CN105976456B

CN105976456B - 急救出车d2d状态感知方法及装置

Info

Publication number: CN105976456B
Application number: CN201610367532.8A
Authority: CN
Inventors: 陈牧锋
Original assignee: Individual
Current assignee: Individual
Priority date: 2016-05-30
Filing date: 2016-05-30
Publication date: 2018-05-25
Anticipated expiration: 2036-05-30
Also published as: CN105976456A

Abstract

本发明涉及一种急救车出车D2D状态感知方法及装置，其中，方法包括：实时获取急救车的样本数据组，所述样本数据组中的数据包括车辆数据、人员数据及装备数据；将所述样本数据组中的数据转换为布尔数据；对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态。根据本发明提供的急救车出车D2D状态感知方法及装置，实现了依据急救车变量模型的急救车出车D2D状态智能感知，本发明的方法具有更高智能化程度和更高识别精度，更加符合实际应用需求。系统还具有学习功能，可通过优化权值使识别概率达到最优。

Description

急救出车D2D状态感知方法及装置

技术领域

本发明涉及无线通信技术领域，特别涉及一种急救出车D2D状态感知方法及装置。

背景技术

急救出车D2D状态是指待命急救车辆从接收出车调度任务(Dispatch)开始至将急救病患送达医院(Door)的急救过程状态转换过程。

目前急救车车联网技术发展还处于独立功能联网应用阶段，如GPS/北斗定位功能、移动视频监控、车辆OBD数据的远程传输、病人体征数据远程传输、身份识别RFID等，这样的单个或几个功能数据联网应用模式难以实现急救车智能化的更高级应用研究，无法从总体上实现对急救车出车状态感知识别。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种急救车出车D2D状态感知方法。

本发明的另一个目的在于提出一种急救车出车D2D状态感知装置。

为实现上述目的，一方面，本发明提供的急救车出车D2D状态感知方法，包括：

实时获取急救车的样本数据组，所述样本数据组中的数据包括车辆数据、人员数据及装备数据；

将所述样本数据组中的数据转换为布尔数据；

对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态。

另一方面，本发明提供的急救车出车D2D状态感知装置，包括：

数据获取单元，用于实时获取急救车的样本数据组，所述样本数据组中的数据包括车辆数据、人员数据及装备数据；

数据处理单元，用于将所述样本数据组中的数据转换为布尔数据；

感知单元，用于对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态。

根据本发明提供的急救车出车D2D状态感知方法及装置，以急救车三大要素车辆数据、人员数据、装备数据作为多维变量，对上述多维变量进行布尔数据转换，再进行加权计算以得到状态数据，并根据所述状态数据确定出车状态，如此，实现了依据急救车变量模型的急救车出车D2D状态智能感知，本发明的方法具有更高智能化程度和更高识别精度，更加符合实际应用需求。系统还具有学习功能，可通过优化权值使识别概率达到最优。

附图说明

图1是本发明实施例急救车出车D2D状态感知方法的流程图；

图2是本发明实施例急救车出车D2D状态感知方法中步骤S11的流程图；

图3是本发明实施例急救车出车D2D状态感知方法中步骤S12的流程图；

图4是本发明实施例急救车出车D2D状态感知方法中状态数据S_i与车辆状态对应关系图；

图5是本发明另一实施例急救车出车D2D状态感知方法的流程图；

图6是本发明实施例急救车出车D2D状态感知装置的结构示意图；

图7是本发明实施例急救车出车D2D状态感知装置中数据处理单元的结构示意图；

图8是本发明实施例急救车出车D2D状态感知装置中感知单元的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1所示，本发明实施例提供了一种急救车出车D2D状态感知方法，包括：

S10、实时获取急救车的样本数据组，所述样本数据组中的数据包括车辆数据、人员数据及装备数据。

具体的，车辆数据可以包括速度、转速、油耗、里程、电量、发动机、门禁等等，车辆数据可以通过车辆Can总线、OBD接口等采集上传。人员数据可以包括医生、护士、担架工、司机上下车状态及病患的生命体征数据，人员数据可以通过医生随身携带的移动终端设备采集上传，病患数据可以通过生命体征监护仪等设备采集上传。装备数据可以包括担架上下车状态、医疗设备使用数据等等，装备数据可以通过车载设备采集系统采集后上传。

