CN118078305B - 用于可穿戴式血流动力监测仪的动态心电数据处理方法 - Google Patents

Abstract

本申请涉及心电数字数据处理技术领域，具体涉及用于可穿戴式血流动力监测仪的动态心电数据处理方法，该方法包括：分析心电数据序列的每个IMF分量与基线漂移噪声之间的相似性，构建每个IMF分量的基线漂移低频偏差指数，并获取干净心电数据序列；基于心电数据中QRS波的起伏变化率较大的特征，构建局部数据跳变指数，以此提取心电数据中的QRS波；分析QRS波的宽度、波形变化特征，构建QRS波跳变稳态系数；基于QRS波跳变稳态系数对心电数据进行分类处理。从而实现动态心电数据的处理，弥补了现有算法对心电数据中QRS波的提取精度不高的缺陷，避免了由于噪声导致心电数据分类处理结果较差的问题。

Description

用于可穿戴式血流动力监测仪的动态心电数据处理方法

技术领域

本申请涉及心电数字数据处理技术领域，具体涉及用于可穿戴式血流动力监测仪的动态心电数据处理方法。

背景技术

可穿戴式血流动力学监测仪是一种集成了先进传感器技术和微电子技术的设备，旨在实时监测和记录个体的血流动力学参数。这类设备通常用于捕捉心脏的电活动，以及可能包括的其他生理信号监测功能，如心率、血氧饱和度和血压等。

在心电信号的采集、传输和模拟信号转换为数字信号过程中，不可避免地受到外界环境或人体本身的影响，产生各种类型的噪声，干扰波形的识别。现有QRS波的提取通过将心电数据转换到频域，然后根据QRS波的频率与其他波段频率的差异特征来获取QRS波的位置，由于QRS波的两侧的其他波段受基线漂移及其他高频噪声的干扰，导致现有方法存在对心电数据中QRS波的提取精度不高的缺陷。

发明内容

为了解决上述技术问题，本申请提供用于可穿戴式血流动力监测仪的动态心电数据处理方法，以解决现有的问题。

本申请的用于可穿戴式血流动力监测仪的动态心电数据处理方法采用如下技术方案：

本申请一个实施例提供了用于可穿戴式血流动力监测仪的动态心电数据处理方法，该方法包括以下步骤：

步骤S1，采集穿戴式血流动力监测仪记录的心电数据；

步骤S2，根据预设时间段内心电数据的数据变化得到时间簇内的心电数据序列的各IMF分量的基线漂移低频偏差指数；根据基线漂移低频偏差指数进行IMF分量去除，将剩余IMF分量重构得到干净心电数据序列；

步骤S3，根据干净心电数据序列中各数据点周围数据波动情况以及频率变化得到各数据点为中心点时的滑动窗口内的局部数据跳变指数；根据局部数据跳变指数得到干净心电数据序列中峰值点的QRS波跳变序列；

步骤S4，根据QRS波跳变序列之间的长度及波形差异得到干净心电数据序列的QRS波跳变稳态系数；

步骤S5，基于QRS波跳变稳态系数对心电数据进行分类处理。

优选的，所述时间簇内的心电数据序列的各IMF分量的基线漂移低频偏差指数，具体为：

将预设时间段作为一个时间簇，将时间簇内所有心电数据组成的数据序列记为心电数据序列，将心电数据序列通过模态分解算法得到心电数据序列的各IMF分量；

根据心电数据序列中数据差异结合拟合算法得到心电数据序列的拟合漂移曲线；

根据各IMF分量与拟合漂移曲线之间的相似性及频率差异得到时间簇内的心电数据序列的各IMF分量的基线漂移低频偏差指数。

优选的，所述拟合漂移曲线的获取方法为：

将心电数据序列中所有数据通过聚类算法进行聚类得到预设数量的聚类簇；计算各聚类簇中所有数据的均值，获取所有聚类簇的所述均值的最小值；将所述最小值对应的聚类簇中所有数据组成的序列记为基线漂移序列；将基线漂移序列中数据通过拟合算法进行曲线拟合，得到的拟合曲线记为拟合漂移曲线。

