1.基于可穿戴设备的养老体征实时监测方法，其特征在于，该方法包括以下步骤：

利用可穿戴设备采集老年用户的体征数据；

利用相邻时刻下采集的体征数据确定多维数据空间中每个时刻对应的数据点，包括：

将每个时刻与相邻前一时刻下同种体征数据之间差值的绝对值与相邻时刻之间时间间隔的比值作为每个时刻在同种体征数据的特征值；将每种体征数据作为数据空间的一个维度，构建一个多维数据空间；利用每个时刻在所有种体征数据的特征值在多维数据空间中确定唯一的一个数据点；

基于每个时刻以及历史时刻下采集的体征数据的拟合曲线确定每个时刻下每种体征数据的异常概率，包括：将每个时刻之前的预设数量个相邻时刻作为相邻历史时刻，将每个时刻以及相邻历史时刻下每种体征数据在时间上的曲线拟合结果作为每个时刻下每种体征数据的拟合曲线；将拟合曲线在每个时刻以及相邻历史下拟合偏差的分布方差与拟合偏差的累加和的乘积作为每个时刻下每种体征数据的异常概率；基于异常概率以及每个时刻下不同种体征数据的拟合曲线的趋势项之间的差异确定每个时刻对应数据点的异常可能性，包括：利用时间序列分解STL方法分别将每个时刻下每种体征数据的拟合曲线进行分解，分别得到残差项、趋势项；分别计算每个时刻下任意两种不同体征数据的拟合曲线的趋势项之间的差异性距离、残差项之间的差异性距离，对残差项之间的差异性距离进行负映射；计算趋势项之间的差异性距离与负映射结果的乘积在每个时刻下所有种体征数据上的累加结果作为每个时刻的监测异常程度；利用每个时刻的监测异常度、每个时刻下所有种体征数据的异常概率的均值确定每个时刻在多维数据空间中所确定数据点的异常可能性；

其中，异常可能性与监测异常度呈负相关关系、异常可能性与均值呈正相关关系；

对异常可能性筛选的特征数据点进行聚类，基于聚类结果中不同聚类簇内特征数据点的聚集性特征以及簇内分布划分异常聚类簇以及正常聚类簇，包括：计算每个聚类簇内任意两个特征数据点对应采集时刻之间的时间间隔，将每个聚类簇对应的所有时间间隔的分布方差与每个聚类簇内特征数据点之间极差的和作为每个聚类簇的类内差异；计算每个聚类簇与其余所有聚类簇的聚类中心在多维数据空间中欧式距离的累加和，将欧式距离的累加和的归一化结果与类内差异的乘积作为每个聚类簇的分布异常指标，计算每个聚类簇内特征数据点在多维数据空间每个维度上取值的分布方差，将分布方差在多维数据空间所有维度上的累加结果与分布异常指标的乘积作为每个聚类簇的差异指标；利用全局阈值分割的方式获取所有聚类簇的差异指标的分割阈值，将差异指标大于分割阈值的聚类簇作为异常聚类簇；将差异指标小于等于分割阈值的聚类簇作为正常聚类簇；

基于异常聚类簇、正常聚类簇内特征数据点的取值情况确定异常聚类簇内每个特征数据点对应时刻下体征数据的修正结果，基于修正结果得到老年用户体征数据的实时监测结果。

2.根据权利要求1所述的基于可穿戴设备的养老体征实时监测方法，其特征在于，特征数据点的获取方式为：利用全局阈值分割法获取多维数据空间中所有数据点的异常可能性的阈值，将异常可能性大于阈值的数据点作为多维数据空间中的特征数据点。

3.根据权利要求1所述的基于可穿戴设备的养老体征实时监测方法，其特征在于，确定异常聚类簇内每个特征数据点对应时刻下体征数据的修正结果，包括：计算每个正常聚类簇与每个异常聚类簇在多维数据空间同一维度上取值的均值之间的差值作为分子，将分子与每个异常聚类簇在多维数据空间同一维度上取值的均值的比值作为第一差值；

将每个正常聚类簇与每个异常聚类簇在多维数据空间同一维度上取值的分布方差之间差值的绝对值，将差值的绝对值与每个异常聚类簇在多维数据空间同一维度上取值的分布方差的比值作为第二差值；

将第一差值与第二差值的乘积作为每个正常聚类簇对每个异常聚类簇在一个维度上的校正系数；

将所有正常聚类簇对每个异常聚类簇在所有维度上的校正系数的均值作为每个异常聚类簇的校正程度。

4.根据权利要求1所述的基于可穿戴设备的养老体征实时监测方法，其特征在于，基于修正结果得到老年用户体征数据的实时监测结果，包括：对于每个异常聚类簇内的每个特征数据点，将每个特征点对应时刻采集的每种体征数据分别与每个异常聚类簇的校正程度的乘积作为对应时刻下每种体征数据的校正量，将每种体征数据的校正量与对应时刻采集的每种体征数据之和作为对应时刻下每种体征数据的校正结果。

5.根据权利要求1所述的基于可穿戴设备的养老体征实时监测方法，其特征在于，基于修正结果得到老年用户体征数据的实时监测结果，包括：分别对异常聚类簇内每个特征数据点对应时刻采集的每种体征数据进行校正；

对于任意一种体征数据，按照时间先后顺序，将每种体征数据的所有校正结果和每种体征正常采集的数据进行排列，得到老年用户在监测周期内每种体征数据的监测结果。