CN106210140A - 一种远程监测移动医疗设备数据异常的方法 - Google Patents

Abstract

一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：建立用于监测移动医疗设备的监测网络；接收用户当前移动医疗设备的测量数据；根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。本发明的有益效果为：方便了移动医疗设备测量数据的管理和监控。

Description

一种远程监测移动医疗设备数据异常的方法

技术领域

本发明涉及医疗领域，具体涉及一种远程监测移动医疗设备数据异常的方法。

背景技术

移动医疗，改变了过去人们只能前往医院“看病”的传统生活方式。现在人们无论在家里还是在路上都能够随时检测身体，更高效地引导人们养成良好的生活习惯，变治病为防病。但是，我们应该清楚地看到，移动医疗的作用在很大程度上依赖于移动医疗设备的测量。健康移动医疗设备的管理关乎移动医疗设备质量，移动医疗设备的监测水平，病人的身体健康与生命安全，是现代卫生系统中必不可少和必须关注的一环。随着科技的发展和社会的进步，移动医疗设备越来越普及，已经从医院等专业场所发展到社区以及用户的家庭。

量子通信是量子信息学的一个重要分支，其理论是基于量子力学和经典通信，即量子通信是量子力学和经典通信相结合的产物。量子通信通过量子信道传递信息，并能够确保所传输信息的绝对安全。将量子通信技术运用到环境监测中，将大大提高生产环境监测数据传输的安全性。

发明内容

为解决上述问题，本发明旨在提供一种远程监测移动医疗设备数据异常的方法。

本发明的目的采用以下技术方案来实现：

一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

本发明的有益效果为：方便了移动医疗设备测量数据的管理和监控。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明示意图；

图2是本发明监测网络构建的流程示意图。

具体实施方式

结合以下应用场景对本发明作进一步描述。

应用场景1

参见图1、图2，本应用场景的一个实施例的一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

优选地，所述移动医疗设备测量数据包括耳温枪测量数据、血压计测量数据、血糖仪测量数据、健康秤测量数据、脂肪仪测量数据中的一种或者几种。

本优选实施获取数据更为全面。

优选地，所述根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值之前包括：

识别移动医疗设备测量数据的类型；

基于移动医疗设备测量数据的类型调用用户相应的历史移动医疗设备测量数据。

本优选实施例能够获得更准确的数据。

优选地，建立用于监测移动医疗设备的监测网络，包括以下步骤：

S1构建用于监测的无线传感器监测网络，以及用于监测数据传输的量子通信网络；

S2利用无线传感器监测网络监测并采集监测数据，并将监测数据通过量子通信网络传输至预处理节点；

S3预处理节点根据监测数据的类型进行数据校准及融合预处理，预处理后的监测数据通过量子通信网络传输至云服务中心；

S4云服务中心将接收到的监测数据和预先设置的与该监测数据所对应的设置阈值进行比较，若所述监测数据超出与其对应的设置阈值，则将所述监测数据及比较的结果发送至预设的移动管理终端。

本发明上述实施例构建了监测系统的模块架构以及监测流程。

优选的，所述无线传感器监测网络的构建包括传感器节点的部署和传感器节点的定位，所述传感器节点的部署的方法包括：

(1)进行网络第一次部署，设传感器节点的监测半径和通信半径均为r，将监测区域划分为重点监测区域和一般监测区域，重点监测区域划分为正方形网格，传感器节点部署于正方形网格中心，正方形网格边长一般监测区域划分为正六边形网格，传感器节点部署于正六边形中心，正六边形边长

(2)进行网络第二次部署，在传感器网络中部署一部分通信能力强的功能节点，设功能节点的通信半径为4r，在重点监测区域和在一般监测区域分别按照(1)中的方法对功能节点进行部署。

本优选实施例对传感器网络的部署，实现了监测区域的无缝覆盖，保证了全面监测，在重点区域采用正方形网格部署，在一般检测区域采用正六边形网格部署，既节约了传感器数量，又保证了监测效果；增加功能节点，延长了整个传感器网络寿命，避免了传感器节点过早衰竭。

优选的，所述传感器节点的定位的方法包括：

1)未知传感器节点将收到的各个参考节点的接收信号的强度指示和参考节点坐标发送到上位机；

2)上位机对接收到的接收信号的强度指示值进行预处理，包括：通过自定义的选取规则选取高概率发生区的接收信号的强度指示值，求取选取的接收信号的强度指示值的平均值作为最终的接收信号的强度指示值；所述自定义的选取规则为：

当未知传感器节点收到的参考节点的接收信号的强度指示值满足下述条件时，确定该强度指示值为高概率发生区的接收信号的强度指示值：

$T_L\≤\frac{1}{\mathrm{\ϵ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{x-\mathrm{\γ}}{2{\mathrm{\ϵ}}^2}}\≤1$

其中

$\mathrm{\ϵ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{RSSI}}_i-\mathrm{\γ})}^2}{N-1}}$

$\mathrm{\γ}=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{RSSI}}_i}{N}$

式中，RSSI_i为未知传感器节点收到每个参考节点第i次的接收信号的强度指示值，i∈[1,N]，T_L为设定的临界值，T_L的取值范围为[0.4,0.6]；

3)计算未知传感器节点距离参考节点的距离；

4)计算未知传感器节点的坐标，设k个参考节点的坐标分别为(x₁,y₁),(x₂,y₂),…,(x_k,y_k),未知传感器节点到参考节点的距离分别为d₁,d₂,…,d_k，未知传感器节点X的坐标计算公式为：

X＝(α^Tα)^-1α^Tβ

其中

$\mathrm{\α}=\left[\begin{array}{cc}2(x_1-x_k)& 2(y_1-y_k)\\ 2(x_2-x_k)& 2(y_2-y_k)\\ ...& ...\\ 2(x_{k-1}-x_k)& 2(y_{k-1}-y_k)\end{array}\right]$

$\mathrm{\β}=\left[\begin{array}{c}{x_1}^2-{x_k}^2+{y_1}^2-{y_k}^2+{d_k}^2-{d_1}^2\\ {x_2}^2-{x_k}^2+{y_2}^2-{y_k}^2+{d_k}^2-{d_2}^2\\ \mathrm{...}\\ {x_{k-1}}^2-{x_k}^2+{y_{k-1}}^2-{y_k}^2+{d_k}^2-{d_{m-1}}^2\end{array}\right]$

本优选实施例设计了传感器节点的定位的方法，提高了传感器节点的定位精度，从而相对提高了监测的精度。

优选的，所述量子通信网络的构建包括建立量子信道、确定量子密钥分发方案；所述建立量子信道，包括以下步骤：

(1)建立量子信道的表述模型，定义输入量子比特有限集合为I＝{|i₁>,|i₂>,…,|i_N>}，输出量子比特的有限集合为O＝{|o₁>,|o>,…,|o_N>}的量子信道C为：将|i>∈I送入信道，信道的输出是由密度算子ρ(|i>)完全决定的量子信息源的输出；