S11、将所述样本数据组中的数据转换为布尔数据。

车辆数据、人员数据及装备数据中既包含有模拟量和开关量，例如车辆速度为模拟量，而门禁信号则为开关量。而布尔数据由binary(二进制)数字组成，即“0”和“1”，由于开关量对应为“0”和“1”，所以，对于样本数据组中的开关量，不需要进行转换，只需要对样本数据组中的模拟量进行转换，即将模拟量转换为“0”和“1”的布尔数据。

S12、对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态。

也就是说，该步骤中，对各个布尔数据附加加权量，通过加权计算得到的状态数据即可作为判断出车状态的参考信息，根据该参考信息即可识别出车状态，例如，根据参考信息识别出车辆处于(1)出发、(2)到达现场、(3)病人上车、(4)离开现场、(5)送达医院、(6)待命中的一种状态。

根据本发明提供的急救车出车状态感知方法及装置，以急救车三大要素车辆数据、人员数据、装备数据作为多维变量，对上述多维变量进行布尔数据转换，再进行加权计算以得到状态数据，并根据所述状态数据确定出车状态，如此，实现了依据急救车变量模型的急救车出车状态智能感知，本发明的方法具有更加智能化和更高识别精度，更加符合实际应用需求。

参照图2所示，在本发明的一个实施例中，步骤S11、将所述样本数据组中的数据转换为布尔数据可以包括：

S111、利用第一符号函数将样本数据组中的数据转换为0或1的第一函数值，所述第一符号函数为：

其中，X_f为样本数据组中的数据，T_f为与数据X_f对应的第一设定阀值，sgn(X_f)为数据X_f对应的第一函数值,f为正整数。

S112、根据布尔化表达式将所述第一函数值sgn(X_f)转换为布尔数据b_f，所述布尔化表达式为：

b_f＝sgn[x_f]。

也就是说，为样本数据组中每个数据设置一个对应的第一设定阀值，将样本数据组中各个数据的值与对应的第一设定阀值进行比较，当该数据的值大于对应的第一设定阀值时，则返回的第一函数值为1，而当该数据的值小于第一设定阀值时，则返回的第一函数值为0。如此，通过第一符号函数即可将样本数据组中的所有数据都转换为0或1的布尔数据。

例如，当车辆的速度20km/h时，如果车速对应的第一设定阀值为0，则返回的第一函数值为“1”，此时，速度对应的布尔数据为“1”；反之，车辆速度为0km/h，则返回的第一函数值为“0”，此时速度对应的布尔数据为“0”。

对于开关量，例如门禁，可以定义为开门为“1”,此时，门禁对应的布尔数据为“1”，关门为“0”，此时，门禁对应的布尔数据为“0”。

参照图3所示，在本发明的一个实施例中，S12、对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态可以包括：

S121、根据布尔数据构建布尔数据矩阵B,根据预设加权量构建加权量矩阵W。

示例性的，当车辆具有六种状态时,可将加权量矩阵W的行数对应设置为六行，加权量列数设置对应于车、人、装备数据的行数，例如：权量矩阵W如下：

布尔数据矩阵B如下，其列数分别是车辆数据列、人员数据列、装备数据列共3列，其行数等于车、人、装备相关数据的个数，此处选取5个与出车状态相关的车辆数据，如：速度、门禁、坐标、怠速、油耗，以及5个人员数据，如：医生、护士、担架工、司机上下车状态、病人体征数据，5个相关装备数据，如：担架状态、监护仪状态等，缺项时取值为0：

S122、对所述布尔数据矩阵B和加权量矩阵W进行矩阵乘法运算，得到状态数据矩阵S_BW，所述矩阵乘法公式为：

S_BW＝[W﹡B]﹡E；

其中，E为转换系数矩阵，且列数为1列，经过转换运算的状态数据矩阵S_BW为1列N行矩阵，第i行状态数据记为S_i，(i＝1,2,3…，N)，N为车辆状态个数，i为正整数；

