1.用于睡姿识别的头部压力数据深度学习处理方法，包括枕头，所述的枕头内部包括起支撑作用的枕头底板，所述的枕头底板上设置气囊，所述的气囊上部设置传感器底板，所述的传感器底板上设置柔性阵列式的压敏电阻传感器，所述的压敏电阻传感器上设置柔性填充物，所述的枕头底板、气囊、传感器底板、压敏电阻传感器和柔性填充物的外面包裹枕套，所述的气囊通过气管连接进气阀和气压传感器，所述的进气阀通过气管连接充气泵，所述的压敏电阻传感器、气压传感器、进气阀和充气泵连接控制电路，所述的控制电路内部设置压力采集电路，可通过所述的压敏电阻传感器采集用户头部对所述的枕头的压力分布数据，所述的压力采集电路输出数据为f(x，y)，0≤f(x，y)≤MAX，其中x为行值，y为列值，MAX为信号最大值，通过所述的气压传感器测量所述的气囊的气压值，通过所述的进气阀和充气泵对所述的气囊进行充气和放气，其特征在于：所述的控制电路用于实现数据深度学习处理方法，所述的数据深度学习处理方法包括以下步骤：(1)数据预处理阶段，具体包括以下步骤：(1‑1)当f(x，y)大于αMAX，则点(x，y)的值取为上下左右四个相邻点的平均值，即f(x，y)＝[f(x+1，y)+f(x‑1，y)+f(x，y+1)+f(x，y‑1)]/4，其中α为上限系数；(1‑2)将f(x，y)进行二值化处理，得到二值图I0(x，y)，即f(x，y)＞T，则I0(x，y)＝1，否则I0(x，y)＝0，其中T为下限阈值；(1‑3)对二值图I0(x，y)进行腐蚀运算，消除采样过程中产生的噪声，得到腐蚀图I1(x，y)；(1‑4)对腐蚀图I1(x，y)进行膨胀运算，去除采样过程中产生的中空区域后得到膨胀图I2(x，y)；(1‑5)求取I2(x，y)中的最大连通区域，得到I3(x，y)；(1‑6)将f(x，y)与I3(x，y)相乘得到最大连通区域的压力分布数据F(x，y)＝f(x，y)*I3(x，y)；(2)深度神经网络训练阶段，具体包括以下步骤：(2‑1)采集M个用户正躺和侧躺的压力分布数据，经过步骤(1)处理并进行标注，得到Fi(x，y)和标签值yi，作为训练样本，Fi(x，y)表示为压力分布数据，如果是正躺数据，则标签值yi＝1，如果是侧躺数据，标签值yi＝0，将所述的训练样本构成训练数据集；(2‑2)构建深度神经网络：设置输入层、隐藏层和输出层；所述的输入层用于接收压力分布数据，所述的隐藏层的第1层和第3层为卷积层，用于提取输入压力分布数据Fi(x，y)的特征，卷积核大小为3*3，卷积核个数分别为32和16，所述的隐藏层的第2层和第4层为最大池化层，可对特征进行降采样，窗口大小设置为2*2，窗口滑动步长为2，所述的隐藏层的第5层设置为扁平化层，用于将多维的数据展开为一维的数据，所述的隐藏层的第6层和第7层为全连接层，分别设置1024和512个神经节点，所述的隐藏层的第8层设置为dropout层，用于减少深度神经网络的过拟合问题，增强深度神经网络泛化能力；所述的输出层设置为由softmax函数激活的全连接层，维数设置为2，用于对睡姿进行分类，输出正躺睡姿概率值为zi，侧躺睡姿概率值为1‑zi；(2‑3)利用训练数据集对深度神经网络进行迭代训练，得到训练完备的深度神经网络，具体步骤如下：(2‑3‑1)随机初始化(2‑2)中的搭建的深度神经网络模型的参数；

(2‑3‑2)计算误差损失Li，表达式如下：Li＝‑[yi·ln(zi)+(1‑yi)·ln(1‑zi)]；(2‑3‑3)采用梯度下降法，调整当前深度神经网络的参数，使得误差损失Li的值最小；(2‑3‑4)递增i的值，重复(2‑3‑2)和(2‑3‑3)，当误差Li变化趋于平稳时，即连续5次满足Li+1≥Li，停止训练；(3)睡姿识别阶段，具体为：所述的控制电路实时采集所述的压力采集电路输出信号g(x，y)，经过步骤(1)得到G(x，y)，然后输入到步骤(2)训练得到的深度神经网络中，得到正躺睡姿概率值为zi，侧躺睡姿概率值为1‑zi，当zi＞K时，判断为正躺睡姿；当zi＜1‑K，判断为侧躺，其中K为睡姿判断阈值。