(2)量子态在量子信道的传输过程中，与信道发生关联，并在接收端全部或部分发生改变，成为新的态，信道中与量子态发生关联的有非理想设备和噪声，需对信道进行优化，包括：

令信道矩阵为X，噪声为Z，则接受态J_k为：

J_k＝(X+Z)T_k，(k＝1,2,…,n)

式中，T_k表示同一测量基下的态矩阵，每列元素表示一个发送态；

用相关系数R₁、R₂分别表示非理想设备和噪声与量子态的相关情况，通过波动方程理论及热力学公式建模，得出满足不同信道情况的具体信道模型；

所述量子密钥分发方案基于BB84的协议确定，包括以下步骤：

(1)经过激光器、光混合器、衰减器和相位调制器，发送端生成单光子脉冲，以量子偏振态偏振角度作为信息传输的地址码，发送端偏振态角度随机取0，每个单光子脉冲发送前，发送端向接收端发送时钟信号。发送端对每个单光子脉冲的偏振态相位进行编码，发送端相位取0和π组成一组正交归一基，接收端相位取0与其匹配，发送端相位取和组成另一组正交归一基，接收端相位取与其匹配；

(2)接收端经过相位调制器、偏振控制器、光分束器、半波片、偏振分束器和单光子探测器接收到光单子脉冲，根据时钟脉冲信号，对接收量子态进行测量，首先通过两组不同基下的探测器读数得出地址码值，再推出相位信息，之后通过经典信道与发送端进行相位及偏振基比对；

(3)接收端筛选测量信息，抛弃错误偏振测量基得出的信息及错误相位测量基得出的信息，分别得出初始密钥。

(4)接收端对对筛选后的测量基计数进行脉冲数比对，如果得到的正确结果的测量基脉冲数小于安全脉冲数门限值，则表明存在窃听，此时，放弃本次密钥协商，重新进行步骤(1)到(4)，如果接收端得到的正确结果的测量基脉冲数大于等于门限值，发送端和接收端通过经典信道进行数据协调和密性放大，从而获得最终密钥；

其中，安全脉冲门限值采用如下方法确定，

无窃听时，接收端得到量子比特的正确率

式中，P_r表示正确选择测量基时准确接收量子态的概率，P_w表示错误选择测量基时准确接收量子态的概率；

存在窃听时，安全通信门限根据信道情况确定安全门限，当接收端得到正确量子比特概率低于P_m时，存在窃听。

本优选实施例由于通信设备的非理想性，以及信道中存在噪声，量子信息在传输的过程中会发生改变，通过建立实际信道使得接收端判别通信过程是否安全的标准更为准确；量子偏振态具有相对稳定的固有特性和可区分性，可以在多用户量子通信中有效地进行用户的区分；对信道模型中安全门限进行了分析，推得了实际量子通信中判别窃听的安全门限公式。

优选的，所述无线传感器监测网络包括网关、高能簇头节点、终端节点，所述高能簇头节点负责监测数据的有效采集，所述网关将采集到信息存储到嵌入式数据库中，在需要时将监测数据通过量子通信网络传输到云服务中心；所述高能簇头节点由簇头节点、太阳能电池板、蓄电池、功率放大器和多个监测传感器组成，所述簇头节点的能量由太阳能电池板和蓄电池结合提供。

本优选实施例设置的簇头节点的能量由太阳能电池板和蓄电池结合提供，能够保证簇头节点的能量提供，节省用电消耗，降低监测成本。

优选的，所述根据监测数据的类型进行数据校准及融合预处理，包括：

(1)将每个传感器的监测数据通过BP神经网络进行校准，同时剔除错误的数据，获得更加准确的数据；所述通过BP神经网络进行校准，包括：

1)构建BP神经网络，以传感器的监测值作为BP神经网络的输入层，以标准仪器的测量值作为BP神经网络的输出层；

2)进行BP神经网络训练，具体为：将传感器的监测值从输入层经BP神经网络的隐含层传向输出层，如果在输出层没有得到期望的输出值，则沿原通路将误差返回，并根据误差函数，采用梯度下降法修正各层神经元的权值和阈值，从而使误差最小，最终达到期望效果，所述误差函数定义为：

$D=\frac{1}{2}\underset{j}{\Σ}{\mathrm{\Σ}}_m(\widehat{Y_m}-Y_m)$

$Y_m=\underset{j}{\Σ}\frac{w_{mj}}{1+\exp (-{\mathrm{\Σ}}_i{w}_{ij}{x}_i+T_i)}+T_m$

式中，w_ij为前一输出层至隐含层的连接权值，x_i为前一输出层的输出值，T_i为隐含层的阈值，w_mj为隐含层至后一输出层的连接权值，T_m为后一输出层的阈值；

(2)通过自适应加权融合算法对多个传感器的监测数据进行融合，具体为：根据各传感器的监测值，以自适应的方式寻找各个传感器对应的最优加权因子，在满足总均方误差最小的情况下，使得融合后的结果达到最优。

本优选实施例的预处理节点根据监测数据的类型进行数据校准及融合预处理，解决了一般传感器测量的非线性误差，使监测的数据更加准确和可靠。

在此应用场景中，设定T_L的值为0.4，传感器节点定位的精度提高了8％，监测精度提高了10％。

应用场景2

参见图1、图2，本应用场景的一个实施例的一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

优选地，所述移动医疗设备测量数据包括耳温枪测量数据、血压计测量数据、血糖仪测量数据、健康秤测量数据、脂肪仪测量数据中的一种或者几种。

本优选实施获取数据更为全面。

优选地，所述根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值之前包括：

识别移动医疗设备测量数据的类型；

基于移动医疗设备测量数据的类型调用用户相应的历史移动医疗设备测量数据。

本优选实施例能够获得更准确的数据。

优选地，建立用于监测移动医疗设备的监测网络，包括以下步骤：

S1构建用于监测的无线传感器监测网络，以及用于监测数据传输的量子通信网络；

S2利用无线传感器监测网络监测并采集监测数据，并将监测数据通过量子通信网络传输至预处理节点；

S3预处理节点根据监测数据的类型进行数据校准及融合预处理，预处理后的监测数据通过量子通信网络传输至云服务中心；

S4云服务中心将接收到的监测数据和预先设置的与该监测数据所对应的设置阈值进行比较，若所述监测数据超出与其对应的设置阈值，则将所述监测数据及比较的结果发送至预设的移动管理终端。

本发明上述实施例构建了监测系统的模块架构以及监测流程。

优选的，所述无线传感器监测网络的构建包括传感器节点的部署和传感器节点的定位，所述传感器节点的部署的方法包括：

(1)进行网络第一次部署，设传感器节点的监测半径和通信半径均为r，将监测区域划分为重点监测区域和一般监测区域，重点监测区域划分为正方形网格，传感器节点部署于正方形网格中心，正方形网格边长一般监测区域划分为正六边形网格，传感器节点部署于正六边形中心，正六边形边长

