1.一种妇产科患者远程监护系统，其特征在于，所述系统包括：胎心率数据采集模块采集胎心率信号，整合信号时间戳与信号值，建立胎心率时间序列数据集，调整所述胎心率时间序列数据集的动态尺度因子，并执行时间序列分析，获取时间序列分析结果；

所述时间序列分析结果的获取步骤具体为：采集胎心率信号，整合信号时间戳与信号值，采用公式：S(ti)＝(ti，vi)

计算每个时间点的信号数据对，生成信号数据对集；

其中，ti代表时间戳，vi代表胎心率信号值，S(ti)代表信号数据对集；

将所述信号数据对集转换为胎心率时间序列，采用公式：计算标准化胎心率时间序列，生成标准化胎心率时间序列TSstd；

其中，γ是标准化因子，TS是胎心率时间序列；

调整所述标准化胎心率时间序列的动态尺度因子，采用公式：计算并生成调整后的胎心率时间序列TSadj；

其中，β是动态调整系数，max、min分别是TSstd中的最大值和最小值；

基于所述调整后的胎心率时间序列，执行时间序列分析，采用公式：计算时间序列分析结果，生成时间序列分析结果Rfinal；

其中，μ、σ分别是TSadj的平均值和标准差；

孕期数据分析模块基于所述时间序列分析结果，执行多尺度熵计算，得到每个尺度的熵值，通过熵值比较分析胎心率变异性，获取熵值对比分析结果，基于所述熵值对比分析结果进行周期模式辨识，生成周期性辨识结果；

所述熵值对比分析结果的获取步骤具体为：从所述时间序列分析结果出发，执行多尺度熵计算，采用熵计算公式：生成每个尺度的熵值集合；

其中，E(s)表示尺度s的熵值，pi(s)表示尺度s下状态的概率，λ为正则化参数，k为状态的总数；

计算所述熵值集合的波动范围，分析胎心率变异性，采用公式：生成胎心率变异性度量；

其中，V表示胎心率变异性的度量， 表示熵值集合的平均值，m表示熵值的数量；

基于所述胎心率变异性度量，比较并分析熵值集合中的异常变化，采用公式：生成熵值对比分析结果D；

其中，max(E(s))、min(E(s))表示E(s)中的最大值和最小值；

异常模式检测模块基于所述周期性辨识结果，判断胎心率数据中的异常模式，生成异常模式判断结果，将异常模式判断结果与历史健康数据进行比对，生成健康对比分析结果；

所述异常模式判断结果的获取步骤具体为：基于所述周期性辨识结果，收集胎心率数据并应用异常模式识别算法，采用公式：计算每个数据点的异常指数，生成异常指数数组M；

其中，pi代表周期性辨识结果中的权重，xi代表胎心率数据点，w代表调整权重，n为数据点的总数；

使用所述异常指数数组，确定异常阈值θ，采用公式：E＝{x||M(x)‑μ|>θ}筛选异常指数超过阈值的数据点，生成异常数据点集；

其中，E代表异常数据点集，θ代表异常阈值，μ代表异常指数数组M的平均值；

使用所述异常数据点集，采用公式：R＝classify  (E)

生成异常模式判断结果；

其中，R代表异常模式判断结果，classify  (E)为分类函数。

2.根据权利要求1所述的妇产科患者远程监护系统，其特征在于，所述周期性辨识结果的获取步骤具体为：从所述熵值对比分析结果出发，利用标准偏差和平均值确定周期辨识的阈值，采用公式：生成阈值结果θstandard；

其中，μD、σD分别是D的平均值和标准偏差，α、β、γ是调整参数，Dmin是D中的最小值；

应用所述阈值结果筛选熵值集合中高于阈值的尺度，采用公式：识别并选择高于阈值的熵值尺度，生成高熵尺度集合Hhigh；

其中，κ、λ、ξ用于调整阈值计算的权重系数；

基于所述高熵尺度集合，进行统计分析识别周期模式，采用公式：P＝mode({s|s∈H and E(s)>μE+δ·σE})计算尺度作为主导周期模式，生成周期性辨识结果P；

其中，μE、σE是熵值的平均值和标准差，δ用于增加计算精度的权重系数。

3.根据权利要求1所述的妇产科患者远程监护系统，其特征在于，所述健康对比分析结果的获取步骤具体为：获取所述异常模式判断结果和历史健康数据，采用公式：计算异常模式判断结果和历史健康数据的余弦拟合度，生成交集数据集S；

其中，Ri代表异常模式判断结果的元素，Hi代表历史健康数据的元素，n代表数据集的大小；

使用所述交集数据集，进行分析识别健康趋势，采用公式：生成趋势分析结果T；

其中，Si为交集数据集S的元素，α、β代表调整参数，n为数据点的总数；

使用所述趋势分析结果，对比全体历史数据，采用公式：生成健康对比分析结果C；

其中，Ti为趋势分析结果的元素，Hi为历史健康数据的元素。