CN117213523B - Rfid读写器用于六分钟步行试验的步行距离读写方法 - Google Patents
Rfid读写器用于六分钟步行试验的步行距离读写方法 Download PDFInfo
- Publication number
- CN117213523B CN117213523B CN202311206905.XA CN202311206905A CN117213523B CN 117213523 B CN117213523 B CN 117213523B CN 202311206905 A CN202311206905 A CN 202311206905A CN 117213523 B CN117213523 B CN 117213523B
- Authority
- CN
- China
- Prior art keywords
- sequence
- walking
- time
- time interval
- distance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 title claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 57
- 230000035772 mutation Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 18
- 239000011324 bead Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 208000019926 Keshan disease Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001684 chronic effect Effects 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001146209 Curio rowleyanus Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及数字数据处理技术领域,特别涉及RFID读写器用于六分钟步行试验的步行距离读写方法,包括:先基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列,再计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数,以进一步计算联合趋势系数,最后将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离,相对于传统的步行距离的测量方式,提高了步行距离测量的准确性,以进一步降低后续的工作成本。
Description
技术领域
本申请涉及数字数据处理技术领域,特别涉及RFID读写器用于六分钟步行试验的步行距离读写方法。
背景技术
在医疗行业上,测量患者在标准时间内的步行距离的是反映患者病情的康复信息的常用手段,比如六分钟步行距离的测量作为医生评价慢型克山病临床转归的主要方法。传统的步行距离测量方法,通常是采用佩戴计步器,所述计步器是一种便携式设备,通常佩戴在腕部或腰部,可以通过感应身体的运动来计算步数。根据步幅的估计,计步器可以将步数转换为步行距离。
而传统的采用佩戴计步器进行步行距离的测量,因个体差异、地形和环境条件等因素的影响,其所得到的步行距离的测量结果误差相对较大,也即传统的采用佩戴计步器进行步行距离的测量的准确性较低,以进一步导致后续的工作成本较高。
发明内容
鉴于以上内容,有必要提供RFID读写器用于六分钟步行试验的步行距离读写方法,相对于传统的步行距离的测量方式,提高了步行距离测量的准确性,以进一步降低后续的工作成本。
本申请第一方面提供RFID读写器用于六分钟步行试验的步行距离读写方法,应用于步行距离测量领域,所述方法包括:统计患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据,构建依照时间顺序排列的初始数据矩阵;基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列;根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的欧式距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列每个元素对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数;通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数;将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离。
在其中一种实施例中,所述基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列,具体包括:根据所述记录次数数据以及记录时间数据,计算所述记录次数数据中每个元素对应的时间间隔;以记录次数数据的第一个元素在记录时间数据对应的时刻值,以及记录次数数据中每个元素对应的时间间隔,构建依照时间顺序排序的时间间隔序列。
在其中一种实施例中,所述根据所述时间间隔序列,计算所述时间间隔序列每个元素对应的第一步行趋势指数,具体包括:将所述时间间隔序列进行预设序列分割算法处理,确认所述时间间隔序列对应的突变元素,以构建时间间隔序列对应的突变序列,其中,所述时间间隔序列对应的突变序列包括预设数量依照时间顺序排列的时间间隔序列对应的突变元素;根据时间间隔序列中的每个元素分别与所述时间间隔序列对应的突变元素之间的元素距离,构建时间间隔序列中的每个元素对应的欧式距离序列;基于时间间隔序列中目标元素与其对应的预设序列窗口内其他元素的欧式距离序列,计算所述目标元素对应的第一步行趋势指数,其中,所述目标元素对应的预设序列窗口,是指以目标元素为中心且包括预设数量个临近元素的序列窗口。
在其中一种实施例中,所述基于时间间隔序列中目标元素与其对应的预设序列窗口内其他元素的欧式距离序列,计算所述目标元素对应的第一步行趋势指数,其中,所述目标元素对应的预设序列窗口,是指以目标元素为中心且包括预设数量个临近元素的序列窗口,具体包括:
