1.一种基于深度学习的无接触血糖测量方法，用于通过人脸视频来确定被测人员的血糖值，其特征在于，包括以下步骤：S1、利用高清摄像头对人脸视频进行实时录制；

S2、使用DLIB库检测人脸关键点，得到人脸区域，然后选取关键点区域，通过光电容积脉搏波描记法得到PPG信号；

使用DLIB人脸识别模型检测人脸关键点，并通过人脸关键点区域中提取PPG信号，包括：在每一帧图像上运用DLIB人脸识别模型定位到人脸的位置；

检测定位好的人脸的多个关键点，人脸共68个关键点，通过连接关键点画出人脸的整体轮廓；

标记全部关键点后，选取若干个便于提取光电容积脉搏波信号的关键点区域，区域为左右脸颊、额头、下巴、左右鼻翼；

选取左右脸颊、额头、下巴、左右鼻翼中任一脸部区域，从选取区域中提取PPG信号；

S3、使用小波分解去除PPG信号的基线漂移现象，并用带通滤波器对PPG信号进行滤波，去除高频噪声，最后对数据进行归一化操作；

S4、将处理后的PPG信号输入训练好的CNN血糖预测模型中，得到被测人员的初步血糖值；所述CNN血糖预测模型为通过收集脉搏波信号样本，利用CNN神经网络训练基于PPG的CNN血糖预测模型；

S5、再将PPG信号和CNN血糖预测模型预测的血糖值输入到训练好的LSTM血糖预测模型中，得到被测人员的最终血糖值；所述LSTM血糖预测模型为利用LSTM神经网络训练基于脉搏波和CNN预测血糖值以及特征向量的LSTM血糖预测模型。

2.根据权利要求1所述的一种基于深度学习的无接触血糖测量方法，其特征在于：使用小波分解去除PPG信号中的基线漂移现象，具体步骤包括：选取Sym8小波函数作为小波基对脉搏波信号进行八层分解；

提取0—0.1Hz的基线信号，从脉搏波信号中扣除，获得滤除基线漂移的PPG信号。

3.根据权利要求2所述的一种基于深度学习的无接触血糖测量方法，其特征在于：对PPG信号进行预处理，包括：使用巴特沃兹带通滤波器对信号进行滤波，去除高频噪声；

对数据进行归一化操作，方便后续的血糖预测。

4.根据权利要求1所述的一种基于深度学习的无接触血糖测量方法，其特征在于：利用CNN神经网络训练血糖预测模型，包括：对数据库的脉搏波信号进行预处理；

将处理后的脉搏波信号和对应的血糖值输入搭建好的CNN网络中；

训练并得到CNN血糖预测模型。

5.根据权利要求4所述的一种基于深度学习的无接触血糖测量方法，其特征在于：利用LSTM神经网络训练血糖预测模型，包括：将数据库中的脉搏波信号进行预处理；

将处理后的信号以及对应的血糖值输入所述的CNN血糖预测模型中，预测得到一个初步的血糖值；

将处理后的信号、对应的血糖值、CNN血糖预测模型预测得到的血糖值、以及CNN血糖预测模型最后一层卷积层提取提到的脉搏波特征输入搭建好的LSTM网络模型中；

训练并得到最终的LSTM血糖预测模型。

6.根据权利要求5所述的一种基于深度学习的无接触血糖测量方法，其特征在于：在视频中提取不同区域的PPG信号，对PPG信号进行预处理，将处理后的PPG信号输入训练好的CNN血糖预测模型中，从而得到被测人员的初步血糖值，再将信号和初步血糖值，以及CNN血糖预测模型最后一层卷积层提取提到的脉搏波特征输入到训练好的LSTM血糖预测模型中，得到最终的血糖值。