示例性的，在本发明的一个实施例中，转换系数矩阵E如下：

也即是，本实施例中，转换系数矩阵E为元素为“1”的单列矩阵。

对应的，矩阵乘法运算得到状态数据矩阵S_BW如下：

对应的状态数据为S₁、S₂、S₃、S₄、S₅、S₆,每一数据为：

状态数据S₁＝S10＝S11+S12+S13；

状态数据S₂＝S20＝S21+S22+S23；

状态数据S₃＝S30＝S31+S32+S33；

状态数据S₄＝S40＝S41+S42+S43；

状态数据S₅＝S50＝S51+S52+S53；

状态数据S₆＝S60＝S61+S62+S63。

即六个车辆状态分别与六个状态数据一一对应。

需要说明的是，由于每个状态数据组内的各个数据都是加权量矩阵W的某一行和布尔数据矩阵B中某一列的乘积之和，而加权量矩阵W中的加权量为设定值，所以，得到的每个状态数据并不都是“0”和“1”。

特别地，当加权量全部取值w＝1时，出车状态的判断就是只依据门禁数据、人员数据、位置数据等的简单逻辑运算的特例。

S123、利用第二符号函数将各个状态数据S_i转换为“0”或“1”的第二函数值，所述第二符号函数为：

其中，T_i为与状态数据S_i对应的第二设定阀值，N为车辆状态个数。

也就是说，该步骤中，对每个状态数据S_i设置一个对应的第二设定阀值，将每个状态数据S_i的值与对应的第二设定阀值进行比较，当该状态数据的值大于对应的第二设定阀值时，则返回的第二函数值为1，而当该状态数据的值小于第二设定阀值时，则返回的第二函数值为0。如此，即可将步骤S123中得到的各个状态数据(例如S₁、S₂、……S₆)对应转换为“0”或“1”。

S124、根据所述状态数据S_i对应的第二函数值确定出车状态，每个状态数据对应用于判断一种车辆状态，也就是说，每一个状态数据对应作为一种出车状态的判断依据，根据该对应的判决数据集合即可判断对应的出车状态。

示例性的，如图4所示，状态数据S₁用于判断车辆是否出车，例如状态数据S₁的第二函数值为1时，判断为车辆已出车，为0时，判断为未出车；状态数据S₂用于判断车辆是否达到现场，例如状态数据S₂的第二函数值为1时，判断为车辆已达到现场，为0时，判断为未到现场；状态数据S₃用于判断病人是否上车，例如状态数据S₃的第二函数值为1时，判断为病人已上车，为0时，判断病人未上车；状态数据S₄用于判断车辆是否离开现场，例如状态数据S₄的第二函数值为1时，判断为已经离开现场，为0时，未离开现场；状态数据S₅用于判断车辆是否送达医院，例如状态数据S₅的第二函数值为1时，判断为已送达医院，为0时，判断为未送达医院；状态数据S₆用于判断车辆是否待命，例如状态数据S₆的第二函数值为1时，判断为已经待命，为0时，判断为未待命。

作为优选地，布尔数据矩阵B包括M行三列布尔数据，所述三列布尔数据分别为车辆数据列、人员数据列和装备数据列，所述M行数据分别为M个车辆数据、M个人员数据和M个装备数据个数。如此，利用车辆数据列、人员数据列和装备数据列进行加权计算后得到的状态数据作为参考信息，得到出车状态更加准确。

参照图5所示，在本发明的一些实施例中，还包括：

S13、根据状态数据S_i对应的第二函数值确定的出车状态与实际出车状态的差异修正加权量。

也就是说，当根据状态数据S_i确定的出车状态与实际出车状态不符时，例如状态数据S₁判断为车辆已出车，但实际该车辆未出车，则可以通过对加权量矩阵W中的加权量进行调整，直至根据状态数据S_i确定的出车状态与实际出车状态相一致为止。如此，通过加权量的修正，可以使得下一次感知结果更加准确。