(2)进行网络第二次部署，在传感器网络中部署一部分通信能力强的功能节点，设功能节点的通信半径为4r，在重点监测区域和在一般监测区域分别按照(1)中的方法对功能节点进行部署。

本优选实施例对传感器网络的部署，实现了监测区域的无缝覆盖，保证了全面监测，在重点区域采用正方形网格部署，在一般检测区域采用正六边形网格部署，既节约了传感器数量，又保证了监测效果；增加功能节点，延长了整个传感器网络寿命，避免了传感器节点过早衰竭。

优选的，所述传感器节点的定位的方法包括：

1)未知传感器节点将收到的各个参考节点的接收信号的强度指示和参考节点坐标发送到上位机；

2)上位机对接收到的接收信号的强度指示值进行预处理，包括：通过自定义的选取规则选取高概率发生区的接收信号的强度指示值，求取选取的接收信号的强度指示值的平均值作为最终的接收信号的强度指示值；所述自定义的选取规则为：

当未知传感器节点收到的参考节点的接收信号的强度指示值满足下述条件时，确定该强度指示值为高概率发生区的接收信号的强度指示值：

$T_L\≤\frac{1}{\mathrm{\ϵ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{x-\mathrm{\γ}}{2{\mathrm{\ϵ}}^2}}\≤1$

其中

$\mathrm{\ϵ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{RSSI}}_i-\mathrm{\γ})}^2}{N-1}}$

$\mathrm{\γ}=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{RSSI}}_i}{N}$

式中，RSSI_i为未知传感器节点收到每个参考节点第i次的接收信号的强度指示值，i∈[1,N]，T_L为设定的临界值，T_L的取值范围为[0.4,0.6]；

3)计算未知传感器节点距离参考节点的距离；

4)计算未知传感器节点的坐标，设k个参考节点的坐标分别为(x₁,y₁),(x₂,y₂),…,(x_k,y_k),未知传感器节点到参考节点的距离分别为d₁,d₂,…,d_k，未知传感器节点X的坐标计算公式为：

X＝(α^Tα)^-1α^Tβ

其中

$\mathrm{\α}=\left[\begin{array}{cc}2(x_1-x_k)& 2(y_1-y_k)\\ 2(x_2-x_k)& 2(y_2-y_k)\\ ...& ...\\ 2(x_{k-1}-x_k)& 2(y_{k-1}-y_k)\end{array}\right]$

$\mathrm{\β}=\left[\begin{array}{c}{x_1}^2-{x_k}^2+{y_1}^2-{y_k}^2+{d_k}^2-{d_1}^2\\ {x_2}^2-{x_k}^2+{y_2}^2-{y_k}^2+{d_k}^2-{d_2}^2\\ \mathrm{...}\\ {x_{k-1}}^2-{x_k}^2+{y_{k-1}}^2-{y_k}^2+{d_k}^2-{d_{m-1}}^2\end{array}\right]$

本优选实施例设计了传感器节点的定位的方法，提高了传感器节点的定位精度，从而相对提高了监测的精度。

优选的，所述量子通信网络的构建包括建立量子信道、确定量子密钥分发方案；所述建立量子信道，包括以下步骤：

(1)建立量子信道的表述模型，定义输入量子比特有限集合为I＝{|i₁>,|i₂>,…,|i_N>}，输出量子比特的有限集合为O＝{|o₁>,|o>,…,|o_N>}的量子信道C为：将|i>∈I送入信道，信道的输出是由密度算子ρ(|i>)完全决定的量子信息源的输出；

(2)量子态在量子信道的传输过程中，与信道发生关联，并在接收端全部或部分发生改变，成为新的态，信道中与量子态发生关联的有非理想设备和噪声，需对信道进行优化，包括：

令信道矩阵为X，噪声为Z，则接受态J_k为：

J_k＝(X+Z)T_k，(k＝1,2,…,n)

式中，T_k表示同一测量基下的态矩阵，每列元素表示一个发送态；

用相关系数R₁、R₂分别表示非理想设备和噪声与量子态的相关情况，通过波动方程理论及热力学公式建模，得出满足不同信道情况的具体信道模型；

所述量子密钥分发方案基于BB84的协议确定，包括以下步骤：

(1)经过激光器、光混合器、衰减器和相位调制器，发送端生成单光子脉冲，以量子偏振态偏振角度作为信息传输的地址码，发送端偏振态角度随机取0，每个单光子脉冲发送前，发送端向接收端发送时钟信号。发送端对每个单光子脉冲的偏振态相位进行编码，发送端相位取0和π组成一组正交归一基，接收端相位取0与其匹配，发送端相位取和组成另一组正交归一基，接收端相位取与其匹配；

(2)接收端经过相位调制器、偏振控制器、光分束器、半波片、偏振分束器和单光子探测器接收到光单子脉冲，根据时钟脉冲信号，对接收量子态进行测量，首先通过两组不同基下的探测器读数得出地址码值，再推出相位信息，之后通过经典信道与发送端进行相位及偏振基比对；

(3)接收端筛选测量信息，抛弃错误偏振测量基得出的信息及错误相位测量基得出的信息，分别得出初始密钥。

(4)接收端对对筛选后的测量基计数进行脉冲数比对，如果得到的正确结果的测量基脉冲数小于安全脉冲数门限值，则表明存在窃听，此时，放弃本次密钥协商，重新进行步骤(1)到(4)，如果接收端得到的正确结果的测量基脉冲数大于等于门限值，发送端和接收端通过经典信道进行数据协调和密性放大，从而获得最终密钥；

其中，安全脉冲门限值采用如下方法确定，

无窃听时，接收端得到量子比特的正确率

式中，P_r表示正确选择测量基时准确接收量子态的概率，P_w表示错误选择测量基时准确接收量子态的概率；

存在窃听时，安全通信门限根据信道情况确定安全门限，当接收端得到正确量子比特概率低于P_m时，存在窃听。

本优选实施例由于通信设备的非理想性，以及信道中存在噪声，量子信息在传输的过程中会发生改变，通过建立实际信道使得接收端判别通信过程是否安全的标准更为准确；量子偏振态具有相对稳定的固有特性和可区分性，可以在多用户量子通信中有效地进行用户的区分；对信道模型中安全门限进行了分析，推得了实际量子通信中判别窃听的安全门限公式。

优选的，所述无线传感器监测网络包括网关、高能簇头节点、终端节点，所述高能簇头节点负责监测数据的有效采集，所述网关将采集到信息存储到嵌入式数据库中，在需要时将监测数据通过量子通信网络传输到云服务中心；所述高能簇头节点由簇头节点、太阳能电池板、蓄电池、功率放大器和多个监测传感器组成，所述簇头节点的能量由太阳能电池板和蓄电池结合提供。