优选的，所述基线漂移低频偏差指数的计算方法为：

计算拟合漂移曲线与各IMF分量之间的DTW距离，计算所述DTW距离的绝对值与预设调节参数的和值，将所述和值的相反数作为各IMF分量的基线漂移低频偏差指数，其中所述调节参数为预设正数。

优选的，所述根据基线漂移低频偏差指数进行IMF分量去除，具体为：将心电数据序列的所有IMF分量中基线漂移低频偏差指数最小值对应的IMF分量进行去除。

优选的，所述根据干净心电数据序列中各数据点周围数据波动情况以及频率变化得到各数据点为中心点时的滑动窗口内的局部数据跳变指数，具体为：

通过峰值查找算法获取干净心电数据序列中各峰值点；对于各峰值点，将预设尺寸的滑动窗口从峰值点开始分别向左右两侧滑动，当峰值点左右两侧各数据点为滑动窗口中心点时，根据滑动窗口内数据变化结合变异系数及希尔伯特谱得到各数据点为中心点时的滑动窗口内的局部数据跳变指数。

优选的，所述局部数据跳变指数的计算方法为：

计算各数据点为中心点的滑动窗口内的干净心电数据序列的变异系数；获取各数据点为中心点的滑动窗口内的干净心电数据序列的希尔伯特谱，计算各数据点的所述希尔伯特谱中所有频率的均值；计算所述均值与预设调节参数的和值；将所述变异系数与所述和值的比值作为各数据点为中心点的滑动窗口内的局部数据跳变指数。

优选的，所述QRS波跳变序列的获取方法为：

滑动窗口从峰值点向左滑动时，若当前滑动窗口内的局部数据跳变指数小于之前所有向左的滑动窗口内局部数据跳变指数的最小值的预设百分比，则停止滑动，并将停止滑动时滑动窗口中心点对应的数据点作为左端点；

通过左端点的获取方式得到右端点；将左、右端点之间的干净心电数据序列记为峰值点的QRS波跳变序列。

优选的，所述干净心电数据序列的QRS波跳变稳态系数的表达式为：

式中，表示时间簇/>内干净心电数据序列的QRS波跳变稳态系数，/>为预设大于0的调节参数，/>表示时间簇/>内干净心电数据序列QRS波的波宽异常指数，/>表示时间簇/>内干净心电数据序列上的峰值点个数，/>为以自然数2为底的对数函数，/>和/>分别表示时间簇/>内干净心电数据序列上第/>个和第/>个峰值点的QRS波跳变序列的长度，时间簇/>内干净心电数据序列上第/>个和第/>个峰值点的QRS波跳变序列之间的DTW距离。

优选的，所述基于QRS波跳变稳态系数对心电数据进行分类处理，具体为：

将所有时间簇内干净心电数据序列的QRS波跳变稳态系数通过聚类算法进行聚类得到预设数量个聚类簇，计算每个聚类簇的簇内数据均值，将所述均值最大的聚类簇内元素对应的干净心电数据序列作为平稳心电数据序列；将所述均值第二大的聚类簇内元素对应的干净心电数据序列作为波动心电数据序列；将所述均值最小的聚类簇内元素对应的干净心电数据序列作为非平稳心电数据序列，完成对心电数据的分类处理。

本申请至少具有如下有益效果：

本申请通过分析心电数据序列的每个IMF分量与基线漂移噪声之间的相似性，构建每个IMF分量的基线漂移低频偏差指数，并获取干净心电数据序列，实现对心电数据的基线漂移噪声的去除，提高了心电数据序列的数据可靠性；基于心电数据中QRS波的起伏变化率较大的特征，构建局部数据跳变指数，以此提取心电数据中的QRS波，提高了对心电数据中的QRS波的提取准确性；分析QRS波的宽度、波形变化特征，构建QRS波跳变稳态系数；基于QRS波跳变稳态系数对心电数据进行分类处理；实现动态心电数据的处理，弥补了现有算法对心电数据中QRS波的提取精度不高的缺陷，避免了由于噪声导致心电数据分类处理结果较差的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本申请提供的用于可穿戴式血流动力监测仪的动态心电数据处理方法的流程图；

图2为用于可穿戴式血流动力监测仪的动态心电数据处理方法的步骤示意图。

具体实施方式

为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请提出的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本申请所提供的用于可穿戴式血流动力监测仪的动态心电数据处理方法的具体方案。

