1.一种阿尔茨海默症预测模型的构建方法，其特征在于，包括：通过非入侵性的方式得到目标群体的光谱数据；基于光谱数据，训练得到阿尔茨海默症预测模型；所述目标群体包括健康群体和患有阿尔茨海默症群体；其中，所述通过非入侵性的方式得到目标群体的光谱数据，包括：采集目标群体的排泄物样本；基于排泄物样本，利用激光诱导击穿光谱技术，得到目标群体的光谱数据；其中，所述基于光谱数据，训练得到阿尔茨海默症预测模型，包括：对光谱数据进行预处理，所述预处理包括异常数据处理和光谱面积归一化处理；基于预处理后的光谱数据，训练得到阿尔茨海默症预测模型；其中，所述对光谱数据进行光谱面积归一化处理，具体为：通过归一化公式对光谱数据进行光谱面积归一化处理；其中，所述归一化公式为： ，归一化公式中， 表示光谱面积归一化处理后的光谱数据， 表示m行n列的光谱矩阵中第i行第j列的原始光谱数据；其中，所述基于光谱数据，训练得到阿尔茨海默症预测模型，包括：通过核函数对光谱数据进行映射；基于映射后的光谱数据，得到线性边界，以训练得到阿尔茨海默症预测模型；其中，所述核函数的表达式为： ，在核函数的表达式中， 表示核函数， 表示第i行光谱向量， 表示第j列光谱向量， 表示映射；其中，所述线性边界的表达式为： ， ， ，在线性边界的表达式中， 表示待测向量，b表示截距， 对应于行向量的拉格朗日乘数， 对应于列向量的拉格朗日乘数， 表示第i行的标签向量， 表示第j列的标签向量，X表示整体光谱矩阵， 表示第i行光谱向量， 表示第j列光谱向量。
2.根据权利要求1所述的阿尔茨海默症预测模型的构建方法，其特征在于，所述对光谱数据进行异常数据处理，包括：根据健康群体和患有阿尔茨海默症群体的光谱，得到光谱差值；根据光谱差值，确定异常谱峰；根据异常谱峰，进行谱线识别归属，滤除异常数据。
3.一种阿尔茨海默症预测模型的构建系统，其特征在于，包括：数据接收模块，所述数据接收模块被配置为：接收通过非入侵性的方式得到的目标群体的光谱数据；模型训练模块，所述模型训练模块被配置为：基于数据接收模块所接收的光谱数据，训练得到阿尔茨海默症预测模型；其中，所述目标群体包括健康群体和患有阿尔茨海默症群体；其中，所述通过非入侵性的方式得到目标群体的光谱数据，包括：采集目标群体的排泄物样本；基于排泄物样本，利用激光诱导击穿光谱技术，得到目标群体的光谱数据；其中，所述基于光谱数据，训练得到阿尔茨海默症预测模型，包括：对光谱数据进行预处理，所述预处理包括异常数据处理和光谱面积归一化处理；基于预处理后的光谱数据，训练得到阿尔茨海默症预测模型；其中，所述对光谱数据进行光谱面积归一化处理，具体为：通过归一化公式对光谱数据进行光谱面积归一化处理；其中，所述归一化公式为： ，归一化公式中， 表示光谱面积归一化处理后的光谱数据， 表示m行n列的光谱矩阵中第i行第j列的原始光谱数据；其中，所述基于光谱数据，训练得到阿尔茨海默症预测模型，包括：通过核函数对光谱数据进行映射；基于映射后的光谱数据，得到线性边界，以训练得到阿尔茨海默症预测模型；其中，所述核函数的表达式为： ，在核函数的表达式中， 表示核函数， 表示第i行光谱向量， 表示第j列光谱向量， 表示映射；其中，所述线性边界的表达式为： ， ， ，在线性边界的表达式中， 表示待测向量，b表示截距， 对应于行向量的拉格朗日乘数， 对应于列向量的拉格朗日乘数， 表示第i行的标签向量， 表示第j列的标签向量，X表示整体光谱矩阵， 表示第i行光谱向量， 表示第j列光谱向量。
4.一种阿尔茨海默症早期筛查系统，其特征在于，包括：数据接收模块，所述数据接收模块被配置为：接收通过非入侵性的方式得到的待测者的光谱数据；预测模块，所述预测模块被配置为：根据数据接收模块所接收的待测者的光谱数据，通过权利要求1或2所述的阿尔茨海默症预测模型的构建方法得到的阿尔茨海默症预测模型，得到待测者的阿尔茨海默症预测结果；其中，所述待测者为健康者、疑似处于无症状期或痴呆前期的阿尔茨海默症患者或待排除阿尔茨海默症的患者。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行以下步骤：接收通过非入侵性的方式得到的待测者的光谱数据；根据所接收的待测者的光谱数据，通过权利要求1或2所述的阿尔茨海默症预测模型的构建方法得到的阿尔茨海默症预测模型，得到待测者的阿尔茨海默症预测结果；其中，所述待测者为健康者、疑似处于无症状期或痴呆前期的阿尔茨海默症患者或待排除阿尔茨海默症的患者。