本优选实施例设置的簇头节点的能量由太阳能电池板和蓄电池结合提供，能够保证簇头节点的能量提供，节省用电消耗，降低监测成本。

优选的，所述根据监测数据的类型进行数据校准及融合预处理，包括：

(1)将每个传感器的监测数据通过BP神经网络进行校准，同时剔除错误的数据，获得更加准确的数据；所述通过BP神经网络进行校准，包括：

1)构建BP神经网络，以传感器的监测值作为BP神经网络的输入层，以标准仪器的测量值作为BP神经网络的输出层；

2)进行BP神经网络训练，具体为：将传感器的监测值从输入层经BP神经网络的隐含层传向输出层，如果在输出层没有得到期望的输出值，则沿原通路将误差返回，并根据误差函数，采用梯度下降法修正各层神经元的权值和阈值，从而使误差最小，最终达到期望效果，所述误差函数定义为：

$D=\frac{1}{2}\underset{j}{\Σ}{\mathrm{\Σ}}_m(\widehat{Y_m}-Y_m)$

$Y_m=\underset{j}{\Σ}\frac{w_{mj}}{1+\exp (-{\mathrm{\Σ}}_i{w}_{ij}{x}_i+T_i)}+T_m$

式中，w_ij为前一输出层至隐含层的连接权值，x_i为前一输出层的输出值，T_i为隐含层的阈值，w_mj为隐含层至后一输出层的连接权值，T_m为后一输出层的阈值；

(2)通过自适应加权融合算法对多个传感器的监测数据进行融合，具体为：根据各传感器的监测值，以自适应的方式寻找各个传感器对应的最优加权因子，在满足总均方误差最小的情况下，使得融合后的结果达到最优。

本优选实施例的预处理节点根据监测数据的类型进行数据校准及融合预处理，解决了一般传感器测量的非线性误差，使监测的数据更加准确和可靠。

在此应用场景中，设定T_L的值为0.45，传感器节点定位的精度提高了9％，监测精度提高了11％。

应用场景3

参见图1、图2，本应用场景的一个实施例的一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

优选地，所述移动医疗设备测量数据包括耳温枪测量数据、血压计测量数据、血糖仪测量数据、健康秤测量数据、脂肪仪测量数据中的一种或者几种。

本优选实施获取数据更为全面。

优选地，所述根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值之前包括：

识别移动医疗设备测量数据的类型；

基于移动医疗设备测量数据的类型调用用户相应的历史移动医疗设备测量数据。

本优选实施例能够获得更准确的数据。

优选地，建立用于监测移动医疗设备的监测网络，包括以下步骤：

S1构建用于监测的无线传感器监测网络，以及用于监测数据传输的量子通信网络；

S2利用无线传感器监测网络监测并采集监测数据，并将监测数据通过量子通信网络传输至预处理节点；

S3预处理节点根据监测数据的类型进行数据校准及融合预处理，预处理后的监测数据通过量子通信网络传输至云服务中心；

S4云服务中心将接收到的监测数据和预先设置的与该监测数据所对应的设置阈值进行比较，若所述监测数据超出与其对应的设置阈值，则将所述监测数据及比较的结果发送至预设的移动管理终端。

本发明上述实施例构建了监测系统的模块架构以及监测流程。

优选的，所述无线传感器监测网络的构建包括传感器节点的部署和传感器节点的定位，所述传感器节点的部署的方法包括：

(1)进行网络第一次部署，设传感器节点的监测半径和通信半径均为r，将监测区域划分为重点监测区域和一般监测区域，重点监测区域划分为正方形网格，传感器节点部署于正方形网格中心，正方形网格边长一般监测区域划分为正六边形网格，传感器节点部署于正六边形中心，正六边形边长

(2)进行网络第二次部署，在传感器网络中部署一部分通信能力强的功能节点，设功能节点的通信半径为4r，在重点监测区域和在一般监测区域分别按照(1)中的方法对功能节点进行部署。

本优选实施例对传感器网络的部署，实现了监测区域的无缝覆盖，保证了全面监测，在重点区域采用正方形网格部署，在一般检测区域采用正六边形网格部署，既节约了传感器数量，又保证了监测效果；增加功能节点，延长了整个传感器网络寿命，避免了传感器节点过早衰竭。

优选的，所述传感器节点的定位的方法包括：

1)未知传感器节点将收到的各个参考节点的接收信号的强度指示和参考节点坐标发送到上位机；

2)上位机对接收到的接收信号的强度指示值进行预处理，包括：通过自定义的选取规则选取高概率发生区的接收信号的强度指示值，求取选取的接收信号的强度指示值的平均值作为最终的接收信号的强度指示值；所述自定义的选取规则为：

当未知传感器节点收到的参考节点的接收信号的强度指示值满足下述条件时，确定该强度指示值为高概率发生区的接收信号的强度指示值：

$T_L\≤\frac{1}{\mathrm{\ϵ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{x-\mathrm{\γ}}{2{\mathrm{\ϵ}}^2}}\≤1$

其中

$\mathrm{\ϵ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{RSSI}}_i-\mathrm{\γ})}^2}{N-1}}$

$\mathrm{\γ}=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{RSSI}}_i}{N}$

式中，RSSI_i为未知传感器节点收到每个参考节点第i次的接收信号的强度指示值，i∈[1,N]，T_L为设定的临界值，T_L的取值范围为[0.4,0.6]；

3)计算未知传感器节点距离参考节点的距离；

4)计算未知传感器节点的坐标，设k个参考节点的坐标分别为(x₁,y₁),(x₂,y₂),…,(x_k,y_k),未知传感器节点到参考节点的距离分别为d₁,d₂,…,d_k，未知传感器节点X的坐标计算公式为：

X＝(α^Tα)^-1α^Tβ

其中

$\mathrm{\α}=\left[\begin{array}{cc}2(x_1-x_k)& 2(y_1-y_k)\\ 2(x_2-x_k)& 2(y_2-y_k)\\ ...& ...\\ 2(x_{k-1}-x_k)& 2(y_{k-1}-y_k)\end{array}\right]$

$\mathrm{\β}=\left[\begin{array}{c}{x_1}^2-{x_k}^2+{y_1}^2-{y_k}^2+{d_k}^2-{d_1}^2\\ {x_2}^2-{x_k}^2+{y_2}^2-{y_k}^2+{d_k}^2-{d_2}^2\\ \mathrm{...}\\ {x_{k-1}}^2-{x_k}^2+{y_{k-1}}^2-{y_k}^2+{d_k}^2-{d_{m-1}}^2\end{array}\right]$

本优选实施例设计了传感器节点的定位的方法，提高了传感器节点的定位精度，从而相对提高了监测的精度。

优选的，所述量子通信网络的构建包括建立量子信道、确定量子密钥分发方案；所述建立量子信道，包括以下步骤：

(1)建立量子信道的表述模型，定义输入量子比特有限集合为I＝{|i₁>,|i₂>,…,|i_N>}，输出量子比特的有限集合为O＝{|O₁>,|o>,…,|o_N>}的量子信道C为：将|i>∈I送入信道，信道的输出是由密度算子ρ(|I>)完全决定的量子信息源的输出；

