1.一种血压计校准方法，其特征在于，包括：S1、获取待校准血压计的n组测量数据，同时记录环境参数和测量者生理状态参数；

S2、将待校准血压计的测量数据进行预处理，得到测量数据特征向量；

S3、将环境参数和测量者生理状态参数进行改进证据理论融合，得到综合特征数据；

S4、构建非线性映射模型，将测量数据特征向量和综合特征数据输入非线性映射模型，得到标准血压计测量数据。

2.根据权利要求1所述的血压计校准方法，其特征在于，所述测量数据为待校准血压计在不同环境和测量者生理状态下获取的一系列血压测量数据，并基于一系列血压测量数据构建成血压波形信号，即为测量数据；

环境参数包括温度、湿度、噪音水平、光照强度和空气质量指数；测量者生理状态参数包括心率、呼吸频率、体温、运动状态、情绪状态、年龄、性别、身高和体重；

所述进行预处理的方式包括：

将血压波形信号分解为m个频带；将每个频带进行去噪，得到去噪后频带；利用逆小波包变换重构去噪后频带，得到重构信号；

基于自适应模态分解将重构信号分解为M个本征模态函数；计算每个本征模态函数的希尔伯特‑黄变换，并提取瞬时频率和幅值特征；

利用主成分分析对瞬时频率和幅值特征进行降维，得到测量数据特征向量。

3.根据权利要求2所述的血压计校准方法，其特征在于，所述分解为m个频带的方式包括：将待校准血压计的测量数据去除基线漂移和高频噪声，得到标准测量信号；

预先设定N个小波基，对于标准测量信号，计算其在不同小波基下的信息熵，其中， 为标准测量信号在第 个小波系数上的分布概率，选择使信息熵最小的小波基作为最优小波基；

定义综合成本函数自适应地选择小波包分解的层数，并基于选择的层数，利用最优小波基将标准测量信号进行小波包变换，得到M1个初始频带；

对于M1个初始频带，计算每个初始频带 的能量 ，其中， 为初始频带 的频谱， 为频率的索引；

设置自适应频带阈值 ，将能量小于或等于自适应频带阈值 的初始频带删除，即筛选出过渡频带，对于过渡频带，若 ，则合并过渡频带 和 ，得到最终的m个频带；其中， 是预定义的频率间隔阈值， 为过渡频带 的频率， 为过渡频带 的频率。

4.根据权利要求3所述的血压计校准方法，其特征在于，所述综合成本函数的公式为：；

其中， 为信息增益的权重系数， 为动态误差调整权重， 为动态复杂度调整权重， 为复杂度评估函数， 为信息增益评估函数； 为相对重构误差函数， 为待确定的分解层数； 为第 个分解层数的成本；

自适应地选择的方式为选择使 最小的 作为最优的选择的层数；

所述 动 态 误 差 调整 权 重 ，动 态 复 杂 度调 整 权 重；其中， 为初始设置的误差调整权重， 为误差变化系数，用于衰减/增长误差调整权重， 为初始设置的复杂度调整权重， 为复杂度变化系数；复杂度评估函数 ，其中， 是标准测量信号的长度， 为分解的长度， 为重构滤波器的长度；

相对重构误差函数 ；信息增益评估函数 ；其中，表示第 层分解后重构的信号， 表示第 层分解后重构的信号； 为原始的标准测量信号， 为 的熵， 为 的熵。

5.根据权利要求4所述的血压计校准方法，其特征在于，所述将每个频带进行去噪的方式包括：对频带进行小波分解，并对于每个小波系数级别 确定自适应阈值 ，并基于自适应阈值 应用软阈值函数，得到对应的预逆转信号 ；即为去噪后频带；

，其中， 为小波系数级别 的自适应系数， 为小波系数级别 的噪声标准差， 为小波系数级别 的系数数量；

，其中， 表示频带经过小波变换后的第 个小波系数级别的小波系数；

自适应系数的获取方式包括：

定义获取自适应系数的目标函数 ；

；

其中， 为第 个频带， 为经过 调节的去噪后的频带， 为信噪比计算函数， 为与 相邻的频带， 为协方差计算函数， 为方差计算函数；

使用高斯过程回归建立目标函数的概率模型，概率模型的表达式为：；

其中，为已观察到的数据点， 为均值函数对 求值， 为核函数对 和求值， 为更新后的 ，核函数为高斯径向基核函数， 为在 的基础上的概率， 为高斯过程回归的处理函数；