其中,E1为时间间隔序列中目标元素对应的第一步行趋势指数,k为时间间隔序列中目标元素c对应的预设序列窗口长度,c为时间间隔序列对应的目标元素,ci为目标元素c对应的预设序列窗口的第i个其他元素,l为欧式距离序列的长度,c(j)为时间间隔序列中目标元素c对应的欧式距离序列的第j个元素,ci(j)为时间间隔序列中目标元素c对应的预设序列窗口内第i个其他元素ci的欧式距离序列的第j个元素,dtw()为距离函数。
在其中一种实施例中,所述通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数,具体包括:将所述时间间隔序列、平均步行速度序列以及记录速度序列进行划分,确认分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列;基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重;将所述第一步行趋势指数、第二步行趋势指数、第三步行趋势指数、第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重输入预设的趋势系数计算公式,计算每个记录次数数据对应的初始联合趋势系数;将最后预设数量的记录次数数据对应的初始联合趋势系数的平均值,定义为联合趋势系数。
在其中一种实施例中,所述基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列对应的第一相似性融合权重,具体包括:
其中,Q1为时间间隔序列对应的第一相似性融合权重,R(s)为时间间隔序列对应第s个目标子序列,Rh(s)为除时间间隔序列外的第h个其他序列对应的第s个目标子序列,N为时间间隔序列对应的子序列的数量,M为除时间间隔序列外的其他序列的数量,corr()为求皮尔逊相关系数函数,norm[]为归一化函数。
在其中一种实施例中,所述将所述第一步行趋势指数、第二步行趋势指数、第三步行趋势指数、第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重输入预设的趋势系数计算公式,计算每个记录次数数据对应的初始联合趋势系数,具体包括:
H=norm(Q1*E1+Q2*E2+Q3*E3)
其中,H为目标记录次数数据对应的联合趋势系数,Q1为时间间隔序列对应的第一相似性融合权重,Q2为平均步行速度序列对应的第二相似性融合权重,Q3为记录速度序列对应的第三相似性融合权重,E1为时间间隔序列中目标元素对应的第一步行趋势指数,E2为平均步行速度序列中目标元素对应的第二步行趋势指数,E3为记录速度序列中目标元素对应的第三步行趋势指数,norm()为归一化函数。
在其中一种实施例中,所述将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离,具体包括:将所述联合趋势系数作为指数平滑算法的平滑系数,以时间间隔序列作为输入,确认未记录的末端间隔时间;基于所述未记录的末端间隔时间、与预设标准时间以及标准距离,计算未记录的末端间隔时间对应的末端步行距离,其中,所述标准距离是指RFID读写器与跑道出发点的距离;根据所述标准距离与末端步行距离,计算预设标准时间内的实际步行距离。
在其中一种实施例中,所述基于所述未记录的末端间隔时间、与预设标准时间以及标准距离,计算未记录的末端间隔时间对应的末端步行距离,其中,所述标准距离是指RFID读写器与跑道出发点的距离,具体包括:
其中,W为未记录的末端间隔时间对应的末端步行距离,T为将所述联合趋势系数作为指数平滑算法的平滑系数且以时间间隔序列作为输入所确认的未记录的末端间隔时间,T′为预设标准时间,T″为记录时间数据的最后一个记录时刻值,S为RFID读写器与跑道出发点的距离的标准距离。
在其中一种实施例中,所述根据所述标准距离与末端步行距离,计算预设标准时间内的实际步行距离,具体包括:
X=W+(2n-1)*S
其中,X为预设标准时间内的实际步行距离,n为所述记录次数数据的最后一个记录次数值,S为RFID读写器与跑道出发点的距离的标准距离。
本申请实施例通过先统计患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据,构建依照时间顺序排列的初始数据矩阵,然后基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列,再根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数,并且通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数,最后将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离。其有益效果在于单个RFID就可实现预设标准时间内的实际步行距离,同时不会受到测试环境的影响,可以多个患者同时进行测量,相对于传统的步行距离的测量方式,提高了步行距离测量的准确性,以进一步降低后续的工作成本。
附图说明
图1是本申请实施例的RFID读写器用于六分钟步行试验的步行距离读写方法的流程示意图。
图2是本申请实施例的RFID读写器用于六分钟步行试验的步行距离读写方法的第一子流程示意图。
图3是本申请实施例的RFID读写器用于六分钟步行试验的步行距离读写方法的第二子流程示意图。
图4是本申请实施例的RFID读写器用于六分钟步行试验的步行距离读写方法的第三子流程示意图。
图5是本申请实施例的RFID读写器用于六分钟步行试验的步行距离读写方法的第四子流程示意图。
图6是本申请实施例的RFID读写器用于六分钟步行试验的步行距离读写方法的场景示意图。
具体实施方式
在本申请实施例的描述中,“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。应理解,本申请中除非另有说明,“/”表示或的意思。例如,A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如,a、b或c中的至少一个,可以表示:a,b,c,a和b,a和c,b和c,a、b和c七种情况。
