CN115002657A - 一种基于多维信息采集与智能处理的药品监控方法及系统 - Google Patents
一种基于多维信息采集与智能处理的药品监控方法及系统 Download PDFInfo
- Publication number
- CN115002657A CN115002657A CN202210562774.8A CN202210562774A CN115002657A CN 115002657 A CN115002657 A CN 115002657A CN 202210562774 A CN202210562774 A CN 202210562774A CN 115002657 A CN115002657 A CN 115002657A
- Authority
- CN
- China
- Prior art keywords
- distributor
- coordinate
- dimensional
- positioning
- wifi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003814 drug Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 229940079593 drug Drugs 0.000 title claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 61
- 238000001914 filtration Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000009513 drug distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于多维信息采集与智能处理的药品监控方法及系统，方法包括：S1设定终端服务器、多个蓝牙定位信标、多个wifi定位信标，并为每个药品配送员适配移动终端；S2移动终端采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号；S3终端服务器分别通过蓝牙信号、wifi信号求解得到配送人员的初始坐标A、初始坐标B；S4基于初始坐标A、初始坐标B计算得到位置坐标C，判断位置坐标C周围阈值范围内是否存在定位信标，若是则反馈位置坐标C为当前位置，若否则执行步骤S5；S5终端服务器根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D，并反馈位置坐标D为当前位置。本发明实现了药品配送的实时定位监控。
Description
技术领域
本发明属于药品配送技术领域，具体涉及一种基于多维信息采集与智能处理的药品监控方法及系统。
背景技术
当前医疗机构的药品管理，一般分为“药库-药房-科室”三级结构，大多通过医疗机构信息系统(HIS系统)进行调拨，由于HIS系统更专注于患者的诊疗环节，对于药品物流环节的管理通常仅做到账目记录，应急处置能力较弱，特别是对于药品运送轨迹的监控问题，即：药品在特定时刻的具体配送位置、药品配送经历了哪些环节、何时才能送到目标科室等问题，系统并不能给出明确答复，从而造成用药人员着急等药的状态，甚至可能进一步引发药房和科室、科室和患者之间的送药纠纷。
现有技术中，关于药品配送在医疗机构内的监控技术主要包括基于蓝牙技术和wifi技术的解决方案，但上述技术方案在实施前需要对指纹坐标进行密集采集，且配送药品偏离指纹坐标覆盖区域之后，系统并不能监控到药品配送的具体位置，基于此，有必要对现有技术进行改进。
发明内容
针对现有技术中存在的上述问题，本发明提供一种基于多维信息采集与智能处理的药品监控方法及系统，能用于医疗机构内药品配送的实时定位监控。
本发明采用以下技术方案：
一种基于多维信息采集与智能处理的药品监控方法，包括步骤：
S1、在医疗机构内设定终端服务器、多个蓝牙定位信标、多个wifi定位信标，并为药品配送员适配唯一标识的移动终端；
S2、移动终端采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号，且终端服务器与多个移动终端形成自组织网络；
S3、终端服务器分别通过多源的蓝牙信号强度值、wifi信号强度值求解得到配送员的初始坐标A、初始坐标B；
S4、终端服务器通过初始坐标A、初始坐标B计算得到位置坐标C，并判断位置坐标C周围阈值范围内是否存在定位信标，若存在则反馈位置坐标C为配送员的当前位置坐标，若不存在则执行步骤S5；
S5、终端服务器根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D，并反馈位置坐标D为配送员的当前位置坐标。
作为优选方案，步骤S3中，具体为通过多源的蓝牙信号强度值、蓝牙信号半监督极限机器学习模型求解得到初始坐标A，通过多源的wifi信号强度值、 wifi信号半监督极限机器学习模型求解得到初始坐标B。
作为优选方案，蓝牙信号半监督极限机器学习模型的构建过程为：
A、通过近似均匀划分，在医疗机构内设置若干网格区域，每个网格区域的平面中心点标记为定位指纹点；
B、动态采集移动终端在每个定位指纹点接收到的所有蓝牙定位信标的蓝牙信号强度值、接收时间戳、以及定位指纹点的真实三维坐标；
C、对每个定位指纹点接收到的蓝牙信号强度值进行降维处理，以得到蓝牙低维信号强度值特征数据，并形成每个蓝牙低维信号强度值特征数据与定位指纹点真实三维坐标的映射关系；
D、通过随机配送，移动终端采集大量无定位标记的蓝牙信号强度值，通过采集接收时间戳对蓝牙信号强度值进行数据分类后，相同时间戳数据通过降维处理，并与步骤C中的带有位置标签的蓝牙低维信号强度值特征数据合并，形成第一动态指纹库；