定义目标函数的采集函数 ，其中， 为求期望的函数， 为当前最佳的 值；选择使采集函数最大化的 值，评估目标函数并更新概率模型，得到最佳的自适应系数。

6.根据权利要求5所述的血压计校准方法，其特征在于，所述将重构信号分解为M个本征模态函数的方式包括：步骤1、对重构信号进行归一化处理以及对重构信号进行去趋势处理；

步骤2、使用滑动窗口法检测重构信号的局部极大值点和局部极小值点，得到极大值点集合和极小值点集合；

步骤3、对极大值点集合使用三次样条插值，生成上包络线 ，对极小值点集合使用三次样条插值，生成下包络线 ，其中，为时间点的索引；

步骤4、基于上包络线和下包络线计算得到均值曲线 ；对于均值曲线进行积分得到对应面积；

步骤5、基于均值曲线计算得到候选本征模态函数，候选本征模态函数；其中， 为重构信号；

步骤6、基于候选本征模态函数，定义本征模态函数的过滤条件，过滤条件为极大值点的数量与极小值点的数量之差不超过1、过零点的数量与极值点的数量相等或相差不超过

1，且 ，其中， 是正数；

步骤7、计算候选本征模态函数 的标准差 ，并定义基于迭代次数 动态调整的自适应阈值 ，其中， 是一个预设的衰减因子， 为预设的初始阈值；

步骤8、若 不满足过滤条件或 ，则将 作为新的重构信号，重复步骤2至7；

若满足过滤条件且 ，则将 确定为一个本征模态函数；

计算残差 ，其中， 是确定的第一个本征模态函数，将 作为新的重构信号，重复步骤1至8，直到满足停止条件；停止条件为残差 的幅值小于预设阈值。

7.根据权利要求6所述的血压计校准方法，其特征在于，所述进行改进证据理论融合的方式包括：对于环境参数和测量者生理状态参数中离散化的参数进行Z‑score标准化，对于非数值型数据进行编码，得到离散型数据；对于环境参数和测量者生理状态参数中的时序参数应用指数加权移动平均进行数据平滑，得到连续型数据；构建动态辨识框架，动态辨识框架的构建方式包括：初始化动态辨识框架 ， 中包含环境参数和测量者生理状态参数的假设 ， 为假设的索引；

设置框架动态调整机制为：若某假设 的置信度 低于预设的置信度阈值 ，则将其移除，并引入新的假设 ，定义 初始的置信度 ；

将连续型数据进行聚类，定义聚类的目标函数 ；

；

其中， 为连续型数据的数据点数量， 聚类的数量， 表示第 个数据点属于第个聚类的隶属度； 是隶属度的模糊度参数； 是第 个数据点的特征向量， 是第个聚类中心的特征向量， 是分散程度权重参数， 为聚类中心的整体均值；

通过迭代优化来最小化目标函数 ，得到 个聚类；并对于每个数据点和每个聚类中心，计算隶属度；

；

其中， 为 属于 的隶属度； 为另一个聚类中心， 为不同于 的聚类的索引；

将隶属度进行归一化，并将归一化后的隶属度用作假设的初始的置信度；

对于离散型数据，定义假设的初始的置信度为 ，其中， 为平滑参数； 为所有假设的观察次数总和， 为假设的数量， 为假设 的观察次数；

基于得到的初始的置信度，计算证据距离；

；

其中， 和 各为两个初始的置信度， 为转置， 为正定矩阵；

基于证据距离，计算各证据源的权重，计算公式为：，其中， 为证据源 的权重， 为证据源 的平均的证据距离， 为证据源 的平均的证据距离；

基于得到的权重，应用加权PCR5规则进行证据组合，并且融合过程将动态辨识框架作为基础；

计算证据冲突度 ，其中， 和 表示来自两个不同证据源的焦元； 表示第一个证据源对焦元 的基本概率分配值， 表示第二个证据源对焦元 的基本概率分配值， 是求和的条件，为预设的求和限制；