换言之，该方法具有学习功能，可通过优化加权量使识别概率达到最优。

参照图6所示，发明实施例提供了一种急救车出车状态感知装置，包括：

数据获取单元20，用于实时获取急救车的样本数据组，所述样本数据组中的数据包括车辆数据、人员数据及装备数据；

数据处理单元21，用于将所述样本数据组中的数据转换为布尔数据；

感知单元22，用于对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态。

参照图7所示，在本发明的一个实施例中，所述数据处理单元21包括：

第一转换模块211，用于利用第一符号函数将样本数据组中的数据转换为0或1的第一函数值，所述第一符号函数为：

其中，X_f为样本数据组中的数据，T_f为与数据X_f对应的第一设定阀值，sgn(x_f)为数据X_f对应的第一函数值；

第二转换模块212，用于根据布尔化表达式将所述第一函数值sgn(X_f)转换为布尔数据b_f，所述布尔化表达式为：

b_f＝sgn[X_f]。

参照图8所示，在本发明的一个实施例中，所述感知单元22包括：

矩阵创建模块221，用于根据布尔数据构建布尔数据矩阵B,根据预设加权量构建加权量矩阵W；

计算模块222，用于对所述布尔数据矩阵B和加权量矩阵W进行矩阵乘法运算，得到状态数据矩阵S_BW，所述矩阵乘法公式为：

S_BW＝[W﹡B]﹡E；

其中，E为转换系数矩阵，且列数为1列，经过转换运算的状态数据矩阵S_BW为1列N行矩阵，第i行状态数据记为S_i，(i＝1,2,3…，N)，N为状态个数；

第三转换模块223，用于利用第二符号函数将状态数据S_i转换为“0”或“1”的第二函数值，所述第二符号函数为：

其中，T_i为与所述状态数据S_i对应的为第二设定阀值，N为状态个数；

确定模块224，用于根据所述状态数据S_i对应的第二函数值确定出车状态，每个状态数据对应用于判断车辆的一种状态。

参照图6所示，在本发明的一个实施例中，还包括：

加权修正单元23，用于根据所述状态数据S_i对应的第二函数值确定的出车状态与实际出车状态的差异修正加权量。

作为优选地，布尔数据矩阵B包括M行三列布尔数据，所述三列布尔数据分别为车辆数据列、人员数据列和装备数据列，所述M行数据分别为M个车辆数据、M个人员数据和M个装备数据个数。

根据本发明提供的急救车出车状态感知装置，以急救车三大要素车辆数据、人员数据、装备数据作为多维变量，对上述多维变量进行布尔数据转换，再实施加权计算以得到状态数据，并根据所述状态数据确定出车状态，如此，实现了依据急救车变量模型的急救车出车状态智能感知，本发明的方法更加智能化和更高的识别精度，更加符合实际应用需求。系统还具有学习功能，可通过优化权值使识别概率达到最优。

综上所述，急救车变量模型及出车D2D状态感知系统具有如下优点：

1)基于急救车车辆数据、人员数据及装备数据变量可以应用较为完整的模式识别理论体系实现对急救车信息化应用的系统性分析，车辆数据、人员数据及装备数据是系统性观察急救车运行状态的相互关联的变量因素。

2)状态识别更加符合实际应用：在实际应用中可能会缺少这样或那样的采集数据，如不能通过RFID采集人员数据时，本方法仍然可以利用门禁、担架状态等数据通过阈值调整实现状态识别计算输出。

3)有利于实现对急救车的大数据分析：

按车、人、装备三大要素实现对急救车的数据采集，获得车辆数据、人员数据及装备数据，有利于系统性地对急救车应用的大数据分析，为用户提供更好的应用服务、提供更准确的售前与售后服务。

4)有利于提高急救车智能化程度：

急救车出车状态智能感知系统只是急救车智能化的一部分，基于车、人、装备三变量体系我们还可以继续提高急救车的智能化应用水平，如车乘人员自动识别、车载设备电能耗自动管理等等。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种急救车出车D2D状态感知方法，该急救出车D2D状态为待命急救车辆从接收出车调度任务开始至将急救病患送达医院的急救过程状态,其特征在于，包括：