E、随机初始化模型参数，使用第一动态指纹库数据对半监督极限学习机模型的目标函数进行求解，以部分已标记坐标位置的蓝牙低维信号强度值特征数据作为验证数据，通过阈值设定，求解模型的最优参数，获得蓝牙信号半监督极限机器学习模型。
作为优选方案，wifi信号半监督极限机器学习模型的构建过程为：
a、通过近似均匀划分，在医疗机构内设置若干网格区域，每个网格区域的平面中心点标记为定位指纹点；
b、动态采集移动终端在每个定位指纹点接收到的所有wifi定位信标的wifi 信号强度值、接收时间戳、以及定位指纹点的真实三维坐标；
c、对每个定位指纹点接收到的wifi信号强度值进行降维处理，以得到wifi 低维信号强度值特征数据，并形成每个wifi低维信号强度值特征数据与定位指纹点真实三维坐标的映射关系；
d、通过随机配送，移动终端采集大量无定位标记的wifi信号强度值，通过采集接收时间戳对wifi信号强度值进行数据分类后，相同时间戳数据通过降维处理，并与步骤c中的带有位置标签的wifi低维信号强度值特征数据合并，形成第二动态指纹库；
e、随机初始化模型参数，使用第二动态指纹库数据对半监督极限学习机模型的目标函数进行求解，以部分已标记坐标位置的wifi低维信号强度值特征数据作为验证数据，通过阈值设定，求解模型的最优参数，获得wifi信号半监督极限机器学习模型。
作为优选方案，降维处理具体为对信号强度值进行滤波处理并结合主成分分析方法去除混杂信号。
作为优选方案，滤波处理方式为高斯滤波或均值平滑滤波。
作为优选方案，步骤S4中为基于初始坐标A、初始坐标B以及初始坐标A 与初始坐标B之间的位置间距，计算得到位置坐标C。
作为优选方案，步骤S4中包括以下步骤：
S4.1、计算配送员在k步时的初始坐标A、初始坐标B的位置间距，以获得距离参数L；
S4.2、判断距离参数L与预设距离阈值S的大小，若L≤S，则采用第一计算公式计算配送员在第k步时的三维坐标，即位置坐标C，若L＞S，则采用第二计算公式计算配送员在第k步时的三维坐标。
作为优选方案，S＝2m。
作为优选方案，第一计算公式为：
第二计算公式为：
其中，Axk,yk,zk、Bxk,yk,zk分别表示配送员在k步时的初始坐标A、初始坐标 B，f(xk,yk,zk)表示配送员在第k步时的三维坐标，n代表蓝牙定位信标和wifi 定位信标的发射频率差异倍数。
作为优选方案，步骤S5中包括以下步骤：
S5.1、确定药品起送位置；
S5.2、移动终端实时采集配送员起落脚的总加速度α、第一航向角∈、第二航向角θ；
S5.3、通过对动态步长估计算法的矫正，求解配送员在k步时的步长；
S5.4、通过实时采集的第一航向角∈、第二航向角θ，求解配送员在k步时的航向角：
S5.5、根据配送员在k步时的步长、航向角以及配送员在k-1步时的三维坐标求解配送员在第k步时的三维坐标，即位置坐标D。
作为优选方案，动态步长估计算法的矫正，求解函数如下：
其中，Lk表示配送员在k步时的步长，
表示配送员性别系数，h表示配送员身高系数，αmax表示配送员在k步时加速度的最大值，αmin表示配送员在k步时加速度的最小值。
作为优选方案，配送员在k步时的航向角，求解函数如下：
其中，γk表示配送员在k步时的航向角，∈k表示配送员在k步时的第一航向角，θk表示配送员在k步时的第二航向角，β∈代表第一航向角权重系数，βθ代表第二航向角权重系数。
作为优选方案，配送员在第k步时的三维坐标，即位置坐标D，求解函数如下：
其中，f(xk,yk,zk)表示配送员在k步时的三维坐标，(xk-1,yk-1,zk-1)表示配送员在k-1步时的三维坐标，Lk表示配送员在k步时的步长，γk表示配送员在k步时的航向角。
作为优选方案，在获取配送员的当前位置坐标之后还包括以下步骤：
通过药品起送位置三维坐标的设定，根据配送员在k-1步时的三维坐标，通过迭代对配送员在k步时的三维坐标进行卡尔曼滤波函数最优求解，获得卡尔曼滤波的坐标新解；
通过步骤S4或步骤S5获得的配送员在k步时的三维坐标，即配送员当前的位置坐标，并插入卡尔曼滤波的坐标新解，计算得到配送员的最优位置估计；
反馈最优位置估计的三维坐标，为配送员在k步时的当前位置精确坐标。
作为优选方案，配送员的最优位置估计，计算函数如下：
f″(xk,yk,zk)＝f′(xk,yk,zk)+ωk×[f(xk,yk,zk)-f′(xk,yk,zk)]，
其中，f″(xk,yk,zk)代表配送员在k步时的最优位置估计，f′(xk,yk,zk)代表卡尔曼滤波的坐标新解，f(xk,yk,zk)代表配送员在k步时的三维坐标，ωk是配送员在k步时的卡尔曼滤波系数。
作为优选方案，在获取配送员当前位置坐标之后还包括以下步骤：
F、初始化温度T、模拟退火算法的最大迭代次数MAX以及目标函数的随机初始解，以步骤S4或步骤S5获得的配送员当前位置坐标作为当前目标函数值；
G、对当前目标函数值执行随机扰动，得到新解，并计算新解的目标函数值，进而计算新解与当前目标函数解的目标函数值增量Δf；
H、若Δf<0，则接受新解作为当前目标函数解，否则以概率
接受新解作为当前目标函数解；
I、判断此时是否达到最大迭代次数MAX，若达到最大迭代次数MAX，则将当前目标函数解对应的三维坐标作为配送员当前位置精确坐标；否则降低温度至原先的3/4，并返回步骤G。
作为优选方案，目标函数增量Δf＝新解的目标函数值-当前解的目标函数值。
作为优选方案，步骤S4中，若位置坐标C第一阈值范围内存在蓝牙定位信标或第二阈值范围内存在wifi定位信标则反馈位置坐标C为配送员当前位置坐标，若两者均不存在则执行步骤S5。
相应地，还提供了一种医疗机构院内药品配送的实时定位系统，包括终端服务器、多个蓝牙定位信标、多个wifi定位信标、多个移动终端、配送轨迹地图模块，终端服务器包括相连的计算单元、判断单元；
终端服务器、多个蓝牙定位信标、多个wifi定位信标均设定于医疗机构内，多个移动终端分别配备于各药品配送员，终端服务器与多个移动终端可形成自组织网络，且终端服务器与配送轨迹地图模块连接；