(2)量子态在量子信道的传输过程中，与信道发生关联，并在接收端全部或部分发生改变，成为新的态，信道中与量子态发生关联的有非理想设备和噪声，需对信道进行优化，包括：

令信道矩阵为X，噪声为Z，则接受态J_k为：

J_k＝(X+Z)T_k，(k＝1,2,…,n)

式中，T_k表示同一测量基下的态矩阵，每列元素表示一个发送态；

用相关系数R₁、R₂分别表示非理想设备和噪声与量子态的相关情况，通过波动方程理论及热力学公式建模，得出满足不同信道情况的具体信道模型；

所述量子密钥分发方案基于BB84的协议确定，包括以下步骤：

(1)经过激光器、光混合器、衰减器和相位调制器，发送端生成单光子脉冲，以量子偏振态偏振角度作为信息传输的地址码，发送端偏振态角度随机取0，每个单光子脉冲发送前，发送端向接收端发送时钟信号。发送端对每个单光子脉冲的偏振态相位进行编码，发送端相位取0和π组成一组正交归一基，接收端相位取0与其匹配，发送端相位取和组成另一组正交归一基，接收端相位取与其匹配；

(2)接收端经过相位调制器、偏振控制器、光分束器、半波片、偏振分束器和单光子探测器接收到光单子脉冲，根据时钟脉冲信号，对接收量子态进行测量，首先通过两组不同基下的探测器读数得出地址码值，再推出相位信息，之后通过经典信道与发送端进行相位及偏振基比对；

(3)接收端筛选测量信息，抛弃错误偏振测量基得出的信息及错误相位测量基得出的信息，分别得出初始密钥。

(4)接收端对对筛选后的测量基计数进行脉冲数比对，如果得到的正确结果的测量基脉冲数小于安全脉冲数门限值，则表明存在窃听，此时，放弃本次密钥协商，重新进行步骤(1)到(4)，如果接收端得到的正确结果的测量基脉冲数大于等于门限值，发送端和接收端通过经典信道进行数据协调和密性放大，从而获得最终密钥；

其中，安全脉冲门限值采用如下方法确定，

无窃听时，接收端得到量子比特的正确率

式中，P_r表示正确选择测量基时准确接收量子态的概率，P_w表示错误选择测量基时准确接收量子态的概率；

存在窃听时，安全通信门限根据信道情况确定安全门限，当接收端得到正确量子比特概率低于P_m时，存在窃听。

本优选实施例由于通信设备的非理想性，以及信道中存在噪声，量子信息在传输的过程中会发生改变，通过建立实际信道使得接收端判别通信过程是否安全的标准更为准确；量子偏振态具有相对稳定的固有特性和可区分性，可以在多用户量子通信中有效地进行用户的区分；对信道模型中安全门限进行了分析，推得了实际量子通信中判别窃听的安全门限公式。

优选的，所述无线传感器监测网络包括网关、高能簇头节点、终端节点，所述高能簇头节点负责监测数据的有效采集，所述网关将采集到信息存储到嵌入式数据库中，在需要时将监测数据通过量子通信网络传输到云服务中心；所述高能簇头节点由簇头节点、太阳能电池板、蓄电池、功率放大器和多个监测传感器组成，所述簇头节点的能量由太阳能电池板和蓄电池结合提供。

本优选实施例设置的簇头节点的能量由太阳能电池板和蓄电池结合提供，能够保证簇头节点的能量提供，节省用电消耗，降低监测成本。

优选的，所述根据监测数据的类型进行数据校准及融合预处理，包括：

(1)将每个传感器的监测数据通过BP神经网络进行校准，同时剔除错误的数据，获得更加准确的数据；所述通过BP神经网络进行校准，包括：

1)构建BP神经网络，以传感器的监测值作为BP神经网络的输入层，以标准仪器的测量值作为BP神经网络的输出层；

2)进行BP神经网络训练，具体为：将传感器的监测值从输入层经BP神经网络的隐含层传向输出层，如果在输出层没有得到期望的输出值，则沿原通路将误差返回，并根据误差函数，采用梯度下降法修正各层神经元的权值和阈值，从而使误差最小，最终达到期望效果，所述误差函数定义为：

$D=\frac{1}{2}\underset{j}{\Σ}{\mathrm{\Σ}}_m(\widehat{Y_m}-Y_m)$

$Y_m=\underset{j}{\Σ}\frac{w_{mj}}{1+\exp (-{\mathrm{\Σ}}_i{w}_{ij}{x}_i+T_i)}+T_m$

式中，w_ij为前一输出层至隐含层的连接权值，x_i为前一输出层的输出值，T_i为隐含层的阈值，w_mj为隐含层至后一输出层的连接权值，T_m为后一输出层的阈值；

(2)通过自适应加权融合算法对多个传感器的监测数据进行融合，具体为：根据各传感器的监测值，以自适应的方式寻找各个传感器对应的最优加权因子，在满足总均方误差最小的情况下，使得融合后的结果达到最优。

本优选实施例的预处理节点根据监测数据的类型进行数据校准及融合预处理，解决了一般传感器测量的非线性误差，使监测的数据更加准确和可靠。

在此应用场景中，设定T_L的值为0.5，传感器节点定位的精度提高了10％，监测精度提高了12％。

应用场景4

参见图1、图2，本应用场景的一个实施例的一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

优选地，所述移动医疗设备测量数据包括耳温枪测量数据、血压计测量数据、血糖仪测量数据、健康秤测量数据、脂肪仪测量数据中的一种或者几种。

本优选实施获取数据更为全面。

优选地，所述根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值之前包括：

识别移动医疗设备测量数据的类型；

基于移动医疗设备测量数据的类型调用用户相应的历史移动医疗设备测量数据。

本优选实施例能够获得更准确的数据。

优选地，建立用于监测移动医疗设备的监测网络，包括以下步骤：

S1构建用于监测的无线传感器监测网络，以及用于监测数据传输的量子通信网络；

S2利用无线传感器监测网络监测并采集监测数据，并将监测数据通过量子通信网络传输至预处理节点；

S3预处理节点根据监测数据的类型进行数据校准及融合预处理，预处理后的监测数据通过量子通信网络传输至云服务中心；

S4云服务中心将接收到的监测数据和预先设置的与该监测数据所对应的设置阈值进行比较，若所述监测数据超出与其对应的设置阈值，则将所述监测数据及比较的结果发送至预设的移动管理终端。

