1.一种用于骨科植入手术中的数字孪生模型，其特征在于，该数字孪生模型采用以下方法构建：在历史的膝盖关节的骨科植入手术中，使用压力传感器获取植入件与骨骼接触表面不同位置的压力时序数据序列；使用力传感器获取植入件上不同位置的力量时序数据序列与作用力方向序列；获取压力传感器表面的垂直方向以及压力传感器与力传感器之间的距离；

根据所有压力时序数据序列的差异以及压力时序数据序列中压力数据对应时刻的差异，划分出若干个异常压力数据序列段；

根据每个异常压力数据序列段的时长与异常压力数据序列段内的压力数据，得到每个异常压力数据序列段中每个压力数据的疑似异常程度；

对每个力量时序数据序列进行滤波运算，得到更新力量时序数据序列；根据压力传感器表面的垂直方向与作用力方向序列中作用力方向的夹角、压力传感器与力传感器之间的距离以及压力时序数据序列与更新力量时序数据序列的相似性，筛选出每个压力时序数据序列对应的相关力量时序数据序列；

根据每个压力时序数据序列与对应的相关力量时序数据序列的相似性以及每个异常压力数据序列段中每个压力数据的疑似异常程度，得到每个异常压力数据序列段中每个压力数据的异常程度；

根据每个异常压力数据序列段中每个压力数据的异常程度，得到优化压力时序数据序列；根据优化压力时序数据序列与更新力量时序数据序列，构建骨科植入数字孪生模型，用以进行骨科植入手术的监测；

所述根据所有压力时序数据序列的差异以及压力时序数据序列中压力数据对应时刻的差异，划分出若干个异常压力数据序列段，包括的具体步骤如下：对每个压力时序数据序列进行Z‑score标准化处理，得到新压力时序数据序列，将所有新压力时序数据序列的均值，记为标准压力时序数据序列；

使用一阶导数法，分别对每个压力时序数据序列以及标准压力时序数据序列进行求导，得到若干个局部极值；所述局部极值包括局部极大值与局部极小值；

将第个压力时序数据序列与标准压力时序数据序列的局部极值数量的差值绝对值的归一化值，记为第个压力时序数据序列的趋势异常性；

根据第个压力时序数据序列的趋势异常性与压力时序数据序列中局部极值对应时刻，得到第个压力时序数据序列中每个局部极值的趋势异常性；

在每个压力时序数据序列中，将趋势异常性大于预设异常阈值的局部极值，记为异常局部极值，统计每个异常局部极值相邻的两个局部极值之间的压力数据序列段，并将相邻或者存在重叠的压力数据序列段进行合并，得到若干个异常压力数据序列段；

所述根据第 个压力时序数据序列的趋势异常性与压力时序数据序列中局部极值对应时刻，得到第个压力时序数据序列中每个局部极值的趋势异常性，包括的具体步骤如下：在所有压力时序数据序列中，将在第 个压力时序数据序列中第 个局部极大值对应时刻上的所有数据中局部极大值的数量，记为第个压力时序数据序列中第 个局部极大值的趋势一致性；

将除第 个压力时序数据序列之外的压力时序数据序列，记为参考压力时序数据序列；

在每个参考压力时序数据序列中，将与第 个压力时序数据序列中第 个局部极大值的时间间隔最小的局部极大值，记为参考局部极大值；

在第个压力时序数据序列中，计算第个局部极大值与第 个局部极大值的所有参考局部极大值的时间间隔的和值，将第 个局部极大值的趋势一致性的反比例归一化值与所述和值以及第 个压力时序数据序列的趋势异常性的乘积的归一化值，记为第 个压力时序数据序列中第个局部极大值的趋势异常性；

在每个压力时序数据序列中，根据每个局部极大值的趋势异常性的获取方式，得到每个局部极小值的趋势异常性；

所述根据每个异常压力数据序列段的时长与异常压力数据序列段内的压力数据，得到每个异常压力数据序列段中每个压力数据的疑似异常程度，包括的具体步骤如下：在第个压力时序数据序列中的第 个异常压力数据序列段中，计算第 个压力数据的归一化值与第 个压力数据对应时刻在标准压力时序数据序列中的压力数据的差值绝对值，将所有局部极值的趋势异常性的和值、第 个异常压力数据序列段的时长以及所述差值绝对值的乘积，记为第 个压力数据的疑似异常程度；

所述根据每个压力时序数据序列与对应的相关力量时序数据序列的相似性以及每个异常压力数据序列段中每个压力数据的疑似异常程度，得到每个异常压力数据序列段中每个压力数据的异常程度，包括的具体步骤如下：在第 个压力时序数据序列中，将第 个压力数据减去第 个压力数据的差值，记为第 个压力数据的趋势变化程度；