另外需要说明的是,本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象,而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法,包括用于实现方法的一个或多个步骤,在不脱离权利要求的范围的情况下,多个步骤的执行顺序可以彼此互换,其中某些步骤也可以被删除。
需要解析的是,RFID读写器是一种用于读取和写入RFID标签中数据的设备。RFID技术是一种无线通信技术,通过无线电波将数据从RFID标签传输到读写器或其他设备。RFID读写器通常由一个天线和一个读写芯片组成,通过接收RFID标签发射的无线电信号来读取标签中的数据,并可以向标签写入数据。RFID读写器的工作原理是通过向RFID标签发送无线电信号,激活标签并读取其中的数据。读写器可以通过不同的频率和协议与标签进行通信,例如低频(LF)、高频(HF)和超高频(UHF)。读写器还可以根据标签的需求和应用场景,选择不同的读写距离和功率级别。除了读取标签中的数据,RFID读写器还可以向标签写入数据,例如更新标签中的信息或将标签与特定的物品或产品关联起来。写入标签的数据可以在以后的读取过程中被读写器或其他设备读取和处理。总的来说,RFID读写器是一种用于读取和写入RFID标签中数据的设备,可以实现快速、自动化的数据收集和处理。
进一步的,参照附图6,本实施例中,所述RFID读写器固定安装在跑道的正中间位置,同时实施者也可以根据需要更换RFID读写器的安装位置。患者开始进行步行距离测试前,将RFID标签与患者信息进行绑定,且可以有多名患者同时进行预设标准时间内步行距离测试。每名患者携带自身的RFID标签卡,患者在固定跑道中进行多次预设标准时间的步行测试,每次步行测试,即患者要在固定跑道上进行反复往返的步行。
需要说明的是,所述RFID标签卡记录每个患者的步行信息,通过安装在固定跑道中间位置的RFID读写器进行路过次数的统计,同时标记每次路过RFID读写器的时间,以及经过RFID感应区域的速度,并进行记录。同时,还需要获取RFID读写器与跑道出发点的距离的标准距离,以及患者每次经过RFID读写器的感应区域步行距离与感应区域步行时间,可通过测量得到。
进一步的,本实施例提供的RFID读写器用于六分钟步行试验的步行距离读写方法,重点用于医疗行业的步行距离测量,以作为反映患者病情的康复信息的方式。举个例子,以六分钟步行距离的测量作为医生评价慢型克山病临床转归的方式。
本申请实施例首先提出RFID读写器用于六分钟步行试验的步行距离读写方法,应用于步行距离测量领域,参考附图1,所述方法包括:
S101、统计患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据,构建依照时间顺序排列的初始数据矩阵。
其中,所述记录次数数据,是指患者每次经过设置在跑道正中间的RFID读写器时的次数数值,所述记录时间数据,是指患者每次经过设置在跑道正中间的RFID读写器时的时刻值,所述记录速度数据,是指患者每次经过设置在跑道正中间的RFID读写器的感应区域步行距离与感应区域步行时间的比值,代表患者每次经过设置在跑道正中间的RFID读写器的瞬时速度。
所述记录次数数据、记录时间数据以及记录速度数据中的数据值均依照时间顺序进行排列。在获取到所述患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据之后,将所述记录次数数据、记录时间数据以及记录速度数据分别作为一行,按照垂直方向依次排列,构建依照时间顺序排列的初始数据矩阵。举个例子,如下矩阵:
其中,A为初始数据矩阵,n表示患者的标准时间内步行测试中最后一次路过读写器的记录次数,tn表示患者的标准时间内步行测试中第n次路过读写器的记录时间,an表示患者的标准时间内步行测试中第n次路过读写器的记录速度。
需要说明的是,在医疗行业中的步行距离的测量,所述预设标准时间通常为6分钟。由于跑道的距离为标准距离的2倍,即患者每次通过RFID读写器时已经步行的测试距离可以直接得到。比如,将测量的标准距离记为S,患者步行测试开始时,当RFID读写器第1次记录次数时,患者已经步行的测试距离为S;当RFID读写器第2次记录次数时,患者已经步行的测试距离为3S;当RFID读写器第3次记录次数时,患者已经步行的测试距离为5S;以此类推,当RFID读写器第n次记录次数时,患者已经步行的测试距离为(2n-1)S。
S102、基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列。
其中,根据所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,可以计算得到每次患者经过RFID读写器时的时间间隔、平均步行速度,所述平均步行速度是指患者经过每次记录计算得到的患者在整个跑道上步行的平均步行速度,可通过标准距离以及时间间隔之间的计算得到。比如,患者第1次记录次数时的平均步行速度为标准距离S与第1次记录次数时的时间间隔之比;患者第2次记录次数时的平均步行速度为跑道距离2S与第2次记录次数时的时间间隔之比;患者第3次记录次数时的平均步行速度为跑道距离2S与第3次记录次数时的时间间隔之比;患者第4次记录次数时的平均步行速度为跑道距离2S与第4次记录次数时的时间间隔之比;以此类推,患者第n次记录次数时的平均步行速度为跑道距离2S与第n次记录次数时的时间间隔之比。再将每次患者经过RFID读写器时的时间间隔、平均步行速度、记录速度数据,依照时间顺序进行排序,构建时间间隔序列、平均步行速度序列以及记录速度序列。
具体的,所述时间间隔序列,是指根据患者在标准时间内相邻两次经过RFID读写器之间的时间间隔构成的时间序列,所述平均步行速度序列,是指根据患者在标准时间内每次经过RFID读写器时的平均步行速度构成的时间序列,所述记录速度序列,是指根据每次患者经过RFID读写器时的记录速度数据构成的时间序列。
S103、根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列每个元素对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数。
其中,所述时间间隔序列、平均步行速度序列以及记录速度序列,均由若干个元素构成。比如,所述时间间隔序列由若干个在标准时间内相邻两次经过RFID读写器之间的时间间隔构成,则该时间间隔即为时间间隔序列的元素;所述平均步行速度序列由若干个在标准时间内每次经过RFID读写器时的平均步行速度构成,则该平均步行速度为平均步行速度序列的元素;所述记录速度序列由若干个在标准时间内经过RFID读写器时的记录速度构成,则该记录速度为记录速度序列的元素。
