1.基于机器学习的健康监测数据处理方法，其特征在于，该方法包括以下步骤：

采集心率数据；

根据心率数据划分数据的局部范围，根据数据的局部范围进行预测得到预测结果，根据预测结果获取对比数据段；

根据对比数据段获取对比数据段对应的实际数据段，根据对比数据段与对比数据段对应的实际数据段中所有数据的幅值均值与标准差，获取对比数据段的第一差异因子与对比数据段的第二差异因子；根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度；

所述根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度，包括的具体计算方法为：首先计算第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数，得到第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数，根据第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数，结合第 个对比数据段的第一差异因子与第 个对比数据段的第二差异因子，获取第 个对比数据段与第 个实际数据段之间的差异程度，记为第 个对比数据段的差异程度，其具体的计算公式为：式中， 表示第 个对比数据段的差异程度； 表示第 个对比数据段的第一差异因子；

表示第 个对比数据段的第二差异因子； 表示第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数； 表示以自然常数为底数的指数函数； 表示绝对值运算；

预设一个初始差异程度阈值 ；利用初始差异程度阈值 结合对比数据段的差异程度，得到特征数据段与非特征数据段；对非特征数据段进行分组，得到若干非特征数据组以及非特征数据组的特征数据段，根据若干非特征数据组以及非特征数据组的特征数据段，结合特征数据段中的数据，修正初始差异程度阈值，得到差异程度阈值；

所述对非特征数据段进行分组，得到若干非特征数据组以及非特征数据组的特征数据段，根据若干非特征数据组以及非特征数据组的特征数据段，结合特征数据段中的数据，修正初始差异程度阈值，得到差异程度阈值，包括的具体方法为：若两个非特征数据段之间存在一个特征数据段，则将两个非特征数据段归为一组，得到若干非特征数据组；并将非特征数据组中两个非特征数据段之间的特征数据段记为非特征数据组的特征数据段；

计算每组非特征数据组内两个非特征数据段之间的差异程度，记为每组非特征数据组内的差异程度；以及每组非特征数据组的特征数据段内所有数据的对比数据段的差异程度均值，记为每组非特征数据组的特征值；

然后，利用k‑means聚类算法，根据每个非特征数据段中的数据，将每个非特征数据段分成两个类簇；分别获取所有非特征数据段的每个类簇中所有数据的均值，根据所有非特征数据段的每个类簇中所有数据的均值，结合每组非特征数据组内的差异程度以及非特征数据组的特征值，对初始差异程度阈值进行修正，得到差异程度阈值，其具体的计算过程为：式中，表示差异程度阈值；表示预设的初始差异程度阈值；表示非特征数据组的数量； 表示第 组非特征数据组内的差异程度； 表示第 组非特征数据组的特征值；

表示非特征数据段的数量； 表示第 个非特征数据段的第1个类簇中所有数据的均值；

表示第 个非特征数据段的第2个类簇中所有数据的均值； 表示绝对值运算；

表示激活函数；

根据差异程度阈值，得到差异数据段；根据差异数据段获取分段点，根据分段点对心率数据进行分段，得到若干段心率数据。

2.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述采集心率数据，包括的具体方法为：通过心率带实时检测人入睡时的心率数据，得到心率数据。

3.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据心率数据划分数据的局部范围，根据数据的局部范围进行预测得到预测结果，根据预测结果获取对比数据段，包括的具体方法为：预设一个局部范围阈值 ，对于心率数据中的第 个数据，将第 个数据前 个数据作为第 个数据的局部范围；

利用ARIMA算法根据第 个数据的局部范围内的数据进行预测，得到第 个数据的预测结果，将第 个数据的预测结果中前 个数据，作为第 个数据的对比数据段。

4.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据对比数据段获取对比数据段对应的实际数据段，根据对比数据段与对比数据段对应的实际数据段中所有数据的幅值均值与标准差，获取对比数据段的第一差异因子与对比数据段的第二差异因子，包括的具体方法为：对于计算第 个对比数据段的第一差异因子，首先将心率数据中第 个到第 个数据，作为第 个实际数据段，为预设的局部范围阈值；根据第 个对比数据段内的数据以及第 个实际数据段内的数据，获取第 个对比数据段与第 个实际数据段之间整体上的差异，记为第 个对比数据段的第一差异因子，其具体的计算公式为：式中， 表示第 个对比数据段的第一差异因子； 表示第 个实际数据段中所有数据的均值； 表示第 个对比数据段中所有数据的均值； 表示线性归一化函数； 表示绝对值运算；

根据第 个对比数据段内的数据以及第 个实际数据段内的数据，获取第 个对比数据段以及第 个实际数据段内所有数据的标准差，根据第 个对比数据段以及第 个实际数据段内所有数据的标准差与均值，计算第 个对比数据段的第二差异因子，其具体的计算公式为：式中， 表示第 个对比数据段的第二差异因子； 表示第 个实际数据段中所有数据的标准差； 表示第 个对比数据段中所有数据的标准差； 表示绝对值运算。