移动终端，用于采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号；
计算单元，用于分别通过多源的蓝牙信号强度值、wifi信号强度值求解得到配送员的初始坐标A、初始坐标B，并基于初始坐标A、初始坐标B计算得到位置坐标C；
计算单元，还用于根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D；
判断单元，用于判断位置坐标C周围阈值范围内是否存在定位信标，若存在则反馈位置坐标C为配送员当前位置坐标，若不存在则反馈位置坐标D为配送员当前位置坐标；
配送轨迹地图模块，用于根据配送员当前位置坐标在地图内进行实时显示药品配送位置。
本发明的有益效果是：通过在医疗机构内设定终端服务器和若干个定位信标，并记录每个信标的物理坐标，结合药品配送端的移动终端，建立支持院内药品配送动态监控的硬件环境；开启终端服务器和全部定位信标，选取终端服务器作为中心节点，移动终端作为链接节点，形成自组织网络，实现终端服务器与移动终端的信号通信；采用数据特征降维映射的方式，建立针对蓝牙信号和wifi信号的半监督极限机器学习模型，并结合行人航位推算的改进算法，通过对信号数据的求解获得配送员的当前位置坐标；最后适配不同医疗机构多维信息采集的数据质量，用户选择通过改进的卡尔曼滤波算法或模拟退火算法中的一种智能算法对配送员的当前位置坐标进行优化，计算得到更精确的药品配送实时位置。本发明能实现院内药品配送的实时监控，便于药房了解药品配送状态，并及时与药品接收端沟通，从而保证药品及时供应。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述一种基于多维信息采集与智能处理的药品监控方法的流程图；
图2是本发明所述的蓝牙信号半监督极限机器学习模型的构建过程示意图；
图3是本发明所述的改进的卡尔曼滤波方法在进行药品配送时每一步的优化步骤；
图4是本发明所述一种基于多维信息采集与智能处理的药品监控系统的结构示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
实施例一：
参照图1，本实施例提供了一种基于多维信息采集与智能处理的药品监控方法，包括步骤：
S1、在医疗机构内设定终端服务器、多个蓝牙定位信标、多个wifi定位信标，记录每个定位信标的物理坐标和设备编号，并分别为每个药品配送员适配唯一标识的移动终端，所述移动终端设有wifi接收器，蓝牙接收器，电子罗盘，陀螺仪，移动终端可以是智能手机、移动pad等。
需要说明的是，步骤S1中也可将配送员替换为物理配送装置，例如配送小车或配送机器人等等。
S2、移动终端采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号，且终端服务器与多个移动终端形成自组织网络，用于信息通信；这里需要说明的是，移动终端也可以通过4G、5G、互联网的形式与终端服务器通信，配送员每位移一步，移动终端完成一次信标信号采集，并完成与终端服务器的数据通信。
S3、终端服务器分别通过多源的蓝牙信号强度值、wifi信号强度值求解得到配送员的初始坐标A、初始坐标B；
S4、终端服务器通过初始坐标A、初始坐标B以及初始坐标A与初始坐标 B之间的位置间距，计算得到位置坐标C，并判断位置坐标C周围阈值范围内是否存在定位信标，若存在则反馈位置坐标C为配送员的当前位置坐标，若不存在则执行步骤S5；
S5、终端服务器根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D，并反馈位置坐标D为配送员的当前位置坐标。
具体地：
步骤S2中终端服务器与多个移动终端形成自组织网络，包括以下步骤：
S2.1、开启终端服务器和所有移动终端，将终端服务器作为中心节点，移动终端作为转接节点；
S2.2、中心节点通过局域网组网协议，访问周围转接节点，并与可访问到的转接节点建立通信链路，以形成二叉树结构的自组织网络；
S2.3、最新加入自组织网络的各转接节点分别访问其周围未建链的转接节点，并分别与可访问到的转接节点建立通信链路；
S2.4、重复步骤S2.3，直至所有移动终端均加入至二叉树结构的局域网自组织网络，形成最终的局域网自组织网络。
步骤S2中：所述定位信标发射的信号数据，包括蓝牙信号数据和wifi信号数据，具体为：蓝牙信号或wifi信号的信号类型、蓝牙信号强度指示值、wifi 信号强度指示值、信号接收时间戳和定位信标编号；
步骤S3中，具体为通过多源的蓝牙信号强度值、蓝牙信号半监督极限机器学习模型求解得到初始坐标A，基于多源的wifi信号强度值、wifi信号半监督极限机器学习模型求解得到初始坐标B。
其中，蓝牙信号半监督极限机器学习模型的构建过程为：
A、通过近似均匀划分，在医疗机构内设置若干网格区域，每个网格区域的平面中心点标记为定位指纹点；
B、动态采集移动终端在每个定位指纹点接收到的所有蓝牙定位信标的蓝牙信号强度值、接收时间戳、以及定位指纹点的真实三维坐标；
综合考虑医疗机构人流因素及现场信号遮挡情况，重复测量多次，由此形成表征实际环境的多维特征数据，即：移动终端在每一个指纹点均获得来自多个蓝牙定位信标的多个重复测试数据。
其中，动态采集是指配送员配置移动终端后按照配送路径，逐一经过指纹点时刻，采集的数据。
C、对每个定位指纹点接收到的蓝牙信号强度值进行降维处理，以得到蓝牙低维信号强度值特征数据，并形成每个蓝牙低维信号强度值特征数据与定位指纹点真实三维坐标的映射关系；
D、通过随机配送(随机配送是指不限制配送员逐一经过指纹点，也不限制配送员在医疗机构内的具体位置)，移动终端采集大量无定位标记的蓝牙信号强度值，通过采集接收时间戳对蓝牙信号强度值进行数据分类后，相同时间戳数据通过降维处理，并与步骤C中的带有位置标签的蓝牙低维信号强度值特征数据合并，形成第一动态指纹库；具体数学表示为：