需要说明的是,所述时间间隔序列、平均步行速度序列以及记录速度序列中的每个元素分别对应一个距离序列,所述距离序列是指时间间隔序列、平均步行速度序列以及记录速度序列中的每个元素与突变序列的每个元素之间的欧式距离构成,所述突变序列是通过预设序列分割算法进行对所述时间间隔序列、平均步行速度序列以及记录速度序列进行计算得到。
需要说明的是,所述时间间隔序列对应第一步行趋势指数,所述平均步行速度序列对应第二步行趋势指数,所述记录速度序列对应第三步行趋势指数。所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数,是指时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的数据的波动性,若所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的数据的波动性较低,则所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数对应的数值较低。
S104、通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数。
需要说明的是,所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数分别代表时间间隔序列、平均步行速度序列以及记录速度序列中数据的波动性,则在将所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数进行数据融合时,需要对第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数这三个参数分别配备权重,也即相似性融合权重。具体的,所述第一步行趋势指数对应第一相似性融合权重,所述第二步行趋势指数对应第二相似性融合权重,所述第三步行趋势指数对应第三相似性融合权重。所述联合趋势系数,是指将第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数按照对应的相似性融合权重进行融合得到的参数,用于后续未记录的末端间隔时间的预测。联合趋势系数反映了局部的联合趋势性变化,相比于单序列对应的步行趋势指数,其完备性更强,更加准确的反应局部数据的趋势性变化。
S105、将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离。
其中,在得到所述联合趋势系数之后,将所述联合趋势系数作为预设的指数平滑算法的平滑系数,以对未记录的末端间隔时间进行预测。所述未记录的末端间隔时间,是指患者在最后一次经过所述RFID读写器之后所步行的时间间隔。因所述末端间隔时间无法通过RFID读写器进行记录,则可根据之前记录的所述初始数据矩阵与预设的指数平滑算法进行预测,得到未记录的末端间隔时间。在得到所述末端间隔时间之后,则可计算所述末端间隔时间对应的步行距离,再基于初始数据矩阵所记录的步行距离,即可计算预设标准时间内的实际步行距离态。进一步的,在获取到所述预设标准时间内的实际步行距离之后,医生可根据实际步行距离评价慢性克山病临床转归,因实际步行距离的测量准确性得到提高,对应的,医生在根据实际步行距离评价慢性克山病临床转归的准确性也得到提高。
本申请实施例通过先统计患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据,构建依照时间顺序排列的初始数据矩阵,然后基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列,再根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数,并且通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数,最后将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离。通过统计患者经过RFID读写器所采集的记录次数数据、记录时间数据以及记录速度数据,以进一步预测未记录的末端间隔时间,进而计算得到预设标准时间内的实际步行距离,相对于传统的步行距离的测量方式,提高了步行距离测量的准确性,以进一步降低后续的工作成本。
在本申请的一种实施例中,基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列的逻辑是相同的,则在本实施例中,以构建时间间隔序列进行展开说明。参阅附图2,S102、所述基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列,具体包括:
S201、根据所述记录次数数据以及记录时间数据,计算所述记录次数数据中每个元素对应的时间间隔。
其中,所述记录次数数据是指患者每次经过设置在跑道正中间的RFID读写器时的次数数值,所述记录时间数据,是指患者每次经过设置在跑道正中间的RFID读写器时的时刻值,则将记录次数数据中相邻两个次数数值。在记录时间数据中对应的时刻值做差计算,即可得到所述记录次数数据中每个元素对应的时间间隔。换句话说,所述记录次数数据中每个元素对应的时间间隔,也即是记录时间数据的差分序列。
S202、以记录次数数据的第一个元素在记录时间数据对应的时刻值,以及记录次数数据中每个元素对应的时间间隔,构建依照时间顺序排序的时间间隔序列。
需要解析的是,定义所述记录次数数据中第一个元素对应的时间间隔为所述记录时间数据的第一个时刻值,举个例子,记录时间数据的差分序列为:
B=[b2,b3,b4,…,bn]
式中,B表示患者的记录时间数据的差分序列,bn表示过患者的记录时间的时间序列中第n个记录时间与第(n-1)个记录时间的差值。则,对应的,所述记录次数数据中每个元素对应的时间间隔,则,包括:
C=[t1,b2,b3,b4,…,bn]
其中,所述t1为所述记录时间数据的第一个时刻值。
