CN117169927B - 基于数据分析的智能穿戴设备状态评估方法 - Google Patents

Abstract

本发明公开了基于数据分析的智能穿戴设备状态评估方法，具体涉及穿戴设备状态监测技术领域，通过对延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理得到定位保持能力评估系数，实现定位功能表现的定量化评估，根据定位保持能力评估系数与定位能力阈值的比较结果，帮助监护人及时了解智能穿戴设备的定位功能状况；通过采集佩戴信息，综合评估智能穿戴设备定位的有效性；通过生成的有效评估信号的等级能够提醒监护人智能穿戴设备的定位功能和定位有效性，有助于增强他们的安全意识，让他们更加关注和管理用户的安全状态。

Description

基于数据分析的智能穿戴设备状态评估方法

技术领域

本发明涉及穿戴设备状态监测技术领域，更具体地说，本发明涉及基于数据分析的智能穿戴设备状态评估方法。

背景技术

智能穿戴设备是一类集成了智能计算、传感器和通信技术的可穿戴设备，旨在辅助、监测或提升用户的健康、运动、娱乐和生活体验，其中，智能穿戴设备通常配备了定位功能，这是其一大特色。定位功能其中一个主要的功能是可以让监护人随时追踪用户的位置，从而增强用户的安全感和监护人对其安全的控制；用户可以包括但不限于儿童、老人以及智力有残缺的人等。

但是在智能穿戴设备进行定位时，没有对智能穿戴设备的定位功能运行状态进行监测，可能会导致智能穿戴设备提供不准确和实时性差的用户定位，特别是用户单独外出或去较为偏僻的地方，存在对用户追踪的安全风险；且没有考虑其他因素对智能穿戴设备提供的用户的位置的有效性进行评估，不能全面的根据智能穿戴设备提供的用户的位置了解用户的安全状况。

为了解决上述问题，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供基于数据分析的智能穿戴设备状态评估方法以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于数据分析的智能穿戴设备状态评估方法，包括如下步骤：

采集穿戴设备定位信息，根据穿戴设备定位信息计算延迟超越比，比较延迟超越比与延迟超越比阈值生成第一安全预警信号或继续分析信号，当生成继续分析信号，计算延迟稳定变异系数；

采集定位性能信息，根据定位性能信息计算定位失败率和紧密超出比；

当生成继续分析信号时，将延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理计算定位保持能力评估系数；通过定位保持能力评估系数与定位能力阈值的比较，生成第二安全预警信号或运行正常信号；

采集佩戴信息，通过佩戴信息计算取戴频次和未佩戴时间比，将取戴频次和未佩戴时间比加权求和计算定位有效评估值，通过定位有效评估值与定位有效评估阈值的比较，生成定位有效糟糕信号或定位有效良好信号；

通过结合生成的第二安全预警信号或运行正常信号，以及定位有效糟糕信号或定位有效良好信号，生成不同等级的有效评估信号。

在一个优选的实施方式中，延迟超越比的计算过程为：获取延迟监测时间区间，延迟监测时间区间内包括若干个在延迟监测时间区间均匀分布的延迟监测点，获取每个延迟监测点对应的定位延迟值；

延迟超越比为延迟监测时间区间内定位延迟值大于定位延迟值阈值的监测点的数量与延迟监测时间区间内的监测点的数量的比值；

比较延迟超越比与延迟超越比阈值：当延迟超越比大于延迟超越比阈值，生成第一安全预警信号；当延迟超越比小于等于延迟超越比阈值，生成继续分析信号。

在一个优选的实施方式中，当生成继续分析信号时，对延迟监测时间区间内包括的定位延迟值进行编号，计算延迟稳定变异系数，其表达式为：其中，n为延迟监测时间区间内包括的延迟监测点的数量，q为延迟监测时间区间内延迟监测点的编号，q＝1、2、3、4、......、n，n、q均为大于等于1的正整数；ywyx、dwy_q+1、dwy_q分别为延迟稳定变异系数、延迟监测时间区间内第q+1个延迟监测点对应的定位延迟值以及延迟监测时间区间内第q个延迟监测点对应的定位延迟值。

