心脏病作为慢性疾病的一种，具有病程长，久治不愈的特点，而且心脏疾病在发病前没有明显的征兆，容易带来极大的生命隐患。其次，对于短暂的医疗仪器测量心脏情况，有时发现不了突变的异常心电信号，因此，采用远程医疗技术，通过佩戴心电检测仪器长时间监测心脏活动，可以及时发现异常心电信号，起到早发现早预防的作用。然而，对于心电检测仪器长时间采集的心电信号，会产生巨大的数据量，增加存储设备负担，这对于心电检测仪的制作工艺微型化产生不利因素，同时不利于医生快速诊断治疗。因此，本文主要针对远程医疗中检测到的高维动态心电信号来研究时间序列数据特征降维，以及对特征数据的聚类。
　　首先，由于实验采集的心电信号数据量大，并且有一定的噪声干扰，存在大量冗余的数据，这部分数据对于医疗诊断意义甚小，因此，需要对原心电信号进行降维降噪处理。针对主成份分析降维中主成份数目难以确定的问题，本文提出了基于最优熵的主成份分析法，该方法根据熵值达到最小时确定为最优的主成份数，从而用于快速挖掘有用的数据特征，降低时间序列维数。将该方法分别应用于MIT-BIH心率失常数据库45个被测对象281维的数据，和30位在校大学生大陵穴的心电采集数据，实验结果表明，基于最优熵的主成份分析性能评价指标效果显著，满足了高维心电时序信号特征降维的要求。
　　其次，为了实现对心电检测信号不同病理特征的划分，本文提出了一种基于综合熵的自适应模糊聚类方法。该方法首先采用自底向上的层次聚类产生初始聚类中心，改进了模糊聚类初始值敏感问题，跳出局部最优点；同时针对模糊聚类需预先按经验确定聚类个数的问题，设计了心电综合熵函数，根据综合熵函数选出最优聚类数。将该方法应用于MIT-BIH数据库心电信号10个文件7种病症的两千多条样本的数据处理，实验结果表明基于综合熵的模糊聚类方法可以有效的对心电数据进行聚类，聚类评价指标RI和ARI都达到了0.8以上。
　　最后，结合实验室的心电检测仪和人体中医经络学，设计了动态心电时序与中医穴位联系的采集实验。采用了中医理论穴位上的天池穴和气户穴作为信号采集点进行实验电极贴合点，采集了实验者平静状态和运动状态的心电信号，首先对采集的心电信号进行小波滤波，单周期分割，然后将基于最优熵的主成份分析方法应用于心电检测信号降维并对降维后的特征数据采用基于综合熵的模糊聚类方法进行病理特征划分，验证了基于最优熵选择主成份数和基于综合熵自适应确定聚类数目的正确性。