在本申请的一种实施例中,参照附图3,所述根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列每个元素对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数的计算逻辑相同,则在本实施例中,以计算所述时间间隔序列对应的第一步行趋势指数为例展开说明,具体的,S103、所述根据所述时间间隔序列,计算所述时间间隔序列每个元素对应的第一步行趋势指数,具体包括:
S301、将所述时间间隔序列进行预设序列分割算法处理,确认所述时间间隔序列对应的突变元素,以构建时间间隔序列对应的突变序列,其中,所述时间间隔序列对应的突变序列包括预设数量依照时间顺序排列的时间间隔序列对应的突变元素。
其中,在获取到所述时间间隔序列之后,根据预设序列分割算法对所述时间间隔序列进行分割处理,得到若干数量个突变元素,根据所述若干数量个突变元素构建时间间隔序列对应的突变序列。
需要说明的是,所述预设序列分割算法可为BG序列分割算法,BG序列分割算法基于一种称为“珠子游戏”的启发式策略,通过在序列中寻找具有显著特征的子序列(如功能域、结构域等),实现对序列的分割和注释。BG序列分割算法的基本思想是将序列中的元素看作是一串珠子,这些珠子可以根据它们的特征被分为不同的类型。算法的目标是通过最小化一定的能量函数,找到一种最优的珠子类型分布,使得具有相似特征的珠子尽可能地聚集在一起。能量函数通常包括两个部分:一是珠子之间的相互作用能量,用于衡量不同类型珠子之间的相似性;二是珠子的自由能,用于衡量珠子的固有特性。BG序列分割算法的主要步骤如下:1、初始化:根据序列数据和预先设定的珠子类型,计算各种类型珠子的能量函数。2、迭代:从序列的开始位置开始,逐个检查序列中的元素,根据它们的能量函数值,将其分配到相应的珠子类型。同时,更新珠子类型的能量函数,以反映序列中元素的分布变化。3、收敛:当序列中所有元素的珠子类型分配不再发生变化时,算法收敛。此时,可以根据珠子类型的分布,将序列分割成具有显著特征的子序列。
需要说明的,BG序列分割算法的优点是能够处理大规模的序列数据,同时具有较高的分割精度和速度。然而,BG序列分割算法依赖于预先设定的珠子类型和能量函数,这可能导致在某些情况下无法找到最优的序列分割结果,则可结合其他的序列分析方法,以提高分割的准确性和鲁棒性。具体BG序列分割算法对所述时间间隔序列的分割过程本案不作进一步限定,参照上述步骤实现即可。
S302、根据时间间隔序列中的每个元素分别与所述时间间隔序列对应的突变元素之间的元素距离,构建时间间隔序列中的每个元素对应的欧式距离序列。
其中,在获取到所述时间间隔序列对应的突变序列之后,将时间间隔序列中的每个元素与所述时间间隔序列对应的突变元素进行欧氏距离的计算,以得到时间间隔序列中的每个元素分别与所述时间间隔序列对应的突变元素之间的元素距离,进一步根据所述元素距离构建时间间隔序列中的每个元素对应的欧式距离序列。也即是说,时间间隔序列中的每个元素均对应一个欧式距离序列。
需要说明的是,欧式距离是在数学和统计学中常用的一种距离度量方法,用于衡量两个点之间的直线距离。它是在笛卡尔坐标系中计算的,也称为欧几里得距离。欧式距离是一种直观且易于理解的距离度量方法,它考虑了两个点之间的直线距离,不考虑路径的曲线性质。在许多应用领域中,如机器学习、数据挖掘、图像处理等,欧式距离被广泛应用于特征相似性的度量和聚类分析等任务中。
S303、基于时间间隔序列中目标元素与其对应的预设序列窗口内其他元素的欧式距离序列,计算所述目标元素对应的第一步行趋势指数,其中,所述目标元素对应的预设序列窗口,是指以目标元素为中心且包括预设数量个临近元素的序列窗口。
具体的,所述基于时间间隔序列中目标元素与其对应的预设序列窗口内其他元素的欧式距离序列,计算所述目标元素对应的第一步行趋势指数,其中,所述目标元素对应的预设序列窗口,是指以目标元素为中心且包括预设数量个临近元素的序列窗口,具体包括:
其中,E1为时间间隔序列中目标元素对应的第一步行趋势指数,k为时间间隔序列中目标元素c对应的预设序列窗口长度,c为时间间隔序列对应的目标元素,ci为目标元素c对应的预设序列窗口的第i个其他元素,l为欧式距离序列的长度,c(j)为时间间隔序列中目标元素c对应的欧式距离序列的第j个元素,ci(j)为时间间隔序列中目标元素c对应的预设序列窗口内第i个其他元素ci的欧式距离序列的第j个元素,dtw()为距离函数。
在本申请的一种实施例中,参照附图4、S104、所述通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数,具体包括:
S401、将所述时间间隔序列、平均步行速度序列以及记录速度序列进行划分,确认分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列。
其中,根据预先设置的子序列的预设长度规格为滑窗,对时间间隔序列、平均步行速度序列以及记录速度序列从始至终进行等长度划分,得到时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列。举个例子,平均步行速度序列:V=[v1,v2,v3,…,vn],V表示患者的平均步行速度序列,v1和vn分别表示患者的第1、第n次记录内的平均步行速度。那么,平均步行速度序列对应的第一个子序列为[v1,v2,…,v10],第二个个子序列为[v11,v12,…,v20],以此类推,直到下次滑动时超出序列长度位置,如当子序列的预设长度规格为滑窗到[vn-12,vn-11,vn-10,…,vn-3],下次滑动将要超出平均步行速度序列的长度,此时停止滑动,即[vn-12,vn-11,vn-10,…,vn-3]作为平均步行速度序列中的最后一个子序列。
S402、基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重。
具体的,基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重的逻辑相同,本实施例以计算所述时间间隔序列对应的第一相似性融合权重为例进行展开说明。
具体的,所述基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列对应的第一相似性融合权重,具体包括:
其中,Q1为时间间隔序列对应的第一相似性融合权重,R(s)为时间间隔序列对应的第s个目标子序列,Rh(s)为除时间间隔序列外的第h个其他序列对应的第s个目标子序列,N为时间间隔序列对应的子序列的数量,M为除时间间隔序列外的其他序列的数量,corr()为求皮尔逊相关系数函数,norm()为归一化函数。