有位置标签数据的数据集为：
无位置标签数据的数据集为：
其中，Xn表示有位置标签数据的数据集中降维后的蓝牙低维信号强度值特征数据，Xm表示无位置标签数据的数据集中降维后的蓝牙低维信号强度值特征数据，Yn表示有位置标签数据的数据集中样本的位置坐标，n表示有位置标签数据的样本数量，Ym表示无位置标签数据的数据集中样本的位置坐标，m表示无位置标签数据的样本数量，Ym的取值为空；
E、随机初始化模型参数，使用第一动态指纹库数据对半监督极限学习机模型的目标函数进行求解，以部分已标记坐标位置的蓝牙低维信号强度值特征数据作为验证数据，通过阈值设定，求解模型的最优参数，获得蓝牙信号半监督极限机器学习模型，具体步骤可参见图2。
其中，部分已标记坐标位置的蓝牙低维信号强度值特征数据作为验证数据可以设置为总数据的30％。
其中，阈值设定的准确率判断可以设定为95％。
wifi信号半监督极限机器学习模型的构建过程与蓝牙信号半监督极限机器学习模型的构建过程类似，具体为：
a、通过近似均匀划分，在医疗机构内设置若干网格区域，每个网格区域的平面中心点标记为定位指纹点；
b、动态采集移动终端在每个定位指纹点接收到的所有wifi定位信标的wifi 信号强度值、接收时间戳、以及定位指纹点的真实三维坐标；
c、对每个定位指纹点接收到的wifi信号强度值进行降维处理，以得到wifi 低维信号强度值特征数据，并形成每个wifi低维信号强度值特征数据与定位指纹点真实三维坐标的映射关系；
d、通过随机配送，移动终端采集大量无定位标记的wifi信号强度值，通过采集接收时间戳对wifi信号强度值进行数据分类后，相同时间戳数据通过降维处理，并与步骤c中的带有位置标签的wifi低维信号强度值特征数据合并，形成第二动态指纹库；
e、随机初始化模型参数，使用第二动态指纹库数据对半监督极限学习机模型的目标函数进行求解，以部分已标记坐标位置的wifi低维信号强度值特征数据作为验证数据，通过阈值设定，求解模型的最优参数，获得wifi信号半监督极限机器学习模型。
上述降维处理具体为：对信号强度值进行滤波处理并结合主成分分析方法去除混杂信号，其中滤波处理方式可以进一步根据数据特征，适应性的选择高斯滤波和均值平滑滤波。
在构建得到wifi信号半监督极限机器学习模型与蓝牙信号半监督极限机器学习模型的基础上，终端服务器对移动终端采集的信号数据进行降维处理，形成低维特征数据；其中通过数据类型的判断，蓝牙低维特征数据自动传入蓝牙信号半监督极限机器学习模型，求解获得配送人员的初始坐标A；wifi低维特征数据自动传入wifi信号半监督极限机器学习模型，求解获得配送人员的初始坐标B。
进一步，步骤S4中包括以下步骤：
S4.1、计算配送员在k步时的初始坐标A、初始坐标B的位置间距，以获得距离参数L；
S4.2、判断距离参数L与预设距离阈值S的大小，若L≤S，则配送员在第 k步时的三维坐标，即位置坐标C，计算公式为：
若L＞S，则计算公式为：
其中，Axk,yk,zk、Bxk,yk,zk分别表示配送员在k步时的初始坐标A、初始坐标 B，f(xk,yk,zk)表示配送员在第k步时的三维坐标，n代表蓝牙定位信标和wifi 定位信标的发射频率差异倍数。
进一步，若位置坐标C第一阈值范围内存在蓝牙定位信标或第二阈值范围内存在wifi定位信标则反馈位置坐标C为配送员当前位置坐标，若两者均不存在则执行步骤S5。
其中，考虑院内药品配送的定位精度要求，以及基于蓝牙定位信标和wifi 定位信标的设备性能属性，可以定义蓝牙定位信标的第一阈值范围距离范围为2 米，wifi定位信标的第二阈值范围距离范围为5米。
步骤S5中包括以下步骤：
S5.1、配送员扫码确定药品起送时间t1的起送位置(x1，y1，z1)，其中，配送员的起送位置坐标可以作为零点坐标；进一步的，定位过程中可以将配送的三维世界坐标，按照起送坐标进行转化，获得相对于零点坐标的区域内相对坐标，以更符合区域定位要求；
S5.2、移动终端实时采集配送员起落脚的总加速度、第一航向角、第二航向角，通过滑动均值滤波算法分别对上述参数进行滤波处理，获得总加速度α、第一航向角∈、第二航向角θ；
S5.3、通过动态步长估计算法的矫正，求解配送员在k步时的步长，求解函数如下：
其中，Lk表示配送员在k步时的步长，
表示配送员性别系数，h表示配送员身高系数，αmax表示配送员在k步时加速度的最大值，αmin表示配送员在k步时加速度的最小值，配送员的性别系数和身高系数通过预设方式设置，并与移动终端的设备编号关联；所述的移动终端和配送员一一对应，从而通过预设方式获得每个移动终端对应的配送员身高、性别信息。
S5.4、通过实时采集的第一航向角∈、第二航向角θ，求解配送员在k步时的航向角，求解函数如下：
其中，γk表示配送员在k步时的航向角，∈k表示配送员在k步时的第一航向角、θk表示配送员在k步时的第二航向角，β∈代表第一航向角权重系数，βθ代表第二航向角权重系数；
其中，第一航向角∈通过移动终端的陀螺仪获取，陀螺仪获取航向角，需要通过角速度积分测算，而角速度积分存在累积误差，因此，权重系数β∈在优选方案中赋予较小值，可以设定为1；
第二航向角θ通过移动终端的电子罗盘获取，电子罗盘的性能特征易受外界磁场源的干扰，但对于运动物体的长期定位较为稳定，针对院内药品配送的场景特异性，权重系数βθ在优选方案中赋予较大值，可以设定为3。
S5.5、求解配送员在第k步时的三维坐标，即位置坐标D，求解函数如下：
其中，f(xk,yk,zk)表示配送员在k步时的三维坐标，(xk-1,yk-1,zk-1)表示配送员在k-1步时的三维坐标。
其中，k值通过配送员配送时长和加速度峰值出现次数计算，具体为：配送员在行走过程中，脚先抬高、再放下，重复进行，因此每位移一步必定会出现一个加速度峰值，本申请通过加速度峰值判断配送员在特定时刻t位移了几步，具体为通过特定时刻t与初始时刻t0比较，获得时长数据，进而通过该时长内加速度峰值出现的次数，判断配送员在特定时刻t位移了几步。