本申请一个实施例提供的用于可穿戴式血流动力监测仪的动态心电数据处理方法。

具体的，提供了如下的用于可穿戴式血流动力监测仪的动态心电数据处理方法，请参阅图1，该方法包括以下步骤：

步骤S1，基于可穿戴式血流动力监测仪采集动态心电数据。

可穿戴血流动力学监测设备是一种集成了多项先进技术的智能装置，其核心组成部分包括生命体征信号采集模拟前端、电源管理芯片、电源转换器、存储器以及蓝牙通讯模组。该设备通过生命体征信号测量模拟前端对用户的心电数据进行实时采集，本实施例设置采样频率为1000次每秒，较高的采样频率能够确保数据的精确性和完整性。采集到的心电信号首先被存储在内置的存储器中，随后通过蓝牙通讯模组，将这些数据无线传输至服务器。

步骤S2，通过分析心电数据中基线漂移噪声的影响，构建基线漂移低频偏差指数，并获取干净心电数据序列。

心电数据反应心脏的病理生理状态，通过分析心电数据中波形的偏差，可以识别各种心电异常。在心电数据的采集、传输和模拟信号转换为数字信号过程中，不可避免地受到各种类型的噪声干扰。噪声对心电数据的干扰主要表现在两个方面：首先，基线漂移噪声与ST波段的频率相近，这会导致心电基线出现明显的上下波动，远离x轴，从而对QRS波的准确提取造成干扰，影响其精确度。其次，噪声可能引起QRS波极值点附近的高频变化，这种模态混叠现象会导致检测结果与实际QRS波形出现偏差，这将导致后续心电数据处理的准确性降低。

作为一种示例，本步骤可以包括以下步骤：

第一步，对心电数据进行模态分解，实施者可采用经典模态分解算法、快速模态分解算法等算法获取IMF分量，本实施例采用变分模态分解(Variational modedecomposition，VMD)算法将心电数据分解成若干个本征模态分量，即IMF分量，每个IMF分量包含心电数据中的部分信息。具体为，定义从数据采集时刻开始的每20秒作为一个时间簇，将一个时间簇内的心电数据按时间升序组成的序列记为心电数据序列，VMD算法的输入为每个时间簇内的心电数据序列，算法的输出为该心电数据序列的个本征模态分量，需要说明的是，本申请对必要的参数/>取值为7，实施者可自行设定，本实施例不做具体限制。VMD为公知技术，具体过程不再赘述。

第二步，因为心电数据的基线部分相对平稳，而ST波主要位于基线部分，且大多集中在0值左右，而其它波段的心电数据起伏相对偏大。采用模糊C均值（FCM）聚类算法对时间簇内的心电数据进行聚类，FCM的输入为时间簇内的心电数据序列，需要说明的是，聚类簇的数量实施者可自行设定，本实施例将聚类簇数量设置为2，输出为两个类别的心电数据集，分别记为C1和C2。分别计算C1和C2中所有数据的均值，比较C1和C2的均值，将均值小的数据集按时间升序顺序构成的序列作为基线漂移序列，由于该基线漂移序列为离散数据，本申请采用最小二乘法进行拟合，将其连续化，得到的连续信号记为拟合漂移曲线。FCM算法为公知技术，具体过程不再赘述。

第三步，以时间簇内心电数据序列的第i个IMF分量为例，构建每个心电数据序列的各个IMF分量的基线漂移低频偏差指数：

式中，表示时间簇/>内心电数据序列的第i个IMF分量的基线漂移低频偏差指数，表示时间簇/>内心电数据序列的拟合漂移曲线，/>表示时间簇/>内心电数据序列的第i个IMF分量，/>表示计算曲线/>和序列/>之间的DTW距离，/>为调节参数，需要说明的是，/>的值实施者可自行设置，本实施例将/>的值设置为1，作用是避免分母为0。

值越大，表明第i个IMF分量与心电数据ST波的相似性越高，计算得基线漂移低频偏差指数/>越低，则说明第i个IMF分量越可能属于心电数据的基线漂移噪声。

至此，可计算出每个IMF分量的基线漂移低频偏差指数。

第四步，比较同一个心电数据序列的所有IMF分量的基线漂移低频偏差指数，将其中最小值对应的IMF分量删除，对剩余个IMF分量进行重构，以去除基线漂移，得到的干净心电数据序列记为PE。IMF分量的重构方法为公知技术，具体过程不再赘述。