需要说明的是,所述皮尔逊相关系数,又称皮尔逊积矩相关系数,是一种用于衡量两个变量之间线性相关程度的统计指标。皮尔逊相关系数的取值范围在-1到1之间,其中1表示两个变量之间存在完全正相关,-1表示完全负相关,0表示两个变量之间无线性相关关系。
皮尔逊相关系数具有以下性质:
1.皮尔逊相关系数是对称的。
2.皮尔逊相关系数是无量纲的,即它不受变量单位的影响。
3.皮尔逊相关系数仅适用于衡量线性关系,对于非线性关系,其值可能不能反映两个变量之间的真实相关程度。
4.皮尔逊相关系数对异常值敏感,异常值的存在可能导致相关系数的值发生较大变化。
需要解析的是,计算所述皮尔逊相关系数的过程为现有技术,具体参照现有技术记载实现即可。
S403、将所述第一步行趋势指数、第二步行趋势指数、第三步行趋势指数、第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重输入预设的趋势系数计算公式,计算每个记录次数数据对应的初始联合趋势系数。
具体的,所述将所述第一步行趋势指数、第二步行趋势指数、第三步行趋势指数、第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重输入预设的趋势系数计算公式,计算每个记录次数数据对应的初始联合趋势系数,具体包括:
H=norm(Q1*E1+Q2*E2+Q3*E3)
其中,H为目标记录次数数据对应的初始联合趋势系数,Q1为时间间隔序列对应的第一相似性融合权重,Q2为平均步行速度序列对应的第二相似性融合权重,Q3为记录速度序列对应的第三相似性融合权重,E1为时间间隔序列中目标元素对应的第一步行趋势指数,E2为平均步行速度序列中目标元素对应的第二步行趋势指数,E3为记录速度序列中目标元素对应的第三步行趋势指数,norm()为归一化函数。
S404、将最后预设数量的记录次数数据对应的初始联合趋势系数的平均值,定义为联合趋势系数。
其中,在获取到每个记录次数数据对应的初始联合趋势系数之后,计算最后预设数量的记录次数数据对应的初始联合趋势系数的平均值,将该平均值作为联合趋势系数。也即是说,将RFID读写器最后预设数量记录次数对应的初始联合趋势系数的平均值,作为联合趋势系数。而取最后预设数量记录次数对应的初始联合趋势系数的均值作为平滑系数,是因为近期数据的趋势性指标(即初始联合趋势系数)能够较大程度的反映平滑系数的大小,以改进平滑系数,提高预测准确性。
在本申请的一种实施例中,参照附图5,S105、所述将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离,具体包括:
S501、将所述联合趋势系数作为指数平滑算法的平滑系数,以时间间隔序列作为输入,确认未记录的末端间隔时间。
S502、基于所述未记录的末端间隔时间、与预设标准时间以及标准距离,计算未记录的末端间隔时间对应的末端步行距离,其中,所述标准距离是指RFID读写器与跑道出发点的距离。
具体的,所述基于所述未记录的末端间隔时间、与预设标准时间以及标准距离,计算未记录的末端间隔时间对应的末端步行距离,其中,所述标准距离是指RFID读写器与跑道出发点的距离,具体包括:
其中,W为未记录的末端间隔时间对应的末端步行距离,T为将所述联合趋势系数作为指数平滑算法的平滑系数且以时间间隔序列作为输入所确认的未记录的末端间隔时间,T′为预设标准时间,T″为记录时间数据的最后一个记录时刻值,S为RFID读写器与跑道出发点的距离的标准距离,由于RFID读写器放在跑道中心位置,因此2S表示整个跑道的长度。
S503、根据所述标准距离与末端步行距离,计算预设标准时间内的实际步行距离。
具体的,所述根据所述标准距离与末端步行距离,计算预设标准时间内的实际步行距离,具体包括:
X=W+(2n-1)*S
其中,X为预设标准时间内的实际步行距离,n为所述记录次数数据的最后一个记录次数值,S为RFID读写器与跑道出发点的距离的标准距离,每路过一次RFID读写器,记录1次,由于在跑道往返步行,因此后续每记录一次,实际为走过整个跑道的长度,特殊的,第一次记录时走过的长度为半个跑道的长度,即RFID读写器与跑道出发点的距离的标准距离S。
本申请实施例通过先统计患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据,构建依照时间顺序排列的初始数据矩阵,然后基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列,再根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数,并且通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数,最后将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离。通过统计患者经过RFID读写器所采集的记录次数数据、记录时间数据以及记录速度数据,以进一步预测未记录的末端间隔时间,进而计算得到预设标准时间内的实际步行距离,相对于传统的步行距离的测量方式,提高了步行距离测量的准确性,以进一步降低后续的工作成本。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将本申请上述的实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
Claims (6)
1.RFID读写器用于六分钟步行试验的步行距离读写方法,应用于步行距离测量领域,其特征在于,所述方法包括:
统计患者经过设置在跑道正中间的RFID读写器采集的记录次数数据、记录时间数据以及记录速度数据,构建依照时间顺序排列的初始数据矩阵;
基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列、平均步行速度序列以及记录速度序列;
根据所述时间间隔序列、平均步行速度序列以及记录速度序列中每个元素对应的距离序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列每个元素对应的第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数;