设置自适应冲突阈值，当证据冲突度 大于自适应冲突阈值时，将高度冲突的证据分解为子证据，对子证据重新计算初始的置信度、计算各证据源的权重、应用加权PCR5规则进行证据组合以及计算证据冲突度；迭代获取最终的证据组合结果，生成综合特征数据。

8.根据权利要求7所述的血压计校准方法，其特征在于，所述构建非线性映射模型的方式包括：采集模型训练数据，将模型训练数据中的环境参数和测量者生理状态参数进行改进证据理论融合，得到的综合特征数据，记作历史综合特征数据；处理模型训练数据中的测量数据，得到测量数据特征向量，记作历史测量数据特征向量；对应的记录每组历史综合特征数据和历史测量数据特征向量同时对应的标签，即同期使用标准血压计获得的测量值；即构成了训练特征集合；将历史综合特征数据和历史测量数据特征向量作为原始样本；

将训练特征集合内的原始样本 自适应的注入噪声，注入噪声的方式包括：定义噪声强度函数；

；

其中， 为第一超参数， 为第二超参数，用于平衡影响； 为非线性映射模型预测原始样本属于标签的概率， 为原始样本的标签， 为一个标量值，即非线性映射模型对输入的预测值， 为非线性映射模型在原始样本 上的求导， 为非线性映射模型在原始样本 上的置信度；

则注入噪声的公式为： ，其中， 为注入噪声后的原始样本，记作噪声样本； 为标准高斯噪声或均匀噪声；

将噪声样本进行时间翘曲变换，生成时间翘曲样本；

构建一个支持向量机回归网络，使用核函数K1对训练数据进行拟合，得到支持向量机回归模型的预测值 ；

构建一个高斯回归网络，使用核函数K2对训练数据的残差进行建模，得到高斯回归模型的预测值 ；将支持向量机回归网络与高斯回归网络集成，作为非线性映射模型的框架，将 和 相加，作为非线性映射模型的预测输出；定义非线性映射模型的损失函数为交叉熵损失函数；设置优化器使用原始样本、噪声样本和时间翘曲样本交替训练非线性映射模型，提高模型的泛化能力，得到构建完成的非线性映射模型。

9.根据权利要求8所述的血压计校准方法，其特征在于，所述将噪声样本进行时间翘曲变换的方式包括：初始化一个时间翘曲变换函数 ，其中， 为时间索引；使用随机初始化或基于先验知识初始化；定义翘曲目标函数 ；

；

其中， 是计算协方差的函数， 是映射函数； 是经过时间翘曲变换后的噪声样本； ； 为正则第一超参数， 为正则第二超参数； 为的二阶导数范数， ，其中， 为范围控制参数， 为时间时的翘曲目标函数的函数值；

通过优化翘曲目标函数，得到最优的时间翘曲变换函数；优化翘曲目标函数的方式包括：设置初始温度T0、最小温度 以及降温系数 ，从当前解 的邻域中随机生成一个新解 ；

计算翘曲目标函数的值的变化量 ；其中， 为时间 时的翘曲目标函数的函数值； 为时间 时的翘曲目标函数的函数值；

若 小于或等于0，则接受新解，即 ，若 大于0，则以概率接受新解，否则保持当前解不变， 为当前的温度；

定义一个邻域半径 ，新解 将在邻域半径 的球形区域内采样，自适应调整邻域半径；

；

其中， 为最大邻域半径， 是翘曲目标函数的最大值； 为控制因子；

降低温度 ，若 ，则终止搜索，输出当前最优解，即最优变换函数；否则继续迭代；利用得到的最优变换函数，生成时间翘曲样本。

10.一种血压计校准系统，其用于实现权利要求1至9任一项所述的血压计校准方法，其特征在于，包括：数据采集模块，用于获取待校准血压计的n组测量数据，同时记录环境参数和测量者生理状态参数；

处理模块，用于将待校准血压计的测量数据进行预处理，得到测量数据特征向量；

数据融合模块，用于将环境参数和测量者生理状态参数进行改进证据理论融合，得到综合特征数据；

校准模块，用于构建非线性映射模型，将测量数据特征向量和综合特征数据输入非线性映射模型，得到标准血压计测量数据，各个模块之间通过有线和/或无线的方式进行连接。