在获取配送员当前位置坐标之后，基于药品配送的移动方向是恒定的，即均为从药库出发到药房，或者从药房出发到病房；且相对于同一个配送员来说进行药品配送时的速度也是基本恒定，因此，本申请还提出了一种对药品配送位置的更一步精确化方法，具体优化算法可以根据现场数据特征进行选择，本实施例中通过卡尔曼滤波算法或者模拟退火算法进行优化。
参考图3，其中，利用卡尔曼滤波算法时，还包括以下步骤：
通过药品起送位置三维坐标的设定，根据配送员在k-1步时的三维坐标，通过迭代对配送员在k步时的三维坐标进行卡尔曼滤波函数最优求解，获得卡尔曼滤波的坐标新解，k的取值范围为2～n；
通过步骤S4或步骤S5获得的配送员在k步时的三维坐标f(xk,yk,zk)，即配送员的当前位置坐标，并插入卡尔曼滤波的坐标新解，计算得到配送员的最优位置估计，计算函数如下：
f″(xk,yk,zk)＝f′(xk,yk,zk)+ωk×[f(xk,yk,zk)-f′(xk,yk,zk)]，
其中，f″(xk,yk,zk)代表配送员在k步时的最优位置估计，f′(xk,yk,zk)代表卡尔曼滤波的坐标新解，ωk是配送员在k步时的卡尔曼滤波系数；
其中，Q和R是常量，分别代表过程误差和测量误差，可以默认设为1，Pk-1是配送员累积到k-1步时，通过卡尔曼测算获得在各个步数时刻的协方差。
卡尔曼滤波算法是一种递推的线性最小方差估计方法，它通过建立状态方程和量测方程来描述系统的动态变化过程。由前一时刻的估计值和新获得的观测数据，依据滤波增益矩阵的变化，递推计算出新的估计值，最后得到系统状态的最优估计。
其中，传统的卡尔曼滤波函数是一个对初始值的迭代完成最优求解的过程，优化过程对初始值敏感，初始误差随着迭代次数的放大，而逐渐放大；因此本发明在终端服务器接收位置坐标C为当前配送员的位置坐标时，强行切换位置坐标C为卡曼滤波函数的初始坐标，实现对初始坐标的不断迭代，从而避免累积误差的干扰，具体可参见图3。
最后，反馈最优位置估计的三维坐标，为配送员在k步时的当前位置精确坐标。
其中，利用模拟退火算法时，还包括以下步骤：
F、初始化温度T、模拟退火算法的最大迭代次数MAX以及目标函数的随机初始解，以步骤S4或步骤S5获得的配送员当前位置坐标作为当前目标函数值；
G、对当前目标函数值执行随机扰动，得到新解，并计算新解的目标函数值，进而计算新解与当前目标函数解的目标函数值增量Δf；
H、若Δf<0，则接受新解作为当前目标函数解，否则以概率
接受新解作为当前目标函数解；
I、判断此时是否达到最大迭代次数MAX，若达到最大迭代次数MAX，则将当前目标函数解对应的三维坐标作为配送员当前位置精确坐标；否则降低温度至原先的3/4，并返回步骤G。
其中，目标函数增量Δf＝新解的目标函数值-当前解的目标函数值。
可知，本发明通过在医疗机构内设定终端服务器和若干个定位信标，并记录每个信标的物理坐标，结合药品配送端的移动终端，建立支持院内药品配送动态监控的硬件环境；开启终端服务器和全部定位信标，选取终端服务器作为中心节点，移动终端作为链接节点，形成自组织网络，实现终端服务器与移动终端的信号通信；采用数据特征降维映射的方式，建立针对蓝牙信号和wifi信号的半监督极限机器学习模型，并结合行人航位推算的改进算法，通过对信号数据的求解获得配送员的当前位置坐标；最后适配不同医疗机构多维信息采集的数据质量，用户特征性选择通过改进的卡尔曼滤波算法或模拟退火算法中的一种智能算法对配送员的当前位置坐标进行优化，计算得到更精确的药品配送的实时位置。本发明能实现院内药品配送的实时监控，便于药房了解药品配送状态，并及时与药品接收端沟通，从而保证药品及时供应。
实施例二：
参照图4(需要说明的是，图4中仅示出一个移动终端，并未体现所有移动终端)，本实施例，提供一种基于多维信息采集与智能处理的药品监控系统，包括终端服务器、多个蓝牙定位信标、多个wifi定位信标、多个移动终端、配送轨迹地图模块，终端服务器包括相连的计算单元、判断单元；
终端服务器、多个蓝牙定位信标、多个wifi定位信标均设定于医疗机构内，多个移动终端分别配备于各药品配送员，终端服务器与多个移动终端可形成自组织网络，且终端服务器与配送轨迹地图模块连接；
移动终端，用于采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号；
计算单元，用于分别通过多源的蓝牙信号强度值、wifi信号强度值求解得到配送员的初始坐标A、初始坐标B，并基于初始坐标A、初始坐标B计算得到位置坐标C；
计算单元，还用于根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D；
判断单元，用于判断位置坐标C周围阈值范围内是否存在定位信标，若存在则反馈位置坐标C为配送员当前位置坐标，若不存在则反馈位置坐标D为配送员当前位置坐标；
配送轨迹地图模块，用于根据配送员当前位置坐标在地图内进行实时显示药品配送位置。
需要说明的是，本实施例提供的一种基于多维信息采集与智能处理的药品监控系统，与实施例一类似，在此不多做赘述。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。
Claims (20)
1.一种基于多维信息采集与智能处理的药品监控方法，其特征在于，包括步骤：
S1、在医疗机构内设定终端服务器、多个蓝牙定位信标、多个wifi定位信标，并为药品配送员适配唯一标识的移动终端；
S2、移动终端采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号，且终端服务器与多个移动终端形成自组织网络；
S3、终端服务器分别通过多源的蓝牙信号强度值、wifi信号强度值求解得到配送员的初始坐标A、初始坐标B；