步骤S3，基于心电数据中QRS波的起伏特征，构建局部数据跳变指数，以此提取心电数据中的QRS波。

作为一种示例，本步骤可以包括以下步骤：

QRS波的提取的准确性会直接影响心电数据的分析结果。QRS波是心电除极的全过程，也是心电数据中起伏最大的波，心电数据的峰值位于QRS波中。

第一步，采用自动多尺度峰值查找算法(Automatic multiscale-based peakdetection)获取时间簇内的心电数据的所有峰值。该算法的输入为时间簇内的干净心电数据序列，输出为该干净心电数据序列中的所有峰值。需要说明的是，对于时间簇内的心电数据的峰值的获取本实施例仅仅是提供一种峰值获取方法，现有峰值获取方法有很多，作为其他实施方式，实施者也可选取其他峰值获取算法对电路边缘光泽受扰指数进行峰值提取，本申请对此不做特殊限制。

第二步，以干净心电数据序列中第j个峰值点为例，以该峰值点为中心，设置滑动窗口，本实施例将滑动窗口的大小设定为/>，分别向峰值点的左右两侧滑动，设置滑动步长为1，需要说明的是，滑动窗口大小及滑动步长实施者可自行设定，本实施例不做具体限制。当第j个峰值点的滑动窗口向左滑动时，第k次滑动时滑动窗口内的中心点即为该峰值点左侧第k个数据点，将此时该滑动窗口内的干净心电数据序列记为/>；当滑动窗口向右滑动时，该峰值点右侧第k个数据点即为第k次时滑动窗口内的中心点，将此时该滑动窗口内干净心电数据序列记为/>。对序列/>进行希尔伯特变换得到该序列的希尔伯特谱，其中希尔伯特变换为公知技术，具体过程不再赘述。

第三步，以第j个峰值点左侧第k个数据点为例，构建每个数据点为中心点时的滑动窗口内的局部数据跳变指数：

式中，表示第j个峰值点左侧第k个数据点为中心点的滑动窗口内的局部数据跳变指数，/>表示第j个峰值点左侧第k个数据点为中心点的滑动窗口内的干净心电数据序列，/>表示序列/>的变异系数，/>为序列/>所对应希尔伯特谱中的所有频率的均值，/>为调节参数。其中，变异系数为公知技术，具体过程不再赘述。

若变异系数值越大，表明第j个峰值点左侧第k个数据点为中心的滑动窗口内干净心电数据起伏程度越大；由于QRS波的幅度差异大于心电数据中的其他波的幅度差异，因此QRS波内数据的瞬时变化率越大，毛刺越小，而波形的毛刺会增加高频信息，进而导致高频信息越少，从而计算的/>值越小。最后计算地局部数据跳变指数/>越大，说明第j个峰值点左侧第k个数据点越可能属于QRS波段的数据。

通过峰值点左侧各数据点为中心点时滑动窗口内的局部数据跳变指数的获取方式计算峰值点右侧各数据点为中心点时滑动窗口内的局部数据跳变指数。

第四步，设置停止阈值，需要说明的是，停止阈值实施者可自行设定，本实施例将停止阈值设定为。本实施例中/>具体的设计方案如下：无论是在向左还是向右的滑动过程中，计算的局部数据跳变指数在QRS波内一般偏大，而滑动窗口中心超出QRS波的范围后，计算的局部数据跳变指数会快速变小。因此，在滑动过程中每计算一个数据的局部数据跳变指数，将该指数与其前各局部数据跳变指数构成的序列进行突变点检测。以某个峰值点的向左滑动的滑动窗口为例，/>取值为当前滑动窗口之前的所有次的滑动窗口内的局部数据跳变指数的最小值的70%，需要说明的是，该最小值的百分比实施者可根据实际情况自行设定，本实施例不做具体限制，若当前滑动窗口内计算的局部数据跳变指数小于其对应的停止阈值，则滑动停止。