在一个优选的实施方式中，计算定位失败率的具体过程如下：

获取性能评估时间区间；在性能评估时间区间内存在多次定位更新，定位失败率是性能评估时间区间内定位更新失败的次数与性能评估时间区间内包括的定位更新的总次数的比值；

计算紧密超出比的具体过程如下：获取每个定位更新失败的时间戳，计算相邻的定位更新失败的时间戳的时间间隔，获取相邻的定位更新失败的时间戳的时间间隔的数量；

获取定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数，紧密超出比为定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数与定位更新失败的时间戳的时间间隔的数量的比值。

在一个优选的实施方式中，当生成继续分析信号，对延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理，通过将归一化处理后的延迟稳定变异系数、定位失败率以及紧密超出比分别乘上其对应的预设比例系数，计算定位保持能力评估系数；将定位保持能力评估系数与定位能力阈值进行比较：

当定位保持能力评估系数大于定位能力阈值，生成第二安全预警信号；当定位保持能力评估系数小于等于定位能力阈值，生成运行正常信号。

在一个优选的实施方式中，取戴频次的获取方法为：获取佩戴监测时间区间，获取在佩戴监测时间区间内用户对智能穿戴设备的取戴次数，取戴频次为在佩戴监测时间区间内用户对智能穿戴设备的取戴次数与佩戴监测时间区间对应的时间长度的比值；

未佩戴时间比的计算过程为：未佩戴时间比为用户在佩戴监测时间区间内未戴上智能穿戴设备的时间与佩戴监测时间区间对应的时间长度的比值。

在一个优选的实施方式中，计算定位有效评估值：将取戴频次和未佩戴时间比进行加权求和计算定位有效评估值，定位有效评估值的表达式为：其中，Dwpz、qdcs、pjqt、wpdt分别为定位有效评估值、在佩戴监测时间区间内用户对智能穿戴设备的取戴次数、佩戴监测时间区间对应的时间长度以及在佩戴监测时间区间内未戴上智能穿戴设备的时间；a、b分别为取戴频次和未佩戴时间比的权重，a、b均大于0；

将定位有效评估值与定位有效评估阈值进行比较：

当定位有效评估值大于定位有效评估阈值，生成定位有效糟糕信号；当定位有效评估值小于等于定位有效评估阈值，生成定位有效良好信号。

在一个优选的实施方式中，结合定位保持能力评估系数与定位能力阈值比较生成的信号以及定位有效评估值与定位有效评估阈值比较生成的信号，生成不同等级的有效评估信号：

当生成运行正常信号，且生成定位有效良好信号，生成一级有效评估信号；当生成第二安全预警信号，且生成定位有效良好信号，生成二级有效评估信号；当生成运行正常信号，且生成定位有效糟糕信号，生成三级有效评估信号；当生成第二安全预警信号，且生成定位有效糟糕信号，生成四级有效评估信号。

本发明基于数据分析的智能穿戴设备状态评估方法的技术效果和优点：

1、通过对延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理得到定位保持能力评估系数，实现定位功能表现的定量化评估，根据定位保持能力评估系数与定位能力阈值的比较结果，可以实时生成相应的第二安全预警信号，帮助监护人及时了解智能穿戴设备的定位功能状况，并采取相应的措施，从而提升智能穿戴设备的安全性。

2、通过采集佩戴信息，包括取戴频次和未佩戴时间比，综合评估智能穿戴设备定位的有效性，从而对用户的安全状态进行监测和保障，有助于提高监护人对用户的实时了解和响应能力。

3、通过生成的有效评估信号的等级能够提醒监护人智能穿戴设备的定位功能和定位有效性，有助于增强他们的安全意识，让他们更加关注和管理用户的安全状态。不同等级的有效评估信号根据情况提供不同的建议，使监护人能够在面对不同的定位问题和安全风险时采取适当的行动。

附图说明

图1为本发明基于数据分析的智能穿戴设备状态评估方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

图1给出了本发明基于数据分析的智能穿戴设备状态评估方法，其包括如下步骤：

采集穿戴设备定位信息，根据穿戴设备定位信息计算延迟超越比，比较延迟超越比与延迟超越比阈值生成第一安全预警信号或继续分析信号，当生成继续分析信号，计算延迟稳定变异系数。

采集定位性能信息，根据定位性能信息计算定位失败率和紧密超出比。

当生成继续分析信号时，将延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理计算定位保持能力评估系数；通过定位保持能力评估系数与定位能力阈值的比较，生成第二安全预警信号或运行正常信号。

采集佩戴信息，通过佩戴信息计算取戴频次和未佩戴时间比，将取戴频次和未佩戴时间比加权求和计算定位有效评估值，通过定位有效评估值与定位有效评估阈值的比较，生成定位有效糟糕信号或定位有效良好信号。

通过结合生成的第二安全预警信号或运行正常信号，以及定位有效糟糕信号或定位有效良好信号，生成不同等级的有效评估信号。

采集穿戴设备定位信息，穿戴设备定位信息通过延迟超越比和延迟稳定变异系数体现。

获取延迟监测时间区间，延迟监测时间区间内包括若干个在延迟监测时间区间均匀分布的延迟监测点，获取每个延迟监测点对应的定位延迟值。

定位延迟值为智能穿戴设备定位到实际位置到输出位置信息的时间间隔，即从智能穿戴设备成功获取定位数据(即GPS或其他定位技术得到的位置信息)，到这些定位数据被传输并输出给监护人的时间差。

如果智能穿戴设备接收到的GPS信号强度较弱，可能导致定位延迟值增加，恶劣的天气或有高楼、密集树林等遮挡物的环境会影响GPS信号的接收，从而增加定位延迟值；定位数据的处理速度取决于智能穿戴设备的处理器性能，较低的处理器性能也可能导致定位延迟值的增加。

定位延迟值越小，智能穿戴设备提供的定位数据就越接近实时位置；定位延迟值过大，监护人可能无法及时获得用户的实时位置信息，这可能导致监护人无法快速响应紧急情况，影响用户的安全，长时间的传输延迟可能导致定位信息陈旧，监护人无法准确了解用户当前的位置。

定位延迟值具体获取方法：在智能穿戴设备中记录定位数据获取的时间戳(T1)，在智能穿戴设备定位数据传输过程中，记录传输完成的时间戳(T2)。计算T2与T1之间的时间差，即定位延迟值。

设定定位延迟值阈值，计算延迟超越比，延迟超越比为延迟监测时间区间内定位延迟值大于定位延迟值阈值的监测点的数量与延迟监测时间区间内的监测点的数量的比值；延迟超越比越大，在延迟监测时间区间内的定位延迟值较大的情况越严重，定位数据输出到监护人的时间越慢，在延迟监测时间区间内无法及时获得实时的用户位置信息，这降低了监护人对用户安全状态的实时了解和响应能力。

设定延迟超越比阈值，比较延迟超越比与延迟超越比阈值：

当延迟超越比大于延迟超越比阈值，生成第一安全预警信号，此时，监护人根据生成的第一安全预警信号，应立即关注用户的位置信息，并注意是否有异常情况发生，核实用户的安全状态，例如与用户进行通话，联系监护人或教师等。

当延迟超越比小于等于延迟超越比阈值，生成继续分析信号，此时，对延迟监测时间区间内延迟超越比小于等于延迟超越比阈值的情况的定位延迟值的稳定性进行评估。

延迟稳定变异系数的获取逻辑为：

当生成继续分析信号时，对延迟监测时间区间内包括的定位延迟值进行编号，计算延迟稳定变异系数，其表达式为：其中，n为延迟监测时间区间内包括的延迟监测点的数量，q为延迟监测时间区间内延迟监测点的编号，q＝1、2、3、4、......、n，n、q均为大于等于1的正整数；ywyx、dwy_q+1、dwy_q分别为延迟稳定变异系数、延迟监测时间区间内第q+1个延迟监测点对应的定位延迟值以及延迟监测时间区间内第q个延迟监测点对应的定位延迟值。

延迟稳定变异系数越大，在延迟监测时间区间内定位延迟值的变化幅度越大，定位延迟值的变化越频繁，这说明智能穿戴设备的定位功能存在较大的不稳定性，定位数据传输和处理过程中受到较多因素的影响，导致定位延迟值不断波动和变化。

延迟监测时间区间是对定位延迟值进行综合分析的时间区间，延迟监测时间区间的时间长度是本领域专业技术人员依据实际监测需求进行设定，延迟监测时间区间对应的时间长度是不变的，但延迟监测时间区间的范围是随着实时的时间变化而进行变化，即延迟监测时间区间的一个临界点为实时的时间。例如实时的时间为11：00，延迟监测时间区间的时间长度为25min，则延迟监测时间区间监测的即为10：35至11：00之间的时间间隔。

定位延迟值阈值是本领域专业技术人员依据实际中对定位延迟值的要求标准等其他实际情况进行设定，此处不再赘述。

延迟超越比阈值是根据延迟超越比的大小以及实际的对延迟监测时间区间内的定位延迟值的要求标准进行设定。

采集定位性能信息，定位性能信息反映智能穿戴设备在定位方面的表现和性能，定位性能信息通过定位失败率和紧密超出比体现。

计算定位失败率：

获取性能评估时间区间，在性能评估时间区间内存在多次定位更新。

定位失败率是性能评估时间区间内定位更新失败的次数与性能评估时间区间内包括的定位更新的总次数的比值。

性能评估时间区间内定位更新失败的次数和性能评估时间区间内包括的定位更新的总次数可以通过智能穿戴设备的定位记录或系统日志来获取。

定位失败率的大小会影响智能穿戴设备定位功能的可靠性和稳定性。如果定位失败率较高，说明定位功能在一段时间内无法稳定提供位置信息，这可能导致监护人无法及时获得用户的实时位置，影响用户的安全；较低的定位失败率则意味着定位功能相对稳定，可以提供可靠的位置信息，增加监护人对用户的实时了解和响应能力。

获取每个定位更新失败的时间戳，计算相邻的定位更新失败的时间戳的时间间隔，获取相邻的定位更新失败的时间戳的时间间隔的数量，例如共有m个定位更新失败的时间戳，则定位更新失败的时间戳的时间间隔的数量为m-1；

设定失败实际间隔阈值，失败实际间隔阈值是依据定位更新失败的时间戳的时间间隔的大小和本领域专业技术人员对定位更新失败的时间戳的时间间隔的要求标准进行设定，此处不再赘述。

当定位更新失败的时间戳的时间间隔小于失败实际间隔阈值，说明该两次发生定位更新失败的时间相距较近，定位更新失败较为紧密频繁。

获取定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数，计算紧密超出比，紧密超出比为定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数与定位更新失败的时间戳的时间间隔的数量的比值。

紧密超出比越大，表示定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数较多，即定位更新失败较为紧密频繁，这意味着智能穿戴设备在一段时间内定位功能的表现不稳定，定位更新失败的时间间隔波动较大，导致智能穿戴设备的定位功能的运行状态较差。

性能评估时间区间是对定位延迟值进行综合分析的时间区间，性能评估时间区间的时间长度是本领域专业技术人员依据实际监测需求进行设定，性能评估时间区间对应的时间长度是不变的，但性能评估时间区间的范围是随着实时的时间变化而进行变化，即性能评估时间区间的一个临界点为实时的时间。例如实时的时间为11：00，性能评估时间区间的时间长度为15min，则性能评估时间区间监测的即为10：45至11：00之间的时间间隔。

当生成继续分析信号，将穿戴设备定位信息和定位性能信息进行综合分析，评估智能穿戴设备的定位功能的运行状态。

当生成继续分析信号，对延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理，通过将归一化处理后的延迟稳定变异系数、定位失败率以及紧密超出比分别乘上其对应的预设比例系数，计算定位保持能力评估系数；例如，本发明可采用如下公式进行定位保持能力评估系数的计算，其表达式为：Sywx＝α₁*ywyx+α₂*dwsv+α₃*jmcb；其中，Sywx、dwsv、jmcb分别为定位保持能力评估系数、定位失败率以及紧密超出比；α₁、α₂、α₃分别为延迟稳定变异系数、定位失败率以及紧密超出比的预设比例系数，α₁、α₂、α₃均大于0。

定位保持能力评估系数越大，智能穿戴设备的定位功能的运行状态越差，监护人无法及时获得用户的实时位置信息，可能会影响监护人对用户安全的实时了解和响应能力。

将定位保持能力评估系数与定位能力阈值进行比较：

当定位保持能力评估系数大于定位能力阈值，生成第二安全预警信号，此时，智能穿戴设备的定位功能的运行状态较差，监护人根据生成的第二安全预警信号，应立即关注用户的位置信息，并将智能穿戴设备放置专业维修处进行检查和维修。

当定位保持能力评估系数小于等于定位能力阈值，生成运行正常信号，此时智能穿戴设备的定位功能能够正常运行，但不代表不发生影响定位功能的情况。

定位能力阈值是本领域专业技术人员依据定位保持能力评估系数的大小以及实际中对智能穿戴设备的定位功能的安全要求标准等实际情况进行设定，此处不再赘述。

通过对延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理得到定位保持能力评估系数，实现定位功能表现的定量化评估，根据定位保持能力评估系数与定位能力阈值的比较结果，可以实时生成相应的第二安全预警信号，帮助监护人及时了解智能穿戴设备的定位功能状况，帮助监护人及时发现定位功能的问题，并采取相应的措施，从而提升智能穿戴设备的安全性。

采集佩戴信息，通过用户对智能穿戴设备进行取戴的情况和佩戴时间的情况判断智能穿戴设备定位的有效性，佩戴信息通过取戴频次和未佩戴时间比体现。

取戴频次的获取方法为：获取佩戴监测时间区间，获取在佩戴监测时间区间内用户对智能穿戴设备的取戴次数，取戴频次即为在佩戴监测时间区间内用户对智能穿戴设备的取戴次数与佩戴监测时间区间对应的时间长度的比值。

佩戴监测时间区间内用户对智能穿戴设备的取戴次数为取下和戴上智能穿戴设备的相加值，取戴次数是通过在智能穿戴设备上安装合适的传感器，例如光传感器可以检测光线的强度，智能穿戴设备通常会自动调整屏幕亮度，如果智能穿戴设备被佩戴在手腕上，光传感器会感知到周围环境光线的变化。

取戴频次越大，说明用户频繁地取下智能穿戴设备或重新佩戴智能穿戴设备，智能穿戴设备无法持续获取位置信息，导致定位数据的更新频率下降。这可能会影响监护人获得用户实时位置的能力；频繁的取下和佩戴可能导致位置信息在时间上不连续，造成监护人在地图上看到的轨迹不连贯，降低对用户行动的理解；智能穿戴设备在被取下后可能会重新获取位置信息时出现一些初始化或校准的延迟，这可能会导致定位数据的准确性降低，从而影响定位的有效性。

未佩戴时间比的计算过程为：未佩戴时间比为用户在佩戴监测时间区间内未戴上智能穿戴设备的时间与佩戴监测时间区间对应的时间长度的比值；未佩戴时间比越高，监护人越无法获得用户的实时位置信息，这可能会影响他们对用户的安全状态的实时了解和响应能力，高的未佩戴时间比可能会降低定位的有效性，导致定位数据的不连续性、不准确性以及监护人信息的缺失。

将取戴频次和未佩戴时间比进行加权求和计算定位有效评估值，根据定位有效评估值判断智能穿戴设备定位位置的有效性。

定位有效评估值的表达式为：其中，Dwpz、qdcs、pjqt、wpdt分别为定位有效评估值、在佩戴监测时间区间内用户对智能穿戴设备的取戴次数、佩戴监测时间区间对应的时间长度以及在佩戴监测时间区间内未戴上智能穿戴设备的时间；a、b分别为取戴频次和未佩戴时间比的权重，a、b均大于0，且a、b的大小是本领域专业技术人员根据实际情况进行设定，此处不再赘述。

设定定位有效评估阈值，通过定位有效评估值与定位有效评估阈值的比较，判断智能穿戴设备定位的有效性：

当定位有效评估值大于定位有效评估阈值，生成定位有效糟糕信号，此时，在佩戴监测时间区间内，取戴频次较高和未佩戴时间占比较高，根据生成的定位有效糟糕信号，监护人可以及时与用户进行联系并询问用户状态，从而保证用户的安全。

当定位有效评估值小于等于定位有效评估阈值，生成定位有效良好信号，此时，在佩戴监测时间区间内，取戴频次和未佩戴时间占比正常，无需采取措施。

定位有效评估阈值是根据定位有效评估值的大小以及对智能穿戴设备定位的定位有效性的要求等其他实际情况进行设定，此处不再赘述。

佩戴监测时间区间是对定位延迟值进行综合分析的时间区间，佩戴监测时间区间的时间长度是本领域专业技术人员依据实际监测需求进行设定，佩戴监测时间区间对应的时间长度是不变的，但佩戴监测时间区间的范围是随着实时的时间变化而进行变化，即佩戴监测时间区间的一个临界点为实时的时间。例如实时的时间为11：00，佩戴监测时间区间的时间长度为20min，则佩戴监测时间区间监测的即为10：40至11：00之间的时间间隔。

通过采集佩戴信息，包括取戴频次和未佩戴时间比，综合评估智能穿戴设备定位的有效性，从而对用户的安全状态进行监测和保障，有助于提高监护人对用户的实时了解和响应能力。

结合定位保持能力评估系数与定位能力阈值比较生成的信号以及定位有效评估值与定位有效评估阈值比较生成的信号，生成不同等级的有效评估信号，从而根据智能穿戴设备的定位功能表现和定位有效性，对用户的安全状态进行精细化管理和干预。

当生成运行正常信号，且生成定位有效良好信号，此时，生成一级有效评估信号，此时，无需采取措施。

当生成第二安全预警信号，且生成定位有效良好信号，此时，生成二级有效评估信号；二级有效评估信号表示智能穿戴设备的定位功能存在一定问题，可能出现定位有效性问题，但程度不是很严重。在这种情况下，监护人可以立即与用户进行联系，了解用户的情况，并注意用户所在的环境，以确保用户的安全。

当生成运行正常信号，且生成定位有效糟糕信号，此时，生成三级有效评估信号；三级有效评估信号表示智能穿戴设备的定位功能正常，但定位有效性较差。在这种情况下，虽然定位功能正常，但监护人需要关注用户的定位数据可能不够准确，可能会有一定的定位误差，监护人可以采取更频繁的联系和了解用户的情况。

当生成第二安全预警信号，且生成定位有效糟糕信号，此时，生成四级有效评估信号。四级有效评估信号表示智能穿戴设备的定位功能存在问题，同时定位有效性也较差。在这种情况下，用户的安全状态可能存在较大的风险，需要监护人立即与用户联系，并采取更为紧急的措施，如前往用户所在位置，与用户保持密切联系，确保用户的安全。

有效评估信号的等级越大，智能穿戴设备的定位的有效性越差。

根据生成的有效评估信号，可以采取不同紧急程度的对用户安全进行管理的措施，有效评估信号的等级越大，采取的对用户安全进行管理的紧急程度越重。

生成有效评估信号的等级能够提醒监护人智能穿戴设备的定位功能和定位有效性。这有助于增强他们的安全意识，让他们更加关注和管理用户的安全状态。不同等级的有效评估信号根据情况提供不同的建议，使监护人能够在面对不同的定位问题和安全风险时采取适当的行动。这有助于在不同情况下维护用户的安全。通过生成有效评估信号，监护人可以更准确地了解智能穿戴设备的定位情况，避免因误解或不足的信息而产生不必要的担忧，同时也可以减少潜在的风险。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，既可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于数据分析的智能穿戴设备状态评估方法，其特征在于，包括如下步骤：

采集穿戴设备定位信息，根据穿戴设备定位信息计算延迟超越比，比较延迟超越比与延迟超越比阈值生成第一安全预警信号或继续分析信号，当生成继续分析信号，计算延迟稳定变异系数；

采集定位性能信息，根据定位性能信息计算定位失败率和紧密超出比；

当生成继续分析信号时，将延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理计算定位保持能力评估系数；通过定位保持能力评估系数与定位能力阈值的比较，生成第二安全预警信号或运行正常信号；

采集佩戴信息，通过佩戴信息计算取戴频次和未佩戴时间比，将取戴频次和未佩戴时间比加权求和计算定位有效评估值，通过定位有效评估值与定位有效评估阈值的比较，生成定位有效糟糕信号或定位有效良好信号；

通过结合生成的第二安全预警信号或运行正常信号，以及定位有效糟糕信号或定位有效良好信号，生成不同等级的有效评估信号。

2.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：延迟超越比的计算过程为：获取延迟监测时间区间，延迟监测时间区间内包括若干个在延迟监测时间区间均匀分布的延迟监测点，获取每个延迟监测点对应的定位延迟值；

延迟超越比为延迟监测时间区间内定位延迟值大于定位延迟值阈值的监测点的数量与延迟监测时间区间内的监测点的数量的比值；

比较延迟超越比与延迟超越比阈值：当延迟超越比大于延迟超越比阈值，生成第一安全预警信号；当延迟超越比小于等于延迟超越比阈值，生成继续分析信号。

3.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：当生成继续分析信号时，对延迟监测时间区间内包括的定位延迟值进行编号，计算延迟稳定变异系数，其表达式为：其中，n为延迟监测时间区间内包括的延迟监测点的数量，q为延迟监测时间区间内延迟监测点的编号，q＝1、2、3、4、......、n，n、q均为大于等于1的正整数；ywyx、dwy_q+1、dwy_q分别为延迟稳定变异系数、延迟监测时间区间内第q+1个延迟监测点对应的定位延迟值以及延迟监测时间区间内第q个延迟监测点对应的定位延迟值。

4.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：计算定位失败率的具体过程如下：

获取性能评估时间区间；在性能评估时间区间内存在多次定位更新，定位失败率是性能评估时间区间内定位更新失败的次数与性能评估时间区间内包括的定位更新的总次数的比值；

计算紧密超出比的具体过程如下：获取每个定位更新失败的时间戳，计算相邻的定位更新失败的时间戳的时间间隔，获取相邻的定位更新失败的时间戳的时间间隔的数量；

获取定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数，紧密超出比为定位更新失败的时间戳的时间间隔小于失败实际间隔阈值的次数与定位更新失败的时间戳的时间间隔的数量的比值。

5.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：当生成继续分析信号，对延迟稳定变异系数、定位失败率以及紧密超出比进行归一化处理，通过将归一化处理后的延迟稳定变异系数、定位失败率以及紧密超出比分别乘上其对应的预设比例系数，计算定位保持能力评估系数；将定位保持能力评估系数与定位能力阈值进行比较：

当定位保持能力评估系数大于定位能力阈值，生成第二安全预警信号；当定位保持能力评估系数小于等于定位能力阈值，生成运行正常信号。

6.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：取戴频次的获取方法为：获取佩戴监测时间区间，获取在佩戴监测时间区间内用户对智能穿戴设备的取戴次数，取戴频次为在佩戴监测时间区间内用户对智能穿戴设备的取戴次数与佩戴监测时间区间对应的时间长度的比值；

未佩戴时间比的计算过程为：未佩戴时间比为用户在佩戴监测时间区间内未戴上智能穿戴设备的时间与佩戴监测时间区间对应的时间长度的比值。

7.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：计算定位有效评估值：将取戴频次和未佩戴时间比进行加权求和计算定位有效评估值，定位有效评估值的表达式为：其中，Dwpz、qdcs、pjqt、wpdt分别为定位有效评估值、在佩戴监测时间区间内用户对智能穿戴设备的取戴次数、佩戴监测时间区间对应的时间长度以及在佩戴监测时间区间内未戴上智能穿戴设备的时间；a、b分别为取戴频次和未佩戴时间比的权重，a、b均大于0；

将定位有效评估值与定位有效评估阈值进行比较：

当定位有效评估值大于定位有效评估阈值，生成定位有效糟糕信号；当定位有效评估值小于等于定位有效评估阈值，生成定位有效良好信号。

8.根据权利要求1所述的基于数据分析的智能穿戴设备状态评估方法，其特征在于：结合定位保持能力评估系数与定位能力阈值比较生成的信号以及定位有效评估值与定位有效评估阈值比较生成的信号，生成不同等级的有效评估信号：

当生成运行正常信号，且生成定位有效良好信号，生成一级有效评估信号；当生成第二安全预警信号，且生成定位有效良好信号，生成二级有效评估信号；当生成运行正常信号，且生成定位有效糟糕信号，生成三级有效评估信号；当生成第二安全预警信号，且生成定位有效糟糕信号，生成四级有效评估信号。