1.一种利用人工神经网络深度学习技术分析测量对象的系统，其包括：
生物特征信息测量装置；以及
基于分析生物特征信息的人工智能的深度学习服务器，
所述深度学习服务器具备：信号获取单元，用于获取基于电化学反应的信号，将通过所述生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；信号处理单元，用于将从所述信号获取单元获取的信号预处理为用于人工智能深度学习的信号；生物特征信息测量算法生成单元，用于利用深度学习人工神经网络技术自动提取利用通过所述信号处理单元处理的信号进行优化的生物特征信息测量算法的特征；以及优化算法结果提供单元，用于向所述生物特征信息测量装置提供优化的生物特征信息测量算法。
2.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述信号处理单元排除从所述信号获取单元获取的信号中血液注入异常和硬件异常导致的信号，所述生物特征信息测量算法生成单元包括：算法架构单元，用于形成用于血糖测量的算法架构；算法学习单元，用于调整算法中的变量，使得能够最准确地预测血糖预测值为真值的血糖值；以及集成算法单元，用于通过组合一种以上算法来算出最终预测值，以提高预测血糖值的准确度和精密度。
3.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述算法架构单元包括：特征提取单元，用于提取通过所述信号处理单元进行信号预处理的生物特征信息信号数据中包含的测量对象的特征；以及血糖值预测单元，用于利用通过所述特征提取单元获得的特征来估算血糖值。
4.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述算法架构单元利用深度学习人工神经网络技术从反映测量对象的成分、血细胞比容、温度、干扰物质的特性等周围环境的图像中自动提取要分类或测量的反映结果值的特征。
5.根据权利要求1所述的利用人工神经网络深度学习技术分析测量对象的系统，其中，
所述算法学习单元使用所提取的特征经算法学习过程导出预测结果值的误差最小的人工神经网络算法中的变量值。
6.一种利用人工神经网络深度学习技术的血糖测量装置，其包括：
连接器，具有一对电极的电化学生物传感器安装于所述电连接器；
电流电压转换器，其与所述连接器电连接；
数字模拟转换器电路，用于控制成对所述电化学生物传感器的一对电极施加恒定电压，并施加具有三角波或方波、阶梯波或其他变形的三角函数形式的波形的循环电压；以及
微控制器，用于控制这些电压，
所述微控制器具有人工智能深度学习算法计算单元，用于根据从根据权利要求1至5中任何一项所述的利用人工神经网络深度学习技术分析测量对象的系统获得的优化的基于人工智能的深度学习算法自动计算血糖。
7.根据权利要求6所述的利用人工神经网络深度学习技术的血糖测量装置，其还包括：
异常信号处理单元，用于在检测到所述电化学生物传感器与所述连接器连接不良或者血液注入异常和硬件异常导致的异常信号时，发出警报、显示于显示器。
8.根据权利要求6所述的利用人工神经网络深度学习技术的血糖测量装置，其中，
所述人工智能深度学习算法计算单元通过由所述基于分析生物特征信息的人工智能的深度学习服务器导出的优化的人工智能深度学习血糖测量算法在8秒以内由通过所述电化学生物传感器测量的响应电流求出血糖测量值。
9.一种利用人工神经网络深度学习技术的血糖测量方法，其包括：
准备试样的步骤；
将电化学生物传感器装设于生物特征信息测量装置的步骤；
在所述生物传感器与试样接触血液浸湿所述电化学生物传感器的工作电极和辅助电极的瞬间施加恒定电压，并且施加所述恒定电压后在计时施加电压结束点连续施加具有三角波或方波、阶梯波或其他变形的三角函数形式的波形的循环电压的步骤；以及
由通过从根据权利要求1至6中任何一项所述的利用人工神经网络深度学习技术分析测量对象的系统获得的优化的人工智能深度学习血糖测量算法来测量的响应电流计算出血糖测量值的步骤。
10.根据权利要求9所述的利用人工神经网络深度学习技术的血糖测量方法，其包括：
判断所述响应电流是否为异常信号的步骤；以及当判断为异常信号时，并不计算血糖测量值，而是发出警报、显示于显示器的步骤。
11.一种基于分析生物特征信息的人工智能的深度学习方法，其包括：
通过电化学反应获取信号的步骤，将通过生物特征信息测量装置采集的血液注入具有一对电极的传感器会引起所述电化学反应；
将所获取的信号处理为用于人工智能深度学习的信号的步骤；
形成由信号特征提取单元和血糖值预测单元组成的用于测量血糖的算法架构的步骤；
通过调整算法中的所有变量来学习血糖测量算法，以使血糖预测值和真值之差最小的步骤；以及
利用集成算法的步骤。
12.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其中，
所述信号获取单元通过改变温度5～50℃、血细胞比容10～70％及葡萄糖10～630mg/dl来获取信号，为了通过每秒获取数据400次的方式测量3秒的孵化和反应，对所述生物传感器的一对电极施加3秒以内的特定序列电压。
13.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其中，
所述处理信号的步骤包括对获取信号时血液注入异常和硬件异常导致的异常信号进行处理的步骤，
所述处理异常信号的步骤包括出现尖峰噪声时用异常信号排除算法进行排除或者异常信号和数据之差到一定值以上时进行排除的步骤。
14.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其中，
所述处理信号的步骤包括采用80hz以下的下采样以减少所述血糖测量装置的算法运算量的步骤和应用根据时间的数据关系图和域变化以从由单个电极获取的血液样品的原始信号获得附加信息的步骤，并且作为所述根据时间的数据关系图利用原始信号、微分信号、积分信号。
15.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其中，
所述特征提取单元组成用于提取特征的5个层是所述信号处理后大小为1x106的数据，各层根据输入信号，原始信号使用大小为1x5的过滤器，微分和积分信号使用大小为1x3的过滤器，由执行卷积的部分和执行批规范化的部分、激活函数及池化组成根据各信号提取32种特征。
16.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其包括：
所述血糖值预测单元中利用从所述特征提取单元求得的32个特征来估算血糖值，所述血糖值预测单元由总共2个层组成，第一层中利用32x16权重阵列将32个特征缩小为16个，第二层中利用16x8权重阵列将16个特征缩小为8个，再最终估算血糖值的步骤。
17.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其中，
所述算法学习步骤包括设置要优化的变量和学习率的步骤和重复根据基于预测值和真值之差的补偿程度按照学习率更新算法中要优化的变量值的学习过程直到所述血糖预测值和真值之差最小为止的步骤。
18.根据权利要求11所述的利用人工神经网络深度学习技术的血糖测量方法，其中，
所述利用集成算法的步骤包括输入信号为原始信号、微分和积分信号三种信号时，对分别由算法求出的血糖值通过加权总和计算出最终血糖值的步骤。