对于每个峰值点，将左侧滑动停止时滑动窗口内中心点对应的数据点作为左端点，将右侧滑动停止时滑动窗口内中心点对应的数据点作为右端点；并将从左端点到右端点之间的干净心电数据序列记为该峰值点的QRS波跳变序列，从而实现QRS波的提取。

步骤S4，分析QRS波的宽度、波形变化特征，构建QRS波跳变稳态系数。

作为一种示例，本步骤可以包括以下步骤：

通过分析QRS波的宽度、波形变化特征，对心电数据进行分析，计算QRS波跳变稳态系数：

式中，表示时间簇/>内干净心电数据序列的QRS波跳变稳态系数，/>为调节参数，表示时间簇/>内干净心电数据序列QRS波的波宽异常指数，/>表示时间簇/>内干净心电数据序列上的峰值点个数，/>为以自然数2为底的对数函数，/>和/>分别表示时间簇/>内干净心电数据序列上第/>个和第/>个峰值点的QRS波跳变序列的长度，/>时间簇/>内干净心电数据序列上第/>个和第/>个峰值点的QRS波跳变序列之间的DTW距离。其中，QRS波跳变序列的长度即为QRS波跳变序列中元素个数。

若QRS波跳变序列长度基本保持稳定，计算的值越小；若干净心电数据序列上各峰值点的QRS波跳变序列的波形无明显变化，计算的/>值越小，最后得QRS波跳变稳态系数越大，说明心电数据中的QRS波越稳定。

步骤S5，基于QRS波跳变稳态系数对心电数据进行分类处理。

作为一种示例，本步骤可以包括以下步骤：

将所有时间簇内干净心电数据序列的QRS波跳变稳态系数作为输入，采用K-means聚类算法将所述QRS波跳变稳态系数划分到K个聚类簇中，K的大小实施者可自行设定，本实施例将K的值设定为3，其次计算每个聚类簇内QRS波跳变稳态系数的均值，将这3个聚类簇按照所述均值降序顺序排序，将第一个聚类簇内元素对应的干净心电数据序列作为平稳心电数据序列，将第二个聚类簇内元素对应的干净心电数据序列作为波动心电数据序列，将第三个聚类簇内元素对应的干净心电数据序列作为非平稳心电数据序列，完成对心电数据的分类处理，K-means聚类算法为公知技术，具体过程不再赘述。

上述方法的步骤示意图如图2所示。

综上所述，本申请实施例通过分析心电数据序列的每个IMF分量与基线漂移噪声之间的相似性，构建每个IMF分量的基线漂移低频偏差指数，并获取干净心电数据序列，实现对心电数据的基线漂移噪声的去除，提高了心电数据序列的数据可靠性；基于心电数据中QRS波的起伏变化率较大的特征，构建局部数据跳变指数，以此提取心电数据中的QRS波，提高了对心电数据中的QRS波的提取准确性；分析QRS波的宽度、波形变化特征，构建QRS波跳变稳态系数；基于QRS波跳变稳态系数对心电数据进行分类处理；实现动态心电数据的处理，弥补了现有算法对心电数据中QRS波的提取精度不高的缺陷，避免了由于噪声导致心电数据分类处理结果较差的问题。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (7)

1.用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，该方法包括以下步骤：

步骤S1，采集穿戴式血流动力监测仪记录的心电数据；

步骤S2，根据预设时间段内心电数据的数据变化得到时间簇内的心电数据序列的各IMF分量的基线漂移低频偏差指数；根据基线漂移低频偏差指数进行IMF分量去除，将剩余IMF分量重构得到干净心电数据序列；

步骤S3，根据干净心电数据序列中各数据点周围数据波动情况以及频率变化得到各数据点为中心点时的滑动窗口内的局部数据跳变指数；根据局部数据跳变指数得到干净心电数据序列中峰值点的QRS波跳变序列；

