1.基于机器学习的健康监测数据处理方法，其特征在于，该方法包括以下步骤：采集心率数据；

根据心率数据划分数据的局部范围，根据数据的局部范围进行预测得到预测结果，根据预测结果获取对比数据段；

根据对比数据段获取对比数据段对应的实际数据段，根据对比数据段与对比数据段对应的实际数据段中所有数据的幅值均值与标准差，获取对比数据段的第一差异因子与对比数据段的第二差异因子；根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度；

所述根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度，包括的具体计算方法为：首先计算第

式中，

预设一个初始差异程度阈值

所述对非特征数据段进行分组，得到若干非特征数据组以及非特征数据组的特征数据段，根据若干非特征数据组以及非特征数据组的特征数据段，结合特征数据段中的数据，修正初始差异程度阈值，得到差异程度阈值，包括的具体方法为：若两个非特征数据段之间存在一个特征数据段，则将两个非特征数据段归为一组，得到若干非特征数据组；并将非特征数据组中两个非特征数据段之间的特征数据段记为非特征数据组的特征数据段；

计算每组非特征数据组内两个非特征数据段之间的差异程度，记为每组非特征数据组内的差异程度；以及每组非特征数据组的特征数据段内所有数据的对比数据段的差异程度均值，记为每组非特征数据组的特征值；

然后，利用k-means聚类算法，根据每个非特征数据段中的数据，将每个非特征数据段分成两个类簇；分别获取所有非特征数据段的每个类簇中所有数据的均值，根据所有非特征数据段的每个类簇中所有数据的均值，结合每组非特征数据组内的差异程度以及非特征数据组的特征值，对初始差异程度阈值进行修正，得到差异程度阈值，其具体的计算过程为：式中，

根据差异程度阈值，得到差异数据段；根据差异数据段获取分段点，根据分段点对心率数据进行分段，得到若干段心率数据。

2.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述采集心率数据，包括的具体方法为：通过心率带实时检测人入睡时的心率数据，得到心率数据。

3.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据心率数据划分数据的局部范围，根据数据的局部范围进行预测得到预测结果，根据预测结果获取对比数据段，包括的具体方法为：预设一个局部范围阈值

利用ARIMA算法根据第

4.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据对比数据段获取对比数据段对应的实际数据段，根据对比数据段与对比数据段对应的实际数据段中所有数据的幅值均值与标准差，获取对比数据段的第一差异因子与对比数据段的第二差异因子，包括的具体方法为：对于计算第

式中，

根据第

式中，

5.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述预设一个初始差异程度阈值将心率数据中差异程度大于

6.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据差异程度阈值，得到差异数据段，包括的具体方法为：将心率数据中差异程度大于

7.根据权利要求1所述基于机器学习的健康监测数据处理方法，其特征在于，所述根据差异数据段获取分段点，根据分段点对心率数据进行分段，得到若干段心率数据，包括的具体方法为：对于第

8.基于机器学习的健康监测数据处理系统，其特征在于，该系统包括以下模块：数据采集模块，用于采集心率数据；

数据预测模块，用于根据心率数据划分数据的局部范围，根据数据的局部范围进行预测得到预测结果，根据预测结果获取对比数据段；

数据对比模块，用于根据对比数据段获取对比数据段对应的实际数据段，根据对比数据段与对比数据段对应的实际数据段中所有数据的幅值均值与标准差，获取对比数据段的第一差异因子与对比数据段的第二差异因子；根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度；

所述根据对比数据段与对比数据段对应的实际数据段之间的相关性，结合对比数据段的第一差异因子与对比数据段的第二差异因子，获取对比数据段的差异程度，包括的具体计算方法为：首先计算第

式中，

数据分段模块，用于预设一个初始差异程度阈值

所述对非特征数据段进行分组，得到若干非特征数据组以及非特征数据组的特征数据段，根据若干非特征数据组以及非特征数据组的特征数据段，结合特征数据段中的数据，修正初始差异程度阈值，得到差异程度阈值，包括的具体方法为：若两个非特征数据段之间存在一个特征数据段，则将两个非特征数据段归为一组，得到若干非特征数据组；并将非特征数据组中两个非特征数据段之间的特征数据段记为非特征数据组的特征数据段；

计算每组非特征数据组内两个非特征数据段之间的差异程度，记为每组非特征数据组内的差异程度；以及每组非特征数据组的特征数据段内所有数据的对比数据段的差异程度均值，记为每组非特征数据组的特征值；

然后，利用k-means聚类算法，根据每个非特征数据段中的数据，将每个非特征数据段分成两个类簇；分别获取所有非特征数据段的每个类簇中所有数据的均值，根据所有非特征数据段的每个类簇中所有数据的均值，结合每组非特征数据组内的差异程度以及非特征数据组的特征值，对初始差异程度阈值进行修正，得到差异程度阈值，其具体的计算过程为：式中，

根据差异程度阈值，得到差异数据段；根据差异数据段获取分段点，根据分段点对心率数据进行分段，得到若干段心率数据。