1.一种基于深度学习的非接触式血压检测方法，其特征在于，包括以下步骤：步骤1：采集人脸视频样本，包括人脸视频和血压数据；

步骤2：从人脸视频中提取逐帧图像，并计算图像中的像素均值，生成IPPG信号；

步骤3：构建IPPG-Mamba网络模型，并根据IPPG信号和血压数据对IPPG-Mamba网络模型进行训练，获得血压检测模型；IPPG-Mamba网络模型包括HRV特征提取单元、CNN-MambaBlock、回归层和前馈神经网络；HRV特征提取单元提取HRV特征序列；CNN-Mamba Block是结合CNN网络和小波变换卷积的Mamba Block改进的网络模块，提取融合特征；回归层对融合特征进行特征整合获得深度特征；前馈神经网络对HRV特征序列和深度特征进行融合，预测血压检测结果；

步骤4：采集待检测人脸视频，提取逐帧图像，并计算图像中的像素均值，生成待检测IPPG信号；

步骤5：将待检测IPPG信号输入至血压检测模型进行检测，获得血压检测结果。

2.根据权利要求1所述的基于深度学习的非接触式血压检测方法，其特征在于，前馈神经网络包括线性层和激活函数。

3.根据权利要求1所述的基于深度学习的非接触式血压检测方法，其特征在于，CNN-Mamba Block包括均方根归一化层、两组线性层、CNN网络模块、激活函数、选择状态空间模型和两组残差模块；CNN网络模块包括两组变换模块和丢弃层，每组变换模块包括一维小波变换卷积层、批量归一化层和一维最大池化层；第一组残差模块包括线性层和激活函数。

4.根据权利要求1所述的基于深度学习的非接触式血压检测方法，其特征在于，回归层包括均方根归一化层、丢弃层、线性层和全局平均池化层。

5.根据权利要求3所述的基于深度学习的非接触式血压检测方法，其特征在于，一维小波变换卷积层包括依次连接的小波变换模块、一维卷积模块和逆小波变换模块。

6.根据权利要求3所述的基于深度学习的非接触式血压检测方法，其特征在于，血压检测模型进行检测的过程为：步骤31：HRV特征提取单元通过峰值检测从IPPG信号中提取RR间期，并根据RR间期计算HRV特征序列；

步骤32：均方根归一化层对IPPG信号进行归一化，获得归一化输入信号；

步骤33：第一组线性层对归一化输入信号进行线性变换，获得线性特征；第一组残差模块的线性层对归一化输入信号进行线性变换和引入非线性，获得第一残差特征；

步骤34：第一组线性层输出的线性特征经过CNN网络模块获得多尺度卷积特征，并通过激活函数引入非线性，获得非线性特征；

步骤35：选择状态空间模型通过递归根据非线性特征选择性的处理信息，获得选择特征，并对选择特征和第一残差特征进行乘法操作，乘法结果；

步骤36：第二组线性层对乘法结果进行线性变换，获得乘法线性特征，并结合第二组残差模块传输的IPPG信号进行加法操作，获得融合特征，再经过回归层进行特征整合，获得深度特征；

步骤37：前馈神经网络对HRV特征序列和深度特征进行融合，预测收缩压和舒张压，获得血压检测结果。

7.根据权利要求1所述的基于深度学习的非接触式血压检测方法，其特征在于，使用分辨率不低于1080p、帧率不低于30fps的摄像头，拍摄时长为10秒、距离为0.1-0.8米的被测人员的面部动态图像数据作为人脸视频样本或待检测人脸视频。

8.根据权利要求6所述的基于深度学习的非接触式血压检测方法，其特征在于，HRV特征序列包括HRV的时域特征和频域特征，时域特征包括相邻正常心跳间期差值大于50ms的个数、全部正常窦性心搏RR间期的标准差、相邻RR间期差值的均方根和相邻正常心跳间期差值大于50ms的比例，频域特征包括低频功率、高频功率、低频与高频功率之比。

9.根据权利要求8所述的基于深度学习的非接触式血压检测方法，其特征在于，步骤31的具体过程为：步骤311：对IPPG信号s={s1,s2,...,sw}进行一阶差分操作，得到差分序列，w表示IPPG信号长度；将差分序列中满足且的第i个位置标记为峰值Pi，保留峰值构建峰值索引序列{P1,P2，...，Pn}，n表示峰值索引序列的序列长度，结合采样频率计算RR间期；RR间期表示为：；

表示第i个位置的RR间期；

步骤312：计算HRV的时域特征和频域特征。

10.一种基于深度学习的非接触式血压检测系统，其特征在于，应用权利要求1-9任一项所述的基于深度学习的非接触式血压检测方法，包括：人脸视频采集模块，采集人脸视频样本和待检测人脸视频；

IPPG信号提取模块，从人脸视频样本和待检测人脸视频中提取逐帧图像，并计算对应的IPPG信号；

模型构建模块，构建IPPG-Mamba网络模型，并根据人脸视频样本对应的IPPG信号进行训练，获得血压检测模型；

血压检测模块，加载血压检测模型对待检测人脸视频对应的IPPG信号进行检测，获得血压检测结果。