1.基于人工智能的心脏功能实时监听数据优化处理方法，其特征在于，该方法包括以下步骤：根据心脏功能实时监听数据获取多个心电数据组成的监听数据组，使用聚类算法将监听数据组划分为预设数量个数据聚类簇；

获取每个心电数据对应的时间序号，根据心电数据对应的时间序号获取心电数据对应的前时间间隔差异和后时间间隔差异，根据数据聚类簇内包含的心电数据对应的前时间间隔差异和后时间间隔差异获取数据聚类簇对应的整体差异度；

根据每个心电数据对应的前时间间隔差异和后时间间隔差异获取每个心电数据对应的时间间隔均衡度；

根据每个心电数据对应的时间间隔均衡度和心电数据所在的数据聚类簇对应的整体差异度获取心电数据对应的异常噪声显著度，根据异常噪声显著度筛选出心电数据中的噪声数据；

根据心电数据对应的时间间隔均衡度对聚类算法的损失函数进行更新，获取更新后的损失函数，使用更新后的损失函数对心电数据进行聚类获取聚类结果，根据聚类结果获取噪声数据的更新数据值，实现对心脏功能实时监听数据的优化处理；

所述根据数据聚类簇内包含的心电数据对应的前时间间隔差异和后时间间隔差异获取数据聚类簇对应的整体差异度，包括的具体方法为：根据聚类簇内包含的每个心电数据对应的前时间间隔差异和后时间间隔差异获取聚类簇内包含的心电数据对应的前时间间隔差异的中值和后时间间隔差异的中值；

获取数据聚类簇对应的损失函数的取值；

取数据聚类簇中所有心电数据对应的前时间间隔差异的中值，取数据聚类簇中所有心电数据对应的后时间间隔差异的中值，取这两个中值的均值，记为对应的时间间隔均值；

根据数据聚类簇内包含的心电数据的个数、聚类簇对应的时间间隔均值、损失函数的取值获取数据聚类簇对应的整体差异值；

取数据聚类簇对应的整体差异值的归一化值作为数据聚类簇对应的整体差异度；

所述时间间隔均衡度，获取的具体方法为：

式中， 为时间序号为的心电数据 对应的时间间隔均衡度,其中，的取值可以为； 为心电数据 对应的前时间间隔中值差异； 为心电数据 对应的后时间间隔中值差异；为心电数据 对应的总中值差异；为该监听数据组中包含的监听数据个数； 为心电数据 所在的数据聚类簇中所有心电数据对应的前时间间隔差异的中值； 为心电数据 所在的数据聚类簇中所有心电数据对应的后时间间隔差异的中值； 为心电数据 对应的前时间间隔差异； 为心电数据 对应的后时间间隔差异； 为自然指数函数；

所述根据每个心电数据对应的时间间隔均衡度和心电数据所在的数据聚类簇对应的整体差异度获取心电数据对应的异常噪声显著度的具体方法为：式中， 为时间序号为的心电数据 对应的异常噪声显著度； 为心电数据 所在的数据聚类簇对应的整体差异度； 为时间序号为的心电数据 对应的时间间隔均衡度；

为归一化函数；

所述获取每个心电数据对应的时间序号，根据心电数据对应的时间序号获取心电数据对应的前时间间隔差异和后时间间隔差异，包括的具体方法为：按照获取的时间从早到晚，将监听数据组中每个心电数据进行排序，将每个心电数据对应的获取时间的排序记为该心电数据对应的时间序号；

获取每个数据聚类簇中各心电数据对应的时间序号；

取待分析的心电数据对应的时间序号，记为待分析时间序号，取所有时间序号中小于所述待分析时间序号的各时间序号的最大值，将该最大值与待分析时间序号的差值记为待分析的心电数据的前时间间隔差异；取所有时间序号中大于该待分析时间序号的各时间序号的最小值，将待分析时间序号与最小值的差值记为待分析的心电数据的后时间间隔差异；

获取每个数据聚类簇中各心电数据对应的前时间间隔差异和后时间间隔差异；

所述整体差异值的具体获取方法为：

式中， 为数据聚类簇 对应的整体差异值；为数据聚类簇 对应的损失函数的数值；

为该监听数据组中包含的心电数据对应的时间序号的总个数；为数据聚类簇 对应的时间间隔均值；为包含的心电数据的个数； 为向下取整函数。

2.根据权利要求1所述的基于人工智能的心脏功能实时监听数据优化处理方法，其特征在于，所述根据心脏功能实时监听数据获取多个心电数据组成的监听数据组，使用聚类算法将监听数据组划分为预设数量个数据聚类簇，包括的具体方法为：在心脏功能实时监听数据中截取与当前时刻获取时间最为接近的预设数目个心电数据，根据截取的心电数据获取监听数据组，使用聚类算法将监听数据组划分为预设数量个数据聚类簇。

3.根据权利要求1所述的基于人工智能的心脏功能实时监听数据优化处理方法，其特征在于，所述根据异常噪声显著度筛选出心电数据中的噪声数据，包括的具体方法为：当心电数据对应的异常噪声显著度大于等于预设阈值时，则认为该心电数据为异常噪声，将该心电数据标记为噪声数据。

4.根据权利要求1所述的基于人工智能的心脏功能实时监听数据优化处理方法，其特征在于，所述根据心电数据对应的时间间隔均衡度对聚类算法的损失函数进行更新，获取更新后的损失函数，使用更新后的损失函数对心电数据进行聚类获取聚类结果，包括的具体方法为：取预设聚类算法的原始损失函数，以每个心电数据与簇的中心点对应的时间间隔均衡度的差值的绝对值作为原始损失函数中各个样本距离所属簇中心点的误差的系数，建立更新损失函数；

使用预设聚类算法，以更新损失函数替代原始损失函数，对监听数据组中的各心电信号进行聚类，将监听数据划分为预设数量个更新数据聚类簇，将更新数据聚类簇作为聚类结果。

5.根据权利要求1所述的基于人工智能的心脏功能实时监听数据优化处理方法，其特征在于，所述根据聚类结果获取噪声数据的更新数据值，包括的具体方法为：根据聚类结果获取各更新数据聚类簇；

取每个更新数据聚类簇中除去噪声数据之外的各个心电数据的均值；

将该均值作为该更新数据聚类簇中每个噪声数据对应的更新数据值，对噪声数据的取值进行更新。