S4、终端服务器通过初始坐标A、初始坐标B计算得到位置坐标C，并判断位置坐标C周围阈值范围内是否存在定位信标，若存在则反馈位置坐标C为配送员的当前位置坐标，若不存在则执行步骤S5；
S5、终端服务器根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D，并反馈位置坐标D为配送员的当前位置坐标。
2.根据权利要求1所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，步骤S3中，具体为通过多源的蓝牙信号强度值、蓝牙信号半监督极限机器学习模型求解得到初始坐标A，通过多源的wifi信号强度值、wifi信号半监督极限机器学习模型求解得到初始坐标B。
3.根据权利要求2所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，蓝牙信号半监督极限机器学习模型的构建过程为：
A、通过近似均匀划分，在医疗机构内设置若干网格区域，每个网格区域的平面中心点标记为定位指纹点；
B、动态采集移动终端在每个定位指纹点接收到的所有蓝牙定位信标的蓝牙信号强度值、接收时间戳、以及定位指纹点的真实三维坐标；
C、对每个定位指纹点接收到的蓝牙信号强度值进行降维处理，以得到蓝牙低维信号强度值特征数据，并形成每个蓝牙低维信号强度值特征数据与定位指纹点真实三维坐标的映射关系；
D、通过随机配送，移动终端采集大量无定位标记的蓝牙信号强度值，通过采集接收时间戳对蓝牙信号强度值进行数据分类后，相同时间戳数据通过降维处理，并与步骤C中的带有位置标签的蓝牙低维信号强度值特征数据合并，形成第一动态指纹库；
E、随机初始化模型参数，使用第一动态指纹库数据对半监督极限学习机模型的目标函数进行求解，以部分已标记坐标位置的蓝牙低维信号强度值特征数据作为验证数据，通过阈值设定，求解模型的最优参数，获得蓝牙信号半监督极限机器学习模型。
4.根据权利要求2所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，wifi信号半监督极限机器学习模型的构建过程为：
a、通过近似均匀划分，在医疗机构内设置若干网格区域，每个网格区域的平面中心点标记为定位指纹点；
b、动态采集移动终端在每个定位指纹点接收到的所有wifi定位信标的wifi信号强度值、接收时间戳、以及定位指纹点的真实三维坐标；
c、对每个定位指纹点接收到的wifi信号强度值进行降维处理，以得到wifi低维信号强度值特征数据，并形成每个wifi低维信号强度值特征数据与定位指纹点真实三维坐标的映射关系；
d、通过随机配送，移动终端采集大量无定位标记的wifi信号强度值，通过采集接收时间戳对wifi信号强度值进行数据分类后，相同时间戳数据通过降维处理，并与步骤c中的带有位置标签的wifi低维信号强度值特征数据合并，形成第二动态指纹库；
e、随机初始化模型参数，使用第二动态指纹库数据对半监督极限学习机模型的目标函数进行求解，以部分已标记坐标位置的wifi低维信号强度值特征数据作为验证数据，通过阈值设定，求解模型的最优参数，获得wifi信号半监督极限机器学习模型。
5.根据权利要求3或4所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，降维处理具体为对信号强度值进行滤波处理并结合主成分分析方法去除混杂信号。
6.根据权利要求5所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，滤波处理方式为高斯滤波或均值平滑滤波。
7.根据权利要求1所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，步骤S4中为基于初始坐标A、初始坐标B以及初始坐标A与初始坐标B之间的位置间距，计算得到位置坐标C。
8.根据权利要求7所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，步骤S4中包括以下步骤：
S4.1、计算配送员在k步时的初始坐标A、初始坐标B的位置间距，以获得距离参数L；
S4.2、判断距离参数L与预设距离阈值S的大小，若L≤S，则采用第一计算公式计算配送员在第k步时的三维坐标，即位置坐标C，若L＞S，则采用第二计算公式计算配送员在第k步时的三维坐标。
9.根据权利要求8所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，S＝2m。
10.根据权利要求8所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，第一计算公式为：
第二计算公式为：
其中，Axk,yk,zk、Bxk,yk,zk分别表示配送员在k步时的初始坐标A、初始坐标B，f(xk,yk,zk)表示配送员在第k步时的三维坐标，n代表蓝牙定位信标和wifi定位信标的发射频率差异倍数。
11.根据权利要求1所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，步骤S5中包括以下步骤：
S5.1、确定药品起送位置；
S5.2、移动终端实时采集配送员起落脚的总加速度α、第一航向角∈、第二航向角θ；
S5.3、通过对动态步长估计算法的矫正，求解配送员在k步时的步长；
S5.4、通过实时采集的第一航向角∈、第二航向角θ，求解配送员在k步时的航向角：
S5.5、根据配送员在k步时的步长、航向角以及配送员在k-1步时的三维坐标求解配送员在第k步时的三维坐标，即位置坐标D。
12.根据权利要求11所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，动态步长估计算法的矫正，求解函数如下：
其中，Lk表示配送员在k步时的步长，
表示配送员性别系数，h表示配送员身高系数，αmax表示配送员在k步时加速度的最大值，αmin表示配送员在k步时加速度的最小值。