通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数;
将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离;
所述根据所述时间间隔序列,计算所述时间间隔序列每个元素对应的第一步行趋势指数,具体包括:
将所述时间间隔序列进行预设序列分割算法处理,确认所述时间间隔序列对应的突变元素,以构建时间间隔序列对应的突变序列,其中,所述时间间隔序列对应的突变序列包括预设数量依照时间顺序排列的时间间隔序列对应的突变元素;
根据时间间隔序列中的每个元素分别与所述时间间隔序列对应的突变元素之间的元素距离,构建时间间隔序列中的每个元素对应的欧式距离序列;
基于时间间隔序列中目标元素与其对应的预设序列窗口内其他元素的欧式距离序列,计算所述目标元素对应的第一步行趋势指数,其中,所述目标元素对应的预设序列窗口,是指以目标元素为中心且包括预设数量个临近元素的序列窗口;
所述基于时间间隔序列中目标元素与其对应的预设序列窗口内其他元素的欧式距离序列,计算所述目标元素对应的第一步行趋势指数,其中,所述目标元素对应的预设序列窗口,是指以目标元素为中心且包括预设数量个临近元素的序列窗口,具体包括:
其中,E1为时间间隔序列中目标元素对应的第一步行趋势指数,k为时间间隔序列中目标元素c对应的预设序列窗口长度,c为时间间隔序列对应的目标元素,ci为目标元素c对应的预设序列窗口的第i个其他元素,l为欧式距离序列的长度,c(j)为时间间隔序列中目标元素c对应的欧式距离序列的第j个元素,ci(j)为时间间隔序列中目标元素c对应的预设序列窗口内第i个其他元素ci的欧式距离序列的第j个元素,dtw( )为距离函数;
所述通过所述第一步行趋势指数、第二步行趋势指数以及第三步行趋势指数与分别对应的相似性融合权重,计算联合趋势系数,具体包括:
将所述时间间隔序列、平均步行速度序列以及记录速度序列进行划分,确认分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列;
基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列、平均步行速度序列以及记录速度序列对应的第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重;
将所述第一步行趋势指数、第二步行趋势指数、第三步行趋势指数、第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重输入预设的趋势系数计算公式,计算每个记录次数数据对应的初始联合趋势系数;
将最后预设数量的记录次数数据对应的初始联合趋势系数的平均值,定义为联合趋势系数;
所述将所述联合趋势系数作为指数平滑算法的平滑系数,预测未记录的末端间隔时间,以基于所述末端间隔时间计算预设标准时间内的实际步行距离,具体包括:
将所述联合趋势系数作为指数平滑算法的平滑系数,以时间间隔序列作为输入,确认未记录的末端间隔时间;
基于所述未记录的末端间隔时间、与预设标准时间以及标准距离,计算未记录的末端间隔时间对应的末端步行距离,其中,所述标准距离是指RFID读写器与跑道出发点的距离;
根据所述标准距离与末端步行距离,计算预设标准时间内的实际步行距离。
2.根据权利要求1所述的RFID读写器用于六分钟步行试验的步行距离读写方法,其特征在于,所述基于所述初始数据矩阵的记录次数数据、记录时间数据以及记录速度数据,构建时间间隔序列,具体包括:
根据所述记录次数数据以及记录时间数据,计算所述记录次数数据中每个元素对应的时间间隔;
以记录次数数据的第一个元素在记录时间数据对应的时刻值,以及记录次数数据中每个元素对应的时间间隔,构建依照时间顺序排序的时间间隔序列。
3.根据权利要求2所述的RFID读写器用于六分钟步行试验的步行距离读写方法,其特征在于,所述基于所述分别与所述时间间隔序列、平均步行速度序列以及记录速度序列对应的若干个预设长度的子序列,计算所述时间间隔序列对应的第一相似性融合权重,具体包括:
其中,Q1为时间间隔序列对应的第一相似性融合权重,R(s)为时间间隔序列对应第s个目标子序列,Rh(s)为除时间间隔序列外的第h个其他序列对应的第s个目标子序列,N为时间间隔序列对应的子序列的数量,M为除时间间隔序列外的其他序列的数量,corr( )为求皮尔逊相关系数函数,norm[ ]为归一化函数。
4.根据权利要求3所述的RFID读写器用于六分钟步行试验的步行距离读写方法,其特征在于,所述将所述第一步行趋势指数、第二步行趋势指数、第三步行趋势指数、第一相似性融合权重、第二相似性融合权重以及第三相似性融合权重输入预设的趋势系数计算公式,计算每个记录次数数据对应的初始联合趋势系数,具体包括:
H=norm(Q1*E1+Q2*E2+Q3*E3)
其中,H为目标记录次数数据对应的初始联合趋势系数,Q1为时间间隔序列对应的第一相似性融合权重,Q2为平均步行速度序列对应的第二相似性融合权重,Q3为记录速度序列对应的第三相似性融合权重,E1为时间间隔序列中目标元素对应的第一步行趋势指数,E2为平均步行速度序列中目标元素对应的第二步行趋势指数,E3为记录速度序列中目标元素对应的第三步行趋势指数,norm()为归一化函数。
5.根据权利要求4所述的RFID读写器用于六分钟步行试验的步行距离读写方法,其特征在于,所述基于所述未记录的末端间隔时间、与预设标准时间以及标准距离,计算未记录的末端间隔时间对应的末端步行距离,其中,所述标准距离是指RFID读写器与跑道出发点的距离,具体包括:
其中,W为未记录的末端间隔时间对应的末端步行距离,T为将所述联合趋势系数作为指数平滑算法的平滑系数且以时间间隔序列作为输入所确认的未记录的末端间隔时间,T'为预设标准时间,T”为记录时间数据的最后一个记录时刻值,S为RFID读写器与跑道出发点的距离的标准距离。
6.根据权利要求5所述的RFID读写器用于六分钟步行试验的步行距离读写方法,其特征在于,所述根据所述标准距离与末端步行距离,计算预设标准时间内的实际步行距离,具体包括:
X=W+(2n-1)*S
