1.一种PaCO2实时预警模型建立方法，其特征在于，包括：
确定与PaCO2数值变化相关的若干特征；
根据PaCO2时间戳，预设预警期和特征观测窗口，获取样本数据；
构建带超参数的卷积深度和宽度神经网络模型，记为CDWNN；
根据获取的样本数据，采用遗传算法确定CDWNN的拓扑结构和超参数，获得优化CDWNN；
根据优化CDWNN预测PaCO2数值；
其中，构建CDWNN的具体过程为：
构建神经网络框架，包括构成输入端的一维卷积层Conv1D、依次设置在一维卷积层Conv1D输出端的一Flatten层、若干中间结构块和一输出块；其中，对任一中间结构块Block_n，其输入为Flatten层输出以及在中间结构块Block_n之前的所有中间结构块Block_k的输出，k=0,1,...,n-1；任一所述中间结构块Block_n均包括一concatenate层、一Dense层、一BatchNormalization层和一Dropout层，所述concatenate层将Flatten层输出向量以及在中间结构块Block_n之前的所有中间结构块Block_k的输出向量集进行列方向拼接后，再依次经Dense层特征空间变换、BatchNormalization层标准化处理以及Dropout层权重更新后向输出块Block_out输出；
确定神经网络框架的超参数，包括一维卷积层Conv1D中卷积核的个数p1、中间结构块中Dense层的神经元个数p2和Dropout层的权重不更新率p3；
确定神经网络框架的拓扑结构，包括中间结构块的个数n。
2.根据权利要求1所述的PaCO2实时预警模型建立方法，其特征在于，还包括：
对预测优化CDWNN的预测结果进行归因分析；
根据归因分析结果，对PaCO2数值进行决策干预。
3.根据权利要求1所述的PaCO2实时预警模型建立方法，其特征在于，所述采用遗传算法确定CDWNN的拓扑结构和超参数的具体过程为：
初始化种群大小以及子代数目、交叉概率变异概率、神经网络拓扑结构及所有超参数；
随机划分样本数据为训练集和测试集，在测试集分别进行N次模型的独立训练，并计算获得N次独立训练的绝对误差均值；其中，N≥100；
以绝对误差均值作为适应度，执行遗传算法的遗传更新，直至种群子代数目达到设定值，输出最佳拓扑结构、超参数集合以及对应的适应度。
4.根据权利要求2所述的PaCO2实时预警模型建立方法，其特征在于，所述归因分析的具体过程为：
获取一测试样本，采用优化CDWNN进行预测；
采用SHAP算法计算该测试样本对应的特征贡献值；
判断特征贡献值的正负，评估该特征变化对PaCO2预测值的影响，以确定有利特征和有害特征；其中，特征变化对PaCO2预测值的影响包括：当特征贡献值为负值，表明增大该特征的值会减弱PaCO2预测值；当特征贡献值为正值表明增大该特征的值会增大PaCO2预测值；当特征贡献值为0，表明该特征与PaCO2预测值无关。
5.根据权利要求4所述的PaCO2实时预警模型建立方法，其特征在于，所述决策干预的具体过程为：
对未来某一时刻的PaCO2预期值引入DiCE方法，自动计算并输出若干组当前某个或几个有害特征的调整值。
6.一种PaCO2实时预警模型建立系统，其特征在于，包括：
确定模块，用于确定与PaCO2数值变化相关的若干特征；
获取模块，用于根据PaCO2时间戳，预设预警期和特征观测窗口，获取样本数据；
构建模块，用于构建带超参数的卷积深度和宽度神经网络模型，记为CDWNN；
优化模块，用于根据获取的样本数据，采用遗传算法确定CDWNN的拓扑结构和超参数，获得优化CDWNN；
预测模块，用于根据优化CDWNN预测PaCO2数值；
其中，所述构建模块构建CDWNN的执行单元，包括：
构建单元，用于构建神经网络框架，包括构成输入端的一维卷积层Conv1D、依次设置在一维卷积层Conv1D输出端的一Flatten层、若干中间结构块和一输出块；其中，对任一中间结构块Block_n，其输入为Flatten层输出以及在中间结构块Block_n之前的所有中间结构块Block_k的输出，k=0,1,...,n-1；任一所述中间结构块Block_n均包括一concatenate层、一Dense层、一BatchNormalization层和一Dropout层，所述concatenate层将Flatten层输出向量以及在中间结构块Block_n之前的所有中间结构块Block_k的输出向量集进行列方向拼接后，再依次经Dense层特征空间变换、BatchNormalization层标准化处理以及Dropout层权重更新后向输出块Block_out输出；
第一确定单元，用于确定神经网络框架的超参数，包括一维卷积层Conv1D中卷积核的个数p1、中间结构块中Dense层的神经元个数p2和Dropout层的权重不更新率p3；
第二确定单元，用于确定神经网络框架的拓扑结构，包括中间结构块的个数n。
7.根据权利要求6所述的PaCO2实时预警模型建立系统，其特征在于，还包括：
归因分析模块，用于对预测优化CDWNN的预测结果进行归因分析；
决策干预模块，用于根据归因分析结果，对PaCO2数值进行决策干预。
8.根据权利要求7所述的PaCO2实时预警模型建立系统，其特征在于，所述优化模块采用遗传算法确定CDWNN的拓扑结构和超参数的执行单元，包括：
初始化单元，用于初始化种群大小以及子代数目、交叉概率变异概率、神经网络拓扑结构以及所有超参数；
第一计算单元，用于随机划分样本数据为训练集和测试集，在测试集分别进行N次模型的独立训练，并计算获得N次独立训练的绝对误差均值；其中，N≥100；
执行单元，用于以绝对误差均值作为适应度，执行遗传算法的遗传更新，直至种群子代数目达到设定值，输出最佳拓扑结构、超参数集合以及对应的适应度。
9.根据权利要求7所述的PaCO2实时预警模型建立系统，其特征在于，所述归因分析模块进行归因分析的执行单元，包括：
获取单元，用于获取一测试样本，采用优化CDWNN进行预测；
第二计算单元，用于采用SHAP算法计算该测试样本对应的特征贡献值；
判断单元，用于判断特征贡献值的正负，评估该特征变化对PaCO2预测值的影响，以确定有利特征和有害特征；其中，特征变化对PaCO2预测值的影响包括：当特征贡献值为负值，表明增大该特征的值会减弱PaCO2预测值；当特征贡献值为正值表明增大该特征的值会增大PaCO2预测值；当特征贡献值为0，表明该特征与PaCO2预测值无关。
10.一种如权利要求1-5任一项所述的PaCO2实时预警模型建立方法在临床诊治过程中测量及干预PaCO2数值的应用。
11.一种生命健康监测系统，其特征在于，包括处理器和存储器；
所述存储器用于存储程序指令，并将所述程序指令传输给所述处理器；
其中，当所述程序指令被所述处理器执行时，使得所述处理器实现如权利要求1-5中任一项所述的PaCO2实时预警模型建立方法。