13.根据权利要求11所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，配送员在k步时的航向角，求解函数如下：
其中，γk表示配送员在k步时的航向角，∈k表示配送员在k步时的第一航向角，θk表示配送员在k步时的第二航向角，β∈代表第一航向角权重系数，βθ代表第二航向角权重系数。
14.根据权利要求11所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，配送员在第k步时的三维坐标，即位置坐标D，求解函数如下：
其中，f(xk,yk,zk)表示配送员在k步时的三维坐标，(xk-1,yk-1,zk-1)表示配送员在k-1步时的三维坐标，Lk表示配送员在k步时的步长，γk表示配送员在k步时的航向角。
15.根据权利要求1所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，在获取配送员的当前位置坐标之后还包括以下步骤：
通过药品起送位置三维坐标的设定，根据配送员在k-1步时的三维坐标，通过迭代对配送员在k步时的三维坐标进行卡尔曼滤波函数最优求解，获得卡尔曼滤波的坐标新解；
通过步骤S4或步骤S5获得的配送员在k步时的三维坐标，即配送员当前的位置坐标，并插入卡尔曼滤波的坐标新解，计算得到配送员的最优位置估计；
反馈最优位置估计的三维坐标，为配送员在k步时的当前位置精确坐标。
16.根据权利要求15所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，配送员的最优位置估计，计算函数如下：
f″(xk,yk,zk)＝f′(xk,yk,zk)+ωk×[f(xk,yk,zk)-f′(xk,yk,zk)]，
其中，f″(xk,yk,zk)代表配送员在k步时的最优位置估计，f′(xk,yk,zk)代表卡尔曼滤波的坐标新解，f(xk,yk,zk)代表配送员在k步时的三维坐标，ωk是配送员在k步时的卡尔曼滤波系数。
17.根据权利要求1所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，在获取配送员当前位置坐标之后还包括以下步骤：
F、初始化温度T、模拟退火算法的最大迭代次数MAX以及目标函数的随机初始解，以步骤S4或步骤S5获得的配送员当前位置坐标作为当前目标函数值；
G、对当前目标函数值执行随机扰动，得到新解，并计算新解的目标函数值，进而计算新解与当前目标函数解的目标函数值增量Δf；
H、若Δf<0，则接受新解作为当前目标函数解，否则以概率
接受新解作为当前目标函数解；
I、判断此时是否达到最大迭代次数MAX，若达到最大迭代次数MAX，则将当前目标函数解对应的三维坐标作为配送员当前位置精确坐标；否则降低温度至原先的3/4，并返回步骤G。
18.根据权利要求17所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，目标函数增量Δf＝新解的目标函数值-当前解的目标函数值。
19.根据权利要求1所述的一种基于多维信息采集与智能处理的药品监控方法，其特征在于，步骤S4中，若位置坐标C第一阈值范围内存在蓝牙定位信标或第二阈值范围内存在wifi定位信标则反馈位置坐标C为配送员当前位置坐标，若两者均不存在则执行步骤S5。
20.一种基于多维信息采集与智能处理的药品监控系统，其特征在于，包括终端服务器、多个蓝牙定位信标、多个wifi定位信标、多个移动终端、配送轨迹地图模块，终端服务器包括相连的计算单元、判断单元；
终端服务器、多个蓝牙定位信标、多个wifi定位信标均设定于医疗机构内，多个移动终端分别配备于各药品配送员，终端服务器与多个移动终端可形成自组织网络，且终端服务器与配送轨迹地图模块连接；
移动终端，用于采集配送员行走的航向角、移动加速度、各定位信标发射的蓝牙信号、wifi信号；
计算单元，用于分别通过多源的蓝牙信号强度值、wifi信号强度值求解得到配送员的初始坐标A、初始坐标B，并基于初始坐标A、初始坐标B计算得到位置坐标C；
计算单元，还用于根据配送员行走的航向角、移动加速度，求解得到配送员的位置坐标D；
判断单元，用于判断位置坐标C周围阈值范围内是否存在定位信标，若存在则反馈位置坐标C为配送员当前位置坐标，若不存在则反馈位置坐标D为配送员当前位置坐标；
配送轨迹地图模块，用于根据配送员当前位置坐标在地图内进行实时显示药品配送位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562774.8A CN115002657B (zh) | 2022-05-23 | 2022-05-23 | 一种基于多维信息采集与智能处理的药品监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210562774.8A CN115002657B (zh) | 2022-05-23 | 2022-05-23 | 一种基于多维信息采集与智能处理的药品监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115002657A true CN115002657A (zh) | 2022-09-02 |
| CN115002657B CN115002657B (zh) | 2024-05-21 |
Family
