1.一种基于5g的远程评估生命体征方法，其特征在于，该方法是利用5g网络将现场采集到的视频、图片及文字信息发送给医院急救中心的医疗服务器，医疗服务器结合ai算法技术分析视频、图片及文字信息后，给病患进行生命体征的等级评估，方便急救中心的医护人员根据患者具体情况提前做好抢救准备；具体如下：
s1、现场的急救医生配戴头戴式设备，头戴式设备包括高清摄像头、语音识别录入模块和红外热像仪；
s2、高清摄像头拍摄视频和图片，并通过5g网络将视频和图片实时传输给急救中的医疗服务器；
s3、医疗服务器结合ai算法从视频和图片中获取心率信号并完成血压测量；
s4、利用高清摄像头拍摄观察病患头部及出血位置，获取瞳孔及角膜信息以及出血情况，并发送到医疗服务器，医疗服务器计算信息变化并给出评估结果；
s5、利用红外热像仪远距离获取病患体温，直接通过5g网络发送给急救中心的医疗服务器；
s6、现场的急救医生将病患的脉搏、呼吸频率、疼痛及清醒程度的信息通过语音识别录入模块进行语音输入，并利用语音识别录入模块将语音转换为文字信息，再将文字信息通过5g网络发送给急救中心的医疗服务器。
2.根据权利要求1所述的基于5g的远程评估生命体征方法，其特征在于，所述步骤s3中获取心率信号具体如下：
s301-1、医疗服务器结合ai算法从视频和图片中提取人脸颜色变化信息；
s301-2、通过欧拉放大算法放大人脸颜色信号变化，获得rgb三通道的信号；
s301-3、对rgb三通道的信号进行归一化处理，得到色度信号；
s301-4、将色度信号采用傅氏变换转换至频域获取心率。
3.根据权利要求1或2所述的基于5g的远程评估生命体征方法，其特征在于，所述步骤s3中完成血压测量具体如下：
s302-1、医疗服务器结合ai算法从视频和图片中提取不同人体部位肤色图像；
s302-2、经过adaptiveboosting算法进行肤色的分割和提取；
s302-3、通过欧拉放大算法处理图像并从中获取人体双路脉搏信号；
s302-4、基于bp神经网络的双重血压预测的模型完成对血压的检测。
4.根据权利要求3所述的基于5g的远程评估生命体征方法，其特征在于，所述步骤s302-4中基于bp神经网络的双重血压预测的模型完成对血压的检测具体如下：
(1)、人体血压序列单尺度分解：使用db4小波作为血压序列小波分析的基函数，对原始血压序列x(t)进行低频和高频小波分解，由小波变换的mallat算法分解，先通过低通滤波器和高通滤波器对原始信号进行滤波处理，再进行采样，从而得到分解系数，公式如下：
cj＝hcj-1；
dj＝gcj-1；
其中，cj和dj分别表示原始信号在2-j分辨率下的低频和高频信息；h表示低通滤波器；g表示高通滤波器；j表示分解尺度，j＝1，2，…,j；
(2)、低频与高频分量的重构：基于分解所选用的小波基函数分别对血压序列的低频函数和高频函数进行单支重构，低频和高频分解系数经小波算法重构到原尺度上，得到血压低频分量l(t)和高频分量h(t)；
(3)、神经网络预测：利用bp神经网络模型对l(t)和h(t)分别进行预测，从输入层经隐含层逐层处理，直至输出层输出各层分量
(4)、预测序列合成：将
5.根据权利要求4所述的基于5g的远程评估生命体征方法，其特征在于，所述步骤(3)中神经网络预测具体如下：
①、设一个具有单隐含层bp神经网络结构预测模型，预测模型的输入层神经元个数6个，输入神经元个数1，隐含层神经元个数根据如下公式确定：
其中，m表示输入层节点数；n表示输出节点数；a∈[0,10]；
②、通过试凑法，经过多次对比，确定低频分量预测模型的隐含层神经元最佳数目为12，高频分量预测模型的隐含层神经元最佳数目为7，隐含层中神经元采用sigmoid变换函数，输出层神经元采用线性传递函数，网络训练函数选用trainlm，该函数利用levenberg-marquard算法训练前向网络；
③、网络输入为小波分解与重构后的l(t)和h(t)，从输入层经隐含层逐层处理，直至输出层输出各层分量
6.一种基于5g的远程评估生命体征系统，其特征在于，该系统包括头戴式设备和医疗服务器，头戴式设备包括高清摄像头、语音识别录入模块和红外热像仪；高清摄像头、语音识别录入模块和红外热像仪分别通过5g网络连接医疗服务器；
其中，高清摄像头用于拍摄视频和图片，并通过5g网络将视频和图片实时传输给急救中的医疗服务器；
语音识别录入模块用于现场的急救医生关于病患的脉搏、呼吸频率、疼痛及清醒程度的语音信息转换为文字信息并通过5g网络发送给急救中心的医疗服务器；
红外热像仪用于远距离获取病患体温，直接通过5g网络发送给急救中心的医疗服务器；
医疗服务器用于将病患的所有生命体征统计并结合ai算法获取心率信号及完成血压测量，评出病危等级，提前做好抢救准备。
7.根据权利要求6所述的基于5g的远程评估生命体征系统，其特征在于，所述获取心率信号具体如下：
(ⅰ)、医疗服务器结合ai算法从视频和图片中提取人脸颜色变化信息；
(ⅱ)、通过欧拉放大算法放大人脸颜色信号变化，获得rgb三通道的信号；
(ⅲ)、对rgb三通道的信号进行归一化处理，得到色度信号；
(ⅳ)、将色度信号采用傅氏变换转换至频域获取心率。
8.根据权利要求6或7所述的基于5g的远程评估生命体征系统，其特征在于，所述完成血压测量具体如下：
(ⅰ)、医疗服务器结合ai算法从视频和图片中提取不同人体部位肤色图像；
(ⅱ)、经过adaptiveboosting算法进行肤色的分割和提取；
(ⅲ)、通过欧拉放大算法处理图像并从中获取人体双路脉搏信号；
(ⅳ)、基于bp神经网络的双重血压预测的模型完成对血压的检测；具体如下：
cj＝hcj-1；
dj＝gcj-1；
其中，cj和dj分别表示原始信号在2-j分辨率下的低频和高频信息；h表示低通滤波器；g表示高通滤波器；j表示分解尺度，j＝1，2，…,j；
其中，m表示输入层节点数；n表示输出节点数；a∈[0,10]；
通过试凑法，经过多次对比，确定低频分量预测模型的隐含层神经元最佳数目为12，高频分量预测模型的隐含层神经元最佳数目为7，隐含层中神经元采用sigmoid变换函数，输出层神经元采用线性传递函数，网络训练函数选用trainlm，该函数利用levenberg-marquard算法训练前向网络；
网络输入为小波分解与重构后的l(t)和h(t)，从输入层经隐含层逐层处理，直至输出层输出各层分量