本发明上述实施例构建了监测系统的模块架构以及监测流程。

优选的，所述无线传感器监测网络的构建包括传感器节点的部署和传感器节点的定位，所述传感器节点的部署的方法包括：

(1)进行网络第一次部署，设传感器节点的监测半径和通信半径均为r，将监测区域划分为重点监测区域和一般监测区域，重点监测区域划分为正方形网格，传感器节点部署于正方形网格中心，正方形网格边长一般监测区域划分为正六边形网格，传感器节点部署于正六边形中心，正六边形边长

(2)进行网络第二次部署，在传感器网络中部署一部分通信能力强的功能节点，设功能节点的通信半径为4r，在重点监测区域和在一般监测区域分别按照(1)中的方法对功能节点进行部署。

本优选实施例对传感器网络的部署，实现了监测区域的无缝覆盖，保证了全面监测，在重点区域采用正方形网格部署，在一般检测区域采用正六边形网格部署，既节约了传感器数量，又保证了监测效果；增加功能节点，延长了整个传感器网络寿命，避免了传感器节点过早衰竭。

优选的，所述传感器节点的定位的方法包括：

1)未知传感器节点将收到的各个参考节点的接收信号的强度指示和参考节点坐标发送到上位机；

2)上位机对接收到的接收信号的强度指示值进行预处理，包括：通过自定义的选取规则选取高概率发生区的接收信号的强度指示值，求取选取的接收信号的强度指示值的平均值作为最终的接收信号的强度指示值；所述自定义的选取规则为：

当未知传感器节点收到的参考节点的接收信号的强度指示值满足下述条件时，确定该强度指示值为高概率发生区的接收信号的强度指示值：

$T_L\≤\frac{1}{\mathrm{\ϵ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{x-\mathrm{\γ}}{2{\mathrm{\ϵ}}^2}}\≤1$

其中

$\mathrm{\ϵ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{RSSI}}_i-\mathrm{\γ})}^2}{N-1}}$

$\mathrm{\γ}=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{RSSI}}_i}{N}$

式中，RSSI_i为未知传感器节点收到每个参考节点第i次的接收信号的强度指示值，i∈[1,N]，T_L为设定的临界值，T_L的取值范围为[0.4,0.6]；

3)计算未知传感器节点距离参考节点的距离；

4)计算未知传感器节点的坐标，设k个参考节点的坐标分别为(x₁,y₁),(x₂,y₂),…,(x_k,y_k),未知传感器节点到参考节点的距离分别为d₁,d₂,…,d_k，未知传感器节点X的坐标计算公式为：

X＝(α^Tα)^-1α^Tβ

其中

$\mathrm{\α}=\left[\begin{array}{cc}2(x_1-x_k)& 2(y_1-y_k)\\ 2(x_2-x_k)& 2(y_2-y_k)\\ ...& ...\\ 2(x_{k-1}-x_k)& 2(y_{k-1}-y_k)\end{array}\right]$

$\mathrm{\β}=\left[\begin{array}{c}{x_1}^2-{x_k}^2+{y_1}^2-{y_k}^2+{d_k}^2-{d_1}^2\\ {x_2}^2-{x_k}^2+{y_2}^2-{y_k}^2+{d_k}^2-{d_2}^2\\ \mathrm{...}\\ {x_{k-1}}^2-{x_k}^2+{y_{k-1}}^2-{y_k}^2+{d_k}^2-{d_{m-1}}^2\end{array}\right]$

本优选实施例设计了传感器节点的定位的方法，提高了传感器节点的定位精度，从而相对提高了监测的精度。

优选的，所述量子通信网络的构建包括建立量子信道、确定量子密钥分发方案；所述建立量子信道，包括以下步骤：

(1)建立量子信道的表述模型，定义输入量子比特有限集合为I＝{|i₁>,|i₂>,…,|i_N>}，输出量子比特的有限集合为O＝{|o₁>,|o>,…,|o_N＞}的量子信道C为：将|i>∈I送入信道，信道的输出是由密度算子ρ(|i>)完全决定的量子信息源的输出；

(2)量子态在量子信道的传输过程中，与信道发生关联，并在接收端全部或部分发生改变，成为新的态，信道中与量子态发生关联的有非理想设备和噪声，需对信道进行优化，包括：

令信道矩阵为X，噪声为Z，则接受态J_k为：

J_k＝(X+Z)T_k，(k＝1,2,…,n)

式中，T_k表示同一测量基下的态矩阵，每列元素表示一个发送态；

用相关系数R₁、R₂分别表示非理想设备和噪声与量子态的相关情况，通过波动方程理论及热力学公式建模，得出满足不同信道情况的具体信道模型；

所述量子密钥分发方案基于BB84的协议确定，包括以下步骤：

(1)经过激光器、光混合器、衰减器和相位调制器，发送端生成单光子脉冲，以量子偏振态偏振角度作为信息传输的地址码，发送端偏振态角度随机取0，每个单光子脉冲发送前，发送端向接收端发送时钟信号。发送端对每个单光子脉冲的偏振态相位进行编码，发送端相位取0和π组成一组正交归一基，接收端相位取0与其匹配，发送端相位取和组成另一组正交归一基，接收端相位取与其匹配；

(2)接收端经过相位调制器、偏振控制器、光分束器、半波片、偏振分束器和单光子探测器接收到光单子脉冲，根据时钟脉冲信号，对接收量子态进行测量，首先通过两组不同基下的探测器读数得出地址码值，再推出相位信息，之后通过经典信道与发送端进行相位及偏振基比对；

(3)接收端筛选测量信息，抛弃错误偏振测量基得出的信息及错误相位测量基得出的信息，分别得出初始密钥。

(4)接收端对对筛选后的测量基计数进行脉冲数比对，如果得到的正确结果的测量基脉冲数小于安全脉冲数门限值，则表明存在窃听，此时，放弃本次密钥协商，重新进行步骤(1)到(4)，如果接收端得到的正确结果的测量基脉冲数大于等于门限值，发送端和接收端通过经典信道进行数据协调和密性放大，从而获得最终密钥；

其中，安全脉冲门限值采用如下方法确定，

无窃听时，接收端得到量子比特的正确率

式中，P_r表示正确选择测量基时准确接收量子态的概率，P_w表示错误选择测量基时准确接收量子态的概率；

存在窃听时，安全通信门限根据信道情况确定安全门限，当接收端得到正确量子比特概率低于P_m时，存在窃听。

本优选实施例由于通信设备的非理想性，以及信道中存在噪声，量子信息在传输的过程中会发生改变，通过建立实际信道使得接收端判别通信过程是否安全的标准更为准确；量子偏振态具有相对稳定的固有特性和可区分性，可以在多用户量子通信中有效地进行用户的区分；对信道模型中安全门限进行了分析，推得了实际量子通信中判别窃听的安全门限公式。

优选的，所述无线传感器监测网络包括网关、高能簇头节点、终端节点，所述高能簇头节点负责监测数据的有效采集，所述网关将采集到信息存储到嵌入式数据库中，在需要时将监测数据通过量子通信网络传输到云服务中心；所述高能簇头节点由簇头节点、太阳能电池板、蓄电池、功率放大器和多个监测传感器组成，所述簇头节点的能量由太阳能电池板和蓄电池结合提供。

本优选实施例设置的簇头节点的能量由太阳能电池板和蓄电池结合提供，能够保证簇头节点的能量提供，节省用电消耗，降低监测成本。

优选的，所述根据监测数据的类型进行数据校准及融合预处理，包括：

(1)将每个传感器的监测数据通过BP神经网络进行校准，同时剔除错误的数据，获得更加准确的数据；所述通过BP神经网络进行校准，包括：

1)构建BP神经网络，以传感器的监测值作为BP神经网络的输入层，以标准仪器的测量值作为BP神经网络的输出层；

2)进行BP神经网络训练，具体为：将传感器的监测值从输入层经BP神经网络的隐含层传向输出层，如果在输出层没有得到期望的输出值，则沿原通路将误差返回，并根据误差函数，采用梯度下降法修正各层神经元的权值和阈值，从而使误差最小，最终达到期望效果，所述误差函数定义为：

$D=\frac{1}{2}\underset{j}{\Σ}{\mathrm{\Σ}}_m(\widehat{Y_m}-Y_m)$

$Y_m=\underset{j}{\Σ}\frac{w_{mj}}{1+\exp (-{\mathrm{\Σ}}_i{w}_{ij}{x}_i+T_i)}+T_m$

式中，w_ij为前一输出层至隐含层的连接权值，x_i为前一输出层的输出值，T_i为隐含层的阈值，w_mj为隐含层至后一输出层的连接权值，T_m为后一输出层的阈值；

(2)通过自适应加权融合算法对多个传感器的监测数据进行融合，具体为：根据各传感器的监测值，以自适应的方式寻找各个传感器对应的最优加权因子，在满足总均方误差最小的情况下，使得融合后的结果达到最优。

本优选实施例的预处理节点根据监测数据的类型进行数据校准及融合预处理，解决了一般传感器测量的非线性误差，使监测的数据更加准确和可靠。

在此应用场景中，设定T_L的值为0.55，传感器节点定位的精度提高了8.5％，监测精度提高了8％。

应用场景5

参见图1、图2，本应用场景的一个实施例的一种远程监测移动医疗设备数据异常的方法，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

优选地，所述移动医疗设备测量数据包括耳温枪测量数据、血压计测量数据、血糖仪测量数据、健康秤测量数据、脂肪仪测量数据中的一种或者几种。

本优选实施获取数据更为全面。

优选地，所述根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值之前包括：

识别移动医疗设备测量数据的类型；

基于移动医疗设备测量数据的类型调用用户相应的历史移动医疗设备测量数据。

本优选实施例能够获得更准确的数据。

优选地，建立用于监测移动医疗设备的监测网络，包括以下步骤：

S1构建用于监测的无线传感器监测网络，以及用于监测数据传输的量子通信网络；

S2利用无线传感器监测网络监测并采集监测数据，并将监测数据通过量子通信网络传输至预处理节点；

S3预处理节点根据监测数据的类型进行数据校准及融合预处理，预处理后的监测数据通过量子通信网络传输至云服务中心；

S4云服务中心将接收到的监测数据和预先设置的与该监测数据所对应的设置阈值进行比较，若所述监测数据超出与其对应的设置阈值，则将所述监测数据及比较的结果发送至预设的移动管理终端。

本发明上述实施例构建了监测系统的模块架构以及监测流程。

优选的，所述无线传感器监测网络的构建包括传感器节点的部署和传感器节点的定位，所述传感器节点的部署的方法包括：

(1)进行网络第一次部署，设传感器节点的监测半径和通信半径均为r，将监测区域划分为重点监测区域和一般监测区域，重点监测区域划分为正方形网格，传感器节点部署于正方形网格中心，正方形网格边长一般监测区域划分为正六边形网格，传感器节点部署于正六边形中心，正六边形边长

(2)进行网络第二次部署，在传感器网络中部署一部分通信能力强的功能节点，设功能节点的通信半径为4r，在重点监测区域和在一般监测区域分别按照(1)中的方法对功能节点进行部署。

本优选实施例对传感器网络的部署，实现了监测区域的无缝覆盖，保证了全面监测，在重点区域采用正方形网格部署，在一般检测区域采用正六边形网格部署，既节约了传感器数量，又保证了监测效果；增加功能节点，延长了整个传感器网络寿命，避免了传感器节点过早衰竭。

优选的，所述传感器节点的定位的方法包括：

1)未知传感器节点将收到的各个参考节点的接收信号的强度指示和参考节点坐标发送到上位机；

2)上位机对接收到的接收信号的强度指示值进行预处理，包括：通过自定义的选取规则选取高概率发生区的接收信号的强度指示值，求取选取的接收信号的强度指示值的平均值作为最终的接收信号的强度指示值；所述自定义的选取规则为：

当未知传感器节点收到的参考节点的接收信号的强度指示值满足下述条件时，确定该强度指示值为高概率发生区的接收信号的强度指示值：

$T_L\≤\frac{1}{\mathrm{\ϵ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{x-\mathrm{\γ}}{2{\mathrm{\ϵ}}^2}}\≤1$

其中

$\mathrm{\ϵ}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{RSSI}}_i-\mathrm{\γ})}^2}{N-1}}$

$\mathrm{\γ}=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{RSSI}}_i}{N}$

式中，RSSI_i为未知传感器节点收到每个参考节点第i次的接收信号的强度指示值，i∈[1,N]，T_L为设定的临界值，T_L的取值范围为[0.4,0.6]；

3)计算未知传感器节点距离参考节点的距离；

4)计算未知传感器节点的坐标，设k个参考节点的坐标分别为(x₁,y₁),(x₂,y₂),…,(x_k,y_k),未知传感器节点到参考节点的距离分别为d₁,d₂,…,d_k，未知传感器节点X的坐标计算公式为：

＝(α^Tα)^-1α^Tβ

其中

$\mathrm{\α}=\left[\begin{array}{cc}2(x_1-x_k)& 2(y_1-y_k)\\ 2(x_2-x_k)& 2(y_2-y_k)\\ ...& ...\\ 2(x_{k-1}-x_k)& 2(y_{k-1}-y_k)\end{array}\right]$

$\mathrm{\β}=\left[\begin{array}{c}{x_1}^2-{x_k}^2+{y_1}^2-{y_k}^2+{d_k}^2-{d_1}^2\\ {x_2}^2-{x_k}^2+{y_2}^2-{y_k}^2+{d_k}^2-{d_2}^2\\ \mathrm{...}\\ {x_{k-1}}^2-{x_k}^2+{y_{k-1}}^2-{y_k}^2+{d_k}^2-{d_{m-1}}^2\end{array}\right]$