ID=83026309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210562774.8A Active CN115002657B (zh) | 2022-05-23 | 2022-05-23 | 一种基于多维信息采集与智能处理的药品监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115002657B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115394416A (zh) * | 2022-10-27 | 2022-11-25 | 山东方格医疗器械有限公司 | 一种发药车数据监测管理系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115209A (zh) * | 2018-07-20 | 2019-01-01 | 湖南格纳微信息科技有限公司 | 一种管廊内人员定位方法及装置 |
| WO2019233054A1 (zh) * | 2018-06-04 | 2019-12-12 | 华中师范大学 | 一种智慧教室内的指纹定位方法及系统 |
-
2022
- 2022-05-23 CN CN202210562774.8A patent/CN115002657B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019233054A1 (zh) * | 2018-06-04 | 2019-12-12 | 华中师范大学 | 一种智慧教室内的指纹定位方法及系统 |
| CN109115209A (zh) * | 2018-07-20 | 2019-01-01 | 湖南格纳微信息科技有限公司 | 一种管廊内人员定位方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 包涵: "基于WLAN位置指纹的室内定位技术研究", 《优秀硕士论文》, 15 March 2022 (2022-03-15) * |
| 朱军;王文举;陈敬良;方程;张安淇;: "基于蓝牙和计步器的融合定位算法", 包装工程, no. 05, 10 March 2018 (2018-03-10) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115394416A (zh) * | 2022-10-27 | 2022-11-25 | 山东方格医疗器械有限公司 | 一种发药车数据监测管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115002657B (zh) | 2024-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101233738B (zh) | 用于移动医疗设备的环境相关的服务发现的系统和方法 | |
| CN108597605B (zh) | 一种个人健康生活大数据采集与分析系统 | |
| WO2017121168A1 (zh) | 簇式磁场定位的方法、装置和系统 | |
| CN108668245A (zh) | 一种基于WiFi与地磁场数据库的室内定位方法 | |
| CN115002657B (zh) | 一种基于多维信息采集与智能处理的药品监控方法及系统 | |
| CN103345832A (zh) | 居民健康数据管理及共享平台系统 | |
| US11666217B2 (en) | System and method for biometric-based spatial categorization | |
| CN105120479A (zh) | 终端间Wi-Fi信号的信号强度差异修正方法 | |
| CN113907645A (zh) | 移动机器人的定位方法及装置、存储介质及电子装置 | |
| CN111506199B (zh) | 基于Kinect的高精度无标记全身运动追踪系统 | |
| Liu et al. | CTSLoc: An indoor localization method based on CNN by using time-series RSSI | |
| CN115914355A (zh) | 一种适用于室内室外联合定位连接物联网方法 | |
| CN111818146A (zh) | Soa云雾计算智慧农业数据处理方法及系统 | |
| CN116109268A (zh) | 一种基于物联网的智慧农业监管系统及方法 | |
| CN115469301A (zh) | 基于超宽带雷达的老年人活动能力评估方法及系统 | |
| CN109141420B (zh) | 一种基于众包数据的室内定位方法 | |
| CN105593860A (zh) | 患者健康状态复合评分分布和/或基于其的代表性复合评分 | |
| Sarangi et al. | Agricultural activity recognition with smart-shirt and crop protocol | |
| Cully et al. | Empirical performance of RSSI-based Monte Carlo localisation for active RFID patient tracking systems | |
| CN110495896B (zh) | 一种基于gprs通讯的可穿戴式膝关节监测装置及监测方法 | |
| CN116525117A (zh) | 一种面向数据分布漂移检测与自适应的临床风险预测系统 | |
| CN113222246B (zh) | 一种医疗机构取药队列优化方法及系统 | |
| CN207529404U (zh) | 一种基于rfid的种鸡个体行为追踪系统 | |
| CN109362036A (zh) | 一种基于图像与wifi相结合的多模态室内定位方法 | |
| CN112700347A (zh) | 农作物高度生长曲线的生成方法、装置和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |