1.一种基于流形空间的数据监测方法，其特征在于，所述方法包括：获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；

对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；

根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；

将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；

根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；

根据所述目标曲线图输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。

2.根据权利要求1所述的方法，其特征在于，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集，包括：

采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；

计算与所述第一特征数据集对应的嵌入映射；

根据所述嵌入映射对所述第一特征数据集进行特征分析，以从所述第一特征数据集中获取所述第一特征数据集的内在规律。

3.根据权利要求2所述的方法，其特征在于，所述将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，包括：采用特征融合算法分别对所述第一特征数据集中的各项特征进行特征提取和模式识别，将提取的各项特征或模式识别的属性说明进行有机合成，得到一个目标表示或目标估计；

按特征信息对所述第一特征数据集中的各项特征进行分类、聚集和综合，产生多个特征矢量，以及采用基于特征级融合方式融合所述多个特征矢量，对融合得到的特征矢量进行属性说明；

以及对所述第一特征数据集中的各项特征进行特征提取，对提取的各项特征进行属性说明，采用决策融合方式融合各项特征的属性，并融合各项特征的属性说明，以将来源不同的人体体征数据融合到一起，最终得到所述第二特征数据集。

4.根据权利要求3所述的方法，其特征在于，所述特征融合算法包括基于贝叶斯决策理论的算法，已知模式空间Ω包含c种模式，记为:Ω={ω1,⋯,ωc}，未知样本x由N维实值特征组成，记为x=[x1,x2,⋯,xN]，根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则第j类是指在已知样本x条件下后验概率最大的模式类，所述采用决策融合方式融合各项特征的属性，包括：

采用下述公式融合各项特征的属性：，

其中，P(ωk|x)表示第k类的后验概率，k∈{1,2,⋯,c}。

5.根据权利要求1‑4中任一项所述的方法，其特征在于，所述根据Hausdorff算法计算第一时段的曲线图与第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，包括：以所述时间间隔从所述第二特征数据集中确定所述第一时段的第一人体体征数据，所述第一时段是指所述第二特征数据集中监测时间最早的第一人体体征数据；所述第一人体体征数据的监测起始时刻与所述第一人体体征数据的监测结束时刻之差为所述时间间隔；

确定所述第一人体体征数据对应的空间分布数据；

确定所述第一人体体征数据对应的空间分布数据的第一曲线图；

以所述第一曲线图为参考，分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度；

按照各时段的先后顺序，根据所述各时段的曲线图之间的相似度生成所述目标曲线图。

6.根据权利要求5所述的方法，其特征在于，所述分别计算多个所述第二时段的曲线图与所述第一曲线图之间的相似度，包括：将所述第二时段的曲线图设为集合A，所述集合A={a1,…,ap},以及将第一曲线图设为集合B，所述集合B={b1,…,bq}；

计算所述集合A与所述集合B之间的Hausdorff距离；所述Hausdorff距离的一种表示方式为：

其中, h(A,B)是指所述Hausdorff距离，a,b 分别是为所述集合A与所述集合B中的点，d(a,b)表示a与b之间的欧式距离，所述h(A,B)度量所述集合A和所述集合B之间的最大不匹配程度。

7.一种基于流形空间监测健康的装置，其特征在于，所述装置包括：输入输出模块，用于获取多项人体体征数据，所述人体体征数据包括多个时间间隔内人体的各个部位的体征数据；

处理模块，用于对各项所述人体体征数据进行特征提取，分别得到各项所述人体体征数据的时域特征、频域特征和时频特征，将各项所述人体体征数据的时域特征、频域特征和时频特征生成初始特征数据集；根据空间变换算法将所述初始特征数据集进行降维处理，得到第一特征数据集；将所述第一特征数据集中的各项特征进行融合处理，得到第二特征数据集，所述第二特征数据集包括健康样本和测试样本；将所述第二特征数据集映射到坐标空间，得到所述第二特征数据集中各个部位的体征数据的空间分布数据，以预设的时间间隔为分度值，将所述第二特征数据集中各个部位的体征数据的空间分布数据生成多个预设的时段的曲线图；所述空间分布数据是指人体体征数据中的各数据点在空间上的分布数据；所述预设的时段的长度与所述时间间隔相等；所述曲线图用于表示人体中各部位的体征数据跟随时间间隔的变化趋势；根据Hausdorff算法计算第一时段的曲线图与多个第二时段的曲线图之间的相似度，根据所述第一时段的曲线图与所述第二时段的曲线图之间的相似度生成相似度随所述时间间隔变化的目标曲线图，所述第一时段的结束时刻早于所述第二时段的起始时刻；根据所述目标曲线图评估人体的健康状态，并通过所述输入输出模块输出评估结果，所述评估结果用于从多个方面反馈人体的局部特征。

8.根据权利要求7所述的装置，其特征在于，所述初始特征数据集为N1维数据，所述空间变换算法为流形学习算法；所述处理模块具体用于：采用所述流形学习算法将所述初始特征数据集从N1维数据空间变换到N2维的第一特征数据集；其中，所述第一特征数据集为N2维数据，N1＞k*N2，N1、N2和k均为正整数且k＞1；

计算与所述第一特征数据集对应的嵌入映射；

根据所述嵌入映射从所述第一特征数据集中发掘事物本质，以及对所述第一特征数据集进行特征分析，以从所述第一特征数据集中发掘所述第一特征数据集的内在规律。

9.一种计算机设备，其特征在于，所述设备包括：至少一个处理器、存储器和输入输出单元器；

其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1‑6中任一项所述的方法。

10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1‑6中任一项所述的方法。