1.基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤1中，所述通过可穿戴设备采集患者体征信号，并收集电子病例，具体为：借助可穿戴设备监控呼吸道疾病患者生命体征信号，包括但不限于患者心率hr、血氧spo2、体表温度t，并根据可穿戴设备检测患者腕部活动频率、步数频率，推断是否处于静息与休息状态，并打上标签lr，由此收集呼吸道疾病患者原始临床数据集sraw。收集专家通过临床诊断写成的电子病例，并赋予每个患者每天的标签lday。
3.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤2中，对患者体征信号做清洗过滤、时长筛选、质量评估等处理，具体为：首先对步骤1收集的信号sraw滤除佩戴天数小于wd、每天平均佩戴时长小于wh的低时长分布信号，设计观测窗口时长wo，以保证信号时长分布均匀。其次，对处理后的数据做质量评估，考虑患者在活动中采集质量下降，筛选静息状态lr的信号。以此得到高质量信号sf。
4.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤3中，待训练干净特征信号的归一化与时间编码处理，具体为：将步骤2处理后的高质量信号sf，对其进行min-max归一化，这种归一化的方式将输入的信号缩放到指定的最小值和最大值区间[0,1]范围内，公式为其中snorm代表归一化之后的信号，smin与smax分别是原始数据中最小值和最大值。此外，将同一患者的多个体征信号拼接成矩阵其中h代表时序信号长度。为了提高网络对数据的理解能力，对矩阵x本身加入时序信息，公式为xemb＝x+te(x)，其中te代表的编码函数是te＝c/(1-x)，其中，x表示代表观测窗口wo内的天数。
5.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤4中，以临床结论为参照，根据临床数据分析呼吸道疾病病程趋势，并以此为先验知识，设计合适的病程拟合曲线函数，具体为：收集n例呼吸道疾病患者，记录观测窗口时长wo内包括脉搏、血氧、体温、呼吸率等四种体征以及发热情况、咳嗽情况、呼吸音异常等三种症状表现，通过临床表现差异分析，绘制患者病程趋势与异常比例，设计拟合点集合xm,ym,n∈{[xm_1,ym_1,n1],...,[xm_i,ym_i,ni]}，根据多项式拟合函数pb(x)进行拟合，其中pb(x)中x表示观测窗口时长wo内的归一化数值，归一化方式为x/wo。
6.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤5中，分析临床信号特点，构建针对一维信号特征提取骨干网络，具体为：首先将步骤4处理的信号矩阵使用1d卷积扩展以λ为因子扩张通道维度至随后搭建轻量级模块，由卷积、激活函数、归一化等子模块构成，因子α控制网络的深度，抽取信号特征xs。网络设计比较灵活，可根据样本量、任务需求等调整超参。
7.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤6中，依托病程拟合曲线，构建针对噪声标签的鲁棒性损失函数，以训练深度学习分类网络，用来预测呼吸道疾病患者的重症情况，具体为：根据步骤4分析的呼吸道疾病病程趋势，分析标签lday存在噪声ln，具体表现为在观测窗口wo的第i天其临床表现为而标签为设计组合抗噪声损失函数其中p(yk|x)表示输入x被预测为标签yk的概率，c代表类别数。受限于类别样本不均衡因素，w1设置为第i类别总数的倒数为进一步增强神经网络理解呼吸道疾病病程概念，将步骤4设计的病程拟合集合xm,ym,n∈{[xm_1,ym_1,n1],...,[xm_i,ym_i,ni]}经过多项式拟合函数pb(x)进行拟合，将其映射到损失权重w2中。以该组合损失函数训练优化分类网络参数θ，用来预测呼吸道疾病患者的重症情况。
8.如权利要求1所述的基于可穿戴设备监控的体征信号的呼吸道疾病重症预测方法，其特征在于，在步骤7中，多次重复步骤4和6，不断优化病程拟合曲线与特征提取骨干网络，寻找最具普遍性的呼吸道疾病病程趋势，以此构建呼吸道疾病重症预测系统，具体为：依据病程趋势抖缓趋势，设计k个初始点集合θ∈[θ1,...θk]，依据目标函数object：优化初始点θbest，其中fp_θ(x)表示在θ初始点下多项式函数pθ(x)以训练神经网络f，auc表示该网络在验证集上的roc曲线下面积得分。接着，在寻找到的最优初始点θbest的基础上，设计拟合点集合根据目标函数优化拟合点，其中pi(x)设计的不同拟合点对应的多项式拟合函数，lday代表患者每天的标签，以此寻找最具普遍性的呼吸道疾病病程趋势多项式拟合pb(x)，以此赋予在损失函数权重w2，构建完整的呼吸道疾病重症预测系统。