将所述样本数据组中的数据转换为布尔数据；

2.根据权利要求1所述的急救车出车D2D状态感知方法，其特征在于，所述将所述样本数据组中的数据转换为布尔数据包括：

利用第一符号函数将样本数据组中的数据转换为“0”或“1”的第一函数值，所述第一符号函数为：

根据布尔化表达式将所述第一函数值sgn(X_f)转换为布尔数据b_f，所述布尔化表达式为：

b_f＝sgn[X_f]。

3.根据权利要求1所述的急救车出车D2D状态感知方法，其特征在于，所述对所述布尔数据进行加权计算以得到状态数据，并根据所述状态数据确定出车状态包括：

根据布尔数据构建布尔数据矩阵B,根据预设加权量构建加权量矩阵W；

对所述布尔数据矩阵B和加权量矩阵W进行矩阵乘法运算，得到状态数据矩阵S_BW，所述矩阵乘法公式为：

S_BW＝[W＊B]＊E；

其中，E为转换系数矩阵，且列数为1列，经过转换运算的状态数据矩阵S_BW为1列N行矩阵，第i行状态数据记为S_i，(i＝1,2,3…，N)，N为车辆状态个数；

利用第二符号函数将状态数据S_i转换为“0”或“1”的第二函数值，所述第二符号函数为：

其中，T_i为与所述状态数据S_i对应的第二设定阀值，N为车辆状态个数；

根据所述状态数据S_i对应的第二函数值确定出车D2D状态，每个状态数据对应用于判断一个车辆状态。

4.根据权利要求3所述的急救车出车D2D状态感知方法，其特征在于，还包括：

根据状态数据S_i对应的第二函数值确定的出车状态与实际出车状态的差异修正加权量。

5.根据权利要求3所述的急救车出车D2D状态感知方法，其特征在于，所述布尔数据矩阵B包括M行三列布尔数据，所述三列布尔数据分别为车辆数据列、人员数据列和装备数据列，所述M行数据分别为M个车辆数据、M个人员数据和M个装备数据个数。

6.一种急救车出车D2D状态感知装置，该急救出车D2D状态为待命急救车辆从接收出车调度任务开始至将急救病患送达医院的急救过程状态,其特征在于，包括：

7.根据权利要求6所述的急救车出车D2D状态感知装置，其特征在于，所述数据处理单元包括：

第一转换模块，用于利用第一符号函数将样本数据组中的数据转换为0或1的第一函数值，所述第一符号函数为：

第二转换模块，用于根据布尔化表达式将所述第一函数值sgn(X_f)转换为布尔数据b_f，所述布尔化表达式为：

b_f＝sgn[X_f]。

8.根据权利要求6所述的急救车出车D2D状态感知装置，其特征在于，所述感知单元包括：

矩阵创建模块，用于根据布尔数据构建布尔数据矩阵B,根据预设加权量构建加权量矩阵W；

计算模块，用于对所述布尔数据矩阵B和加权量矩阵W进行矩阵乘法运算，得到状态数据矩阵S_BW，所述矩阵乘法公式为：

S_BW＝[W＊B]＊E；

第三转换模块，利用第二符号函数将状态数据S_i转换为“0”或“1”的第二函数值，所述第二符号函数为：

其中，T_i为与所述状态数据S_i对应的为第二设定阀值，N为车辆状态个数；

确定模块，用于根据所述状态数据S_i对应的第二函数值确定出车状态，每个状态数据对应用于判断一个车辆状态。

9.根据权利要求8所述的急救车出车D2D状态感知装置，其特征在于，还包括：

加权修正单元，用于根据所述状态数据S_i对应的第二函数值确定的出车状态与实际出车状态的差异修正加权量。

10.根据权利要求8所述的急救车出车D2D状态感知装置，其特征在于，所述布尔数据矩阵B包括M行三列布尔数据，所述三列布尔数据分别为车辆数据列、人员数据列和装备数据列，所述M行数据分别为M个车辆数据、M个人员数据和M个装备数据个数。