1.一种基于BP神经网络的肥胖症预测系统，其特征在于，包括：

数据采集模块，用于通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

影响因子筛选模块，用于构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子，其中，根据身体质量指数法将测试者划分为肥胖人群和正常人群，将肥胖人群对应的脂肪厚度和测试者体质信息构建为训练集，将正常人群对应的脂肪厚度和测试者体质信息构建为参照集，比较训练集与参照集中同一个指标的权值，筛选训练集中指标权值大于参照集的指标作为肥胖影响因子；

模型构建与预测模块，用于对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

2.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述体质信息包括年龄、性别、运动心率、胰岛素水平和血糖浓度。

3.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述BP神经网络中，将训练集与参照集的各个指标各设一个目标函数，并设权值初始值为1，通过反向传播法修正指标的权值。

4.如权利要求3所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，对修正后的权值取绝对值，所述权值的绝对值大小代表该指标对肥胖的影响程度。

5.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述脂肪厚度预测模型根据性别的不同，包括男性脂肪厚度预测模型和女性脂肪厚度预测模型，对获取的待测数据进行性别分类预测。

6.如权利要求1所述的一种基于BP神经网络的肥胖症预测系统，其特征在于，所述脂肪厚度阈值中，男性肱二头肌脂肪厚度大于10.4mm，腹部脂肪厚度大于15mm为肥胖；女性肱二头肌大于17.5mm，腹部脂肪厚度大于20mm为肥胖。

7.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成以下步骤：通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子，其中，根据身体质量指数法将测试者划分为肥胖人群和正常人群，将肥胖人群对应的脂肪厚度和测试者体质信息构建为训练集，将正常人群对应的脂肪厚度和测试者体质信息构建为参照集，比较训练集与参照集中同一个指标的权值，筛选训练集中指标权值大于参照集的指标作为肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。

8.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成以下步骤：通过超声诊断仪采集测试者肱二头肌与腹部的脂肪厚度，获取与所述脂肪厚度对应的测试者体质信息；

构建BP神经网络，以脂肪厚度和测试者体质信息构建的训练集与参照集作为输入，采用反向传播方法得到训练集与参照集中每个指标的权值，并筛选指标得到肥胖影响因子，其中，根据身体质量指数法将测试者划分为肥胖人群和正常人群，将肥胖人群对应的脂肪厚度和测试者体质信息构建为训练集，将正常人群对应的脂肪厚度和测试者体质信息构建为参照集，比较训练集与参照集中同一个指标的权值，筛选训练集中指标权值大于参照集的指标作为肥胖影响因子；

对肥胖影响因子加权重构，构建脂肪厚度预测模型，对获取的待测数据进行脂肪厚度的预测，根据脂肪厚度预测值与脂肪厚度阈值的比较得到肥胖症预测结果。