步骤S4，根据QRS波跳变序列之间的长度及波形差异得到干净心电数据序列的QRS波跳变稳态系数；

步骤S5，基于QRS波跳变稳态系数对心电数据进行分类处理；

所述时间簇内的心电数据序列的各IMF分量的基线漂移低频偏差指数，具体为：

将预设时间段作为一个时间簇，将时间簇内所有心电数据组成的数据序列记为心电数据序列，将心电数据序列通过模态分解算法得到心电数据序列的各IMF分量；

根据心电数据序列中数据差异结合拟合算法得到心电数据序列的拟合漂移曲线；

根据各IMF分量与拟合漂移曲线之间的相似性及频率差异得到时间簇内的心电数据序列的各IMF分量的基线漂移低频偏差指数；

所述根据干净心电数据序列中各数据点周围数据波动情况以及频率变化得到各数据点为中心点时的滑动窗口内的局部数据跳变指数，具体为：

通过峰值查找算法获取干净心电数据序列中各峰值点；对于各峰值点，将预设尺寸的滑动窗口从峰值点开始分别向左右两侧滑动，当峰值点左右两侧各数据点为滑动窗口中心点时，根据滑动窗口内数据变化结合变异系数及希尔伯特谱得到各数据点为中心点时的滑动窗口内的局部数据跳变指数；

所述干净心电数据序列的QRS波跳变稳态系数的表达式为：

式中，表示时间簇/>内干净心电数据序列的QRS波跳变稳态系数，/>为预设大于0的调节参数，/>表示时间簇/>内干净心电数据序列QRS波的波宽异常指数，/>表示时间簇/>内干净心电数据序列上的峰值点个数，/>为以自然数2为底的对数函数，/>和/>分别表示时间簇/>内干净心电数据序列上第/>个和第/>个峰值点的QRS波跳变序列的长度，/>时间簇/>内干净心电数据序列上第/>个和第/>个峰值点的QRS波跳变序列之间的DTW距离。

2.如权利要求1所述的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，所述拟合漂移曲线的获取方法为：

将心电数据序列中所有数据通过聚类算法进行聚类得到预设数量的聚类簇；计算各聚类簇中所有数据的均值，获取所有聚类簇的所述均值的最小值；将所述最小值对应的聚类簇中所有数据组成的序列记为基线漂移序列；将基线漂移序列中数据通过拟合算法进行曲线拟合，得到的拟合曲线记为拟合漂移曲线。

3.如权利要求1所述的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，所述基线漂移低频偏差指数的计算方法为：

计算拟合漂移曲线与各IMF分量之间的DTW距离，计算所述DTW距离的绝对值与预设调节参数的和值，将所述和值的相反数作为各IMF分量的基线漂移低频偏差指数，其中所述调节参数为预设正数。

4.如权利要求1所述的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，所述根据基线漂移低频偏差指数进行IMF分量去除，具体为：将心电数据序列的所有IMF分量中基线漂移低频偏差指数最小值对应的IMF分量进行去除。

5.如权利要求1所述的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，所述局部数据跳变指数的计算方法为：

计算各数据点为中心点的滑动窗口内的干净心电数据序列的变异系数；获取各数据点为中心点的滑动窗口内的干净心电数据序列的希尔伯特谱，计算各数据点的所述希尔伯特谱中所有频率的均值；计算所述均值与预设调节参数的和值；将所述变异系数与所述和值的比值作为各数据点为中心点的滑动窗口内的局部数据跳变指数。

6.如权利要求1所述的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，所述QRS波跳变序列的获取方法为：

滑动窗口从峰值点向左滑动时，若当前滑动窗口内的局部数据跳变指数小于之前所有向左的滑动窗口内局部数据跳变指数的最小值的预设百分比，则停止滑动，并将停止滑动时滑动窗口中心点对应的数据点作为左端点；

通过左端点的获取方式得到右端点；将左、右端点之间的干净心电数据序列记为峰值点的QRS波跳变序列。

7.如权利要求1所述的用于可穿戴式血流动力监测仪的动态心电数据处理方法，其特征在于，所述基于QRS波跳变稳态系数对心电数据进行分类处理，具体为：

将所有时间簇内干净心电数据序列的QRS波跳变稳态系数通过聚类算法进行聚类得到预设数量个聚类簇，计算每个聚类簇的簇内数据均值，将所述均值最大的聚类簇内元素对应的干净心电数据序列作为平稳心电数据序列；将所述均值第二大的聚类簇内元素对应的干净心电数据序列作为波动心电数据序列；将所述均值最小的聚类簇内元素对应的干净心电数据序列作为非平稳心电数据序列，完成对心电数据的分类处理。