本优选实施例设计了传感器节点的定位的方法，提高了传感器节点的定位精度，从而相对提高了监测的精度。

优选的，所述量子通信网络的构建包括建立量子信道、确定量子密钥分发方案；所述建立量子信道，包括以下步骤：

(1)建立量子信道的表述模型，定义输入量子比特有限集合为I＝{|i₁>,|i₂>,…,|i_N>}，输出量子比特的有限集合为O＝{|o₁>,|o>,…,|o_N>}的量子信道C为：将|i>∈I送入信道，信道的输出是由密度算子ρ(|i＞)完全决定的量子信息源的输出；

(2)量子态在量子信道的传输过程中，与信道发生关联，并在接收端全部或部分发生改变，成为新的态，信道中与量子态发生关联的有非理想设备和噪声，需对信道进行优化，包括：

令信道矩阵为X，噪声为Z，则接受态J_k为：

J_k＝(X+Z)T_k，(k＝1,2,…,n)

式中，T_k表示同一测量基下的态矩阵，每列元素表示一个发送态；

用相关系数R₁、R₂分别表示非理想设备和噪声与量子态的相关情况，通过波动方程理论及热力学公式建模，得出满足不同信道情况的具体信道模型；

所述量子密钥分发方案基于BB84的协议确定，包括以下步骤：

(1)经过激光器、光混合器、衰减器和相位调制器，发送端生成单光子脉冲，以量子偏振态偏振角度作为信息传输的地址码，发送端偏振态角度随机取0，每个单光子脉冲发送前，发送端向接收端发送时钟信号。发送端对每个单光子脉冲的偏振态相位进行编码，发送端相位取0和π组成一组正交归一基，接收端相位取0与其匹配，发送端相位取和组成另一组正交归一基，接收端相位取与其匹配；

(2)接收端经过相位调制器、偏振控制器、光分束器、半波片、偏振分束器和单光子探测器接收到光单子脉冲，根据时钟脉冲信号，对接收量子态进行测量，首先通过两组不同基下的探测器读数得出地址码值，再推出相位信息，之后通过经典信道与发送端进行相位及偏振基比对；

(3)接收端筛选测量信息，抛弃错误偏振测量基得出的信息及错误相位测量基得出的信息，分别得出初始密钥。

(4)接收端对对筛选后的测量基计数进行脉冲数比对，如果得到的正确结果的测量基脉冲数小于安全脉冲数门限值，则表明存在窃听，此时，放弃本次密钥协商，重新进行步骤(1)到(4)，如果接收端得到的正确结果的测量基脉冲数大于等于门限值，发送端和接收端通过经典信道进行数据协调和密性放大，从而获得最终密钥；

其中，安全脉冲门限值采用如下方法确定，

无窃听时，接收端得到量子比特的正确率

式中，P_r表示正确选择测量基时准确接收量子态的概率，P_w表示错误选择测量基时准确接收量子态的概率；

存在窃听时，安全通信门限根据信道情况确定安全门限，当接收端得到正确量子比特概率低于P_m时，存在窃听。

本优选实施例由于通信设备的非理想性，以及信道中存在噪声，量子信息在传输的过程中会发生改变，通过建立实际信道使得接收端判别通信过程是否安全的标准更为准确；量子偏振态具有相对稳定的固有特性和可区分性，可以在多用户量子通信中有效地进行用户的区分；对信道模型中安全门限进行了分析，推得了实际量子通信中判别窃听的安全门限公式。

优选的，所述无线传感器监测网络包括网关、高能簇头节点、终端节点，所述高能簇头节点负责监测数据的有效采集，所述网关将采集到信息存储到嵌入式数据库中，在需要时将监测数据通过量子通信网络传输到云服务中心；所述高能簇头节点由簇头节点、太阳能电池板、蓄电池、功率放大器和多个监测传感器组成，所述簇头节点的能量由太阳能电池板和蓄电池结合提供。

本优选实施例设置的簇头节点的能量由太阳能电池板和蓄电池结合提供，能够保证簇头节点的能量提供，节省用电消耗，降低监测成本。

优选的，所述根据监测数据的类型进行数据校准及融合预处理，包括：

(1)将每个传感器的监测数据通过BP神经网络进行校准，同时剔除错误的数据，获得更加准确的数据；所述通过BP神经网络进行校准，包括：

1)构建BP神经网络，以传感器的监测值作为BP神经网络的输入层，以标准仪器的测量值作为BP神经网络的输出层；

2)进行BP神经网络训练，具体为：将传感器的监测值从输入层经BP神经网络的隐含层传向输出层，如果在输出层没有得到期望的输出值，则沿原通路将误差返回，并根据误差函数，采用梯度下降法修正各层神经元的权值和阈值，从而使误差最小，最终达到期望效果，所述误差函数定义为：

$D=\frac{1}{2}\underset{j}{\Σ}{\mathrm{\Σ}}_m(\widehat{Y_m}-Y_m)$

$Y_m=\underset{j}{\Σ}\frac{w_{mj}}{1+\exp (-{\mathrm{\Σ}}_i{w}_{ij}{x}_i+T_i)}+T_m$

式中，w_ij为前一输出层至隐含层的连接权值，x_i为前一输出层的输出值，T_i为隐含层的阈值，w_mj为隐含层至后一输出层的连接权值，T_m为后一输出层的阈值；

(2)通过自适应加权融合算法对多个传感器的监测数据进行融合，具体为：根据各传感器的监测值，以自适应的方式寻找各个传感器对应的最优加权因子，在满足总均方误差最小的情况下，使得融合后的结果达到最优。

本优选实施例的预处理节点根据监测数据的类型进行数据校准及融合预处理，解决了一般传感器测量的非线性误差，使监测的数据更加准确和可靠。

在此应用场景中，设定T_L的值为0.6，传感器节点定位的精度提高了9.5％，监测精度提高了10.5％。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.一种远程监测移动医疗设备数据异常的方法，其特征是，所述方法包括如下步骤：

建立用于监测移动医疗设备的监测网络；

接收用户当前移动医疗设备的测量数据；

根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值；

判断当前移动医疗设备测量数据的残差与标准差的比值是否超出格拉布斯表临界值；

在判断所述当前的移动医疗设备测测量数据超出格拉布斯表临界值时，则基于所述当前移动医疗设备测量数据生成警报信息。

2.根据权利要求1所述的一种远程监测移动医疗设备数据异常的方法，其特征是，所述移动医疗设备测量数据包括耳温枪测量数据、血压计测量数据、血糖仪测量数据、健康秤测量数据、脂肪仪测量数据中的一种或者几种。

3.根据权利要求2所述的一种远程监测移动医疗设备数据异常的方法，其特征是，所述根据历史移动医疗设备测量数据和格拉布斯准则计算出当前移动医疗设备测量数据的残差与标准差的比值之前包括：

识别移动医疗设备测量数据的类型；

基于移动医疗设备测量数据的类型调用用户相应的历史移动医疗设备测量数据。