5.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述预设一个初始差异程度阈值 ；利用初始差异程度阈值 结合对比数据段的差异程度，得到特征数据段与非特征数据段，包括的具体方法为：将心率数据中差异程度大于 的对比数据段记为目标数据段，将每个目标数据段中的第一个数据作为每个目标数据段的起始数据，获取每个起始数据所对应的时刻记为特征时刻，将心率数据中所有特征时刻下的数据记为特征数据，将心率数据中时序相邻的特征数据归为同一特征数据段，得到若干特征数据段，并将心率数据中不是特征数据段的数据段记为非特征数据段。

6.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据差异程度阈值，得到差异数据段，包括的具体方法为：将心率数据中差异程度大于 的对比数据段记为基准数据段，将每个基准数据段中的第一个数据作为每个基准数据段的初始数据，获取每个初始数据所对应的时刻记为差异时刻，将心率数据中所有差异时刻下的数据记为差异数据，将心率数据中时序相邻的差异数据归为同一差异数据段，得到若干差异数据段。

7.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据差异数据段获取分段点，根据分段点对心率数据进行分段，得到若干段心率数据，包括的具体方法为：对于第 个差异数据段，获取第 个差异数据段中每个数据的对比数据段的差异程度，将差异程度最大的对比数据段所对应的数据，作为第 个差异数据段的分段点；获取每个特征段中的分段点，根据每个特征数据段中的分段点对心率数据进行分段，得到若干段心率数据。

8.基于机器学习的健康监测数据处理系统，其特征在于，该系统包括以下模块：

数据采集模块，用于采集心率数据；

数据预测模块，用于根据心率数据划分数据的局部范围，根据数据的局部范围进行预测得到预测结果，根据预测结果获取对比数据段；

数据对比模块，用于根据对比数据段获取对比数据段对应的实际数据段，根据对比数据段与对比数据段对应的实际数据段中所有数据的幅值均值与标准差，获取对比数据段的第一差异因子与对比数据段的第二差异因子；根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度；

所述根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度，包括的具体计算方法为：首先计算第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数，得到第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数，根据第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数，结合第 个对比数据段的第一差异因子与第 个对比数据段的第二差异因子，获取第 个对比数据段与第 个实际数据段之间的差异程度，记为第 个对比数据段的差异程度，其具体的计算公式为：式中， 表示第 个对比数据段的差异程度； 表示第 个对比数据段的第一差异因子；

表示第 个对比数据段的第二差异因子； 表示第 个对比数据段与第 个实际数据段之间的皮尔逊相关系数； 表示以自然常数为底数的指数函数； 表示绝对值运算；

数据分段模块，用于预设一个初始差异程度阈值 ；利用初始差异程度阈值 结合对比数据段的差异程度，得到特征数据段与非特征数据段；对非特征数据段进行分组，得到若干非特征数据组以及非特征数据组的特征数据段，根据若干非特征数据组以及非特征数据组的特征数据段，结合特征数据段中的数据，修正初始差异程度阈值，得到差异程度阈值；

所述对非特征数据段进行分组，得到若干非特征数据组以及非特征数据组的特征数据段，根据若干非特征数据组以及非特征数据组的特征数据段，结合特征数据段中的数据，修正初始差异程度阈值，得到差异程度阈值，包括的具体方法为：若两个非特征数据段之间存在一个特征数据段，则将两个非特征数据段归为一组，得到若干非特征数据组；并将非特征数据组中两个非特征数据段之间的特征数据段记为非特征数据组的特征数据段；

计算每组非特征数据组内两个非特征数据段之间的差异程度，记为每组非特征数据组内的差异程度；以及每组非特征数据组的特征数据段内所有数据的对比数据段的差异程度均值，记为每组非特征数据组的特征值；

然后，利用k‑means聚类算法，根据每个非特征数据段中的数据，将每个非特征数据段分成两个类簇；分别获取所有非特征数据段的每个类簇中所有数据的均值，根据所有非特征数据段的每个类簇中所有数据的均值，结合每组非特征数据组内的差异程度以及非特征数据组的特征值，对初始差异程度阈值进行修正，得到差异程度阈值，其具体的计算过程为：式中，表示差异程度阈值；表示预设的初始差异程度阈值；表示非特征数据组的数量； 表示第 组非特征数据组内的差异程度； 表示第 组非特征数据组的特征值；

表示非特征数据段的数量； 表示第 个非特征数据段的第1个类簇中所有数据的均值；

表示第 个非特征数据段的第2个类簇中所有数据的均值； 表示绝对值运算；

表示激活函数；

根据差异程度阈值，得到差异数据段；根据差异数据段获取分段点，根据分段点对心率数据进行分段，得到若干段心率数据。