根据压力时序数据序列中每个压力数据的趋势变化程度的获取方式，得到相关力量时序数据序列中每个力量数据的趋势变化程度；

在第个压力时序数据序列中第 个异常压力数据序列段中，当第 个压力数据的趋势变化程度与第 个压力数据对应时刻在第个压力时序数据序列的相关力量时序数据序列中的力量数据的趋势变化程度的比值小于0时，将第 个压力数据的异常程度设置为预设常数；

当第 个压力数据的趋势变化程度与第 个压力数据对应时刻在第个压力时序数据序列的相关力量时序数据序列中的力量数据的趋势变化程度的比值大于等于0时，根据第 个压力数据与第 个压力数据对应时刻在第 个压力时序数据序列的相关力量时序数据序列中的力量数据的趋势变化程度、第个压力时序数据序列与对应相关力量时序数据序列的相关系数以及第 个压力数据的疑似异常程度，得到第 个压力数据的异常程度；

所述根据第 个压力数据与第 个压力数据对应时刻在第 个压力时序数据序列的相关力量时序数据序列中的力量数据的趋势变化程度、第 个压力时序数据序列与对应相关力量时序数据序列的相关系数以及第 个压力数据的疑似异常程度，得到第 个压力数据的异常程度，包括的具体步骤如下：将第 个压力数据的趋势变化程度与第 个压力数据对应时刻在第个压力时序数据序列的相关力量时序数据序列中的力量数据的趋势变化程度的差值绝对值、第个压力时序数据序列与第 个压力时序数据序列的相关力量时序数据序列的相关系数的反比例值以及第 个压力数据的疑似异常程度的乘积的归一化值，记为第 个压力数据的异常程度。

2.根据权利要求1所述一种用于骨科植入手术中的数字孪生模型，其特征在于，所述根据压力传感器表面的垂直方向与作用力方向序列中作用力方向的夹角、压力传感器与力传感器之间的距离以及压力时序数据序列与更新力量时序数据序列的相似性，筛选出每个压力时序数据序列对应的相关力量时序数据序列，包括的具体步骤如下：将第个压力时序数据序列与每个更新力量时序数据序列的皮尔逊相关系数的归一化值，记为第个压力时序数据序列与每个更新力量时序数据序列的相关系数；

以第个压力传感器表面的垂直方向与第 个作用力方向序列中每个作用力方向的最小夹角，构成夹角序列；

令夹角序列中大于预设判断夹角的夹角为0，小于等于预设判断夹角的夹角为1，得到一个01序列；

根据01序列中1的数量与分布以及夹角序列，得到第 个压力传感器与第 个力传感器的方向一致性；

将第个压力传感器与第 个力传感器的距离的反比例归一化值、第个压力时序数据序列与第 个更新力量时序数据序列的相关系数以及第 个压力传感器与第 个力传感器的方向一致性的乘积，记为第 个压力时序数据序列受第 个更新力量时序数据序列的影响程度；

根据第 个压力时序数据序列受每个更新力量时序数据序列的影响程度，筛选出第 个压力时序数据序列对应的相关力量时序数据序列。

3.根据权利要求2所述一种用于骨科植入手术中的数字孪生模型，其特征在于，所述根据01序列中1的数量与分布以及夹角序列，得到第 个压力传感器与第 个力传感器的方向一致性，包括的具体步骤如下：计算01序列中相邻1构成的序列段的数量与01序列中1的数量的乘积，将夹角序列中所有夹角的均值与所述数量的乘积的比值，记为第个压力传感器与第 个力传感器的方向一致性。

4.根据权利要求2所述一种用于骨科植入手术中的数字孪生模型，其特征在于，所述根据第个压力时序数据序列受每个更新力量时序数据序列的影响程度，筛选出第个压力时序数据序列对应的相关力量时序数据序列，包括的具体步骤如下：在第个压力时序数据序列分别受所有更新力量时序数据序列的影响程度中，将最大的影响程度对应的更新力量时序数据序列，记为相关力量时序数据序列。

5.根据权利要求1所述一种用于骨科植入手术中的数字孪生模型，其特征在于，所述根据每个异常压力数据序列段中每个压力数据的异常程度，得到优化压力时序数据序列，包括的具体步骤如下：在每个压力时序数据序列中的每个异常压力数据序列段中，将异常程度大于预设判断阈值的压力数据，记为异常压力数据；

将每个压力时序数据序列中的所有异常压力数据去除，再使用插值算法进行填补，得到优化压力时序数据序列。