血氧饱和度时序特征向量、所述训练体温时序特征向量和所述训练呼吸率时序特征向量通过所述基于转换器模块的体征数据上下文编码器以得到训练客户对象全局体征语义理解特征向量；

将所述训练客户对象全局体征语义理解特征向量通过分类器以得到分类损失函数值；

以及

以所述分类损失函数值来对所述基于一维卷积神经网络模型的体征数据时序特征提取器、所述基于转换器模块的体征数据上下文编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练客户对象全局体征语义理解特征向量进行基于类度矩阵正则化的权重空间探索约束迭代；

其中，在所述训练的每一轮迭代中，对所述训练客户对象全局体征语义理解特征向量进行基于类度矩阵正则化的权重空间探索约束迭代，包括：以如下优化公式对所述训练客户对象全局体征语义理解特征向量进行基于类度矩阵正则化的权重空间探索约束迭代；

其中，所述优化公式为：

；

；

其中，是所述训练客户对象全局体征语义理解特征向量，具体表示为列向量，是行向量， 为可学习的域转移矩阵，表示上一次迭代的权重矩阵， 表示向量或矩阵的转置向量或转置矩阵， 是迭代后的权重矩阵，表示矩阵相乘。

2.根据权利要求1所述的基于深度学习的多模态健康管理方案生成方法，其特征在于，对所述多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率进行数据预处理以得到血压时序输入向量、血糖时序输入向量、心率时序输入向量、血氧饱和度时序输入向量、体温时序输入向量和呼吸率时序输入向量，包括：将所述多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率分别按照时间维度排列为所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量。

3.根据权利要求2所述的基于深度学习的多模态健康管理方案生成方法，其特征在于，对所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量进行关联分析以得到客户对象全局体征语义理解特征向量，包括：分别提取所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量的体征时序特征以得到血压时序特征向量、血糖时序特征向量、心率时序特征向量、血氧饱和度时序特征向量、体温时序特征向量和呼吸率时序特征向量；以及提取所述血压时序特征向量、所述血糖时序特征向量、所述心率时序特征向量、所述血氧饱和度时序特征向量、所述体温时序特征向量和所述呼吸率时序特征向量之间的关联特征以得到客户对象全局体征语义理解特征向量。

4.根据权利要求3所述的基于深度学习的多模态健康管理方案生成方法，其特征在于，分别提取所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量的体征时序特征以得到血压时序特征向量、血糖时序特征向量、心率时序特征向量、血氧饱和度时序特征向量、体温时序特征向量和呼吸率时序特征向量，包括：将所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量通过基于一维卷积神经网络模型的体征数据时序特征提取器以得到所述血压时序特征向量、所述血糖时序特征向量、所述心率时序特征向量、所述血氧饱和度时序特征向量、所述体温时序特征向量和所述呼吸率时序特征向量。

5.根据权利要求4所述的基于深度学习的多模态健康管理方案生成方法，其特征在于，提取所述血压时序特征向量、所述血糖时序特征向量、所述心率时序特征向量、所述血氧饱和度时序特征向量、所述体温时序特征向量和所述呼吸率时序特征向量之间的关联特征以得到客户对象全局体征语义理解特征向量，包括：将所述血压时序特征向量、所述血糖时序特征向量、所述心率时序特征向量、所述血氧饱和度时序特征向量、所述体温时序特征向量和所述呼吸率时序特征向量通过基于转换器模块的体征数据上下文编码器以得到所述客户对象全局体征语义理解特征向量。

6.根据权利要求5所述的基于深度学习的多模态健康管理方案生成方法，其特征在于，基于所述客户对象全局体征语义理解特征向量，确定非药物干预的健康管理方案，包括：将所述客户对象全局体征语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示非药物干预的健康管理方案标签。

7.一种基于深度学习的多模态健康管理方案生成系统，使用权利要求1所述的基于深度学习的多模态健康管理方案生成方法，其特征在于，包括：数据获取模块，用于获取被分析客户对象在预定时间段内多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率；

数据预处理模块，用于对所述多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率进行数据预处理以得到血压时序输入向量、血糖时序输入向量、心率时序输入向量、血氧饱和度时序输入向量、体温时序输入向量和呼吸率时序输入向量；

关联分析模块，用于对所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量进行关联分析以得到客户对象全局体征语义理解特征向量；及健康管理方案确定模块，用于基于所述客户对象全局体征语义理解特征向量，确定非药物干预的健康管理方案。

8.根据权利要求7所述的基于深度学习的多模态健康管理方案生成系统，其特征在于，所述数据预处理模块，用于：将所述多个预定时间点的血压值、血糖值、心率值、血氧饱和度、体温值和呼吸率分别按照时间维度排列为所述血压时序输入向量、所述血糖时序输入向量、所述心率时序输入向量、所述血氧饱和度时序输入向量、所述体温时序输入向量和所述呼吸率时序输入向量。