其中,X为预设标准时间内的实际步行距离,n为所述记录次数数据的最后一个记录次数值,S为RFID读写器与跑道出发点的距离的标准距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206905.XA CN117213523B (zh) | 2023-09-19 | 2023-09-19 | Rfid读写器用于六分钟步行试验的步行距离读写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206905.XA CN117213523B (zh) | 2023-09-19 | 2023-09-19 | Rfid读写器用于六分钟步行试验的步行距离读写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117213523A CN117213523A (zh) | 2023-12-12 |
CN117213523B true CN117213523B (zh) | 2024-06-04 |
Family
ID=89047686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311206905.XA Active CN117213523B (zh) | 2023-09-19 | 2023-09-19 | Rfid读写器用于六分钟步行试验的步行距离读写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117213523B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005267179A (ja) * | 2004-03-18 | 2005-09-29 | Seiko Epson Corp | スポーツ施設利用システム及び利用方法 |
CN101435872A (zh) * | 2008-12-23 | 2009-05-20 | 郑之敏 | Rfid矩阵分布式人员定位监测系统及其监测方法 |
KR20120100059A (ko) * | 2011-03-02 | 2012-09-12 | 주식회사 엠엔에스에이 | 보행자 활동 정보 측정 시스템 |
CN103852591A (zh) * | 2012-11-30 | 2014-06-11 | 李华容 | 一种检测游泳速度的方法和系统 |
WO2014171547A1 (ja) * | 2013-04-18 | 2014-10-23 | 株式会社フクダ産業 | 歩行試験装置 |
CN108169507A (zh) * | 2017-12-07 | 2018-06-15 | 浙江工业大学 | 一种基于rfid系统多项式估计的高速移动车辆速度预测方法 |
CN112484747A (zh) * | 2020-12-08 | 2021-03-12 | 北京小米松果电子有限公司 | 计步方法、计步装置及存储介质 |
WO2021104216A1 (zh) * | 2019-11-26 | 2021-06-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
RU2752373C1 (ru) * | 2020-11-10 | 2021-07-26 | Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий» | Способ измерения длительностей отдельных шагов левой и правой ноги |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7818224B2 (en) * | 2001-03-22 | 2010-10-19 | Boerner Sean T | Method and system to identify discrete trends in time series |
US20150310723A1 (en) * | 2014-04-29 | 2015-10-29 | Aktiebolaget Skf | Trending machine health data using rfid transponders |
FR3067614B1 (fr) * | 2017-06-20 | 2020-11-20 | Sportbak | Systeme et procede de collecte et de traitement de donnees associees aux joueurs d'un jeu de ballon |
-
2023
- 2023-09-19 CN CN202311206905.XA patent/CN117213523B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005267179A (ja) * | 2004-03-18 | 2005-09-29 | Seiko Epson Corp | スポーツ施設利用システム及び利用方法 |
CN101435872A (zh) * | 2008-12-23 | 2009-05-20 | 郑之敏 | Rfid矩阵分布式人员定位监测系统及其监测方法 |
KR20120100059A (ko) * | 2011-03-02 | 2012-09-12 | 주식회사 엠엔에스에이 | 보행자 활동 정보 측정 시스템 |
CN103852591A (zh) * | 2012-11-30 | 2014-06-11 | 李华容 | 一种检测游泳速度的方法和系统 |
WO2014171547A1 (ja) * | 2013-04-18 | 2014-10-23 | 株式会社フクダ産業 | 歩行試験装置 |
CN108169507A (zh) * | 2017-12-07 | 2018-06-15 | 浙江工业大学 | 一种基于rfid系统多项式估计的高速移动车辆速度预测方法 |
WO2021104216A1 (zh) * | 2019-11-26 | 2021-06-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
RU2752373C1 (ru) * | 2020-11-10 | 2021-07-26 | Автономная некоммерческая образовательная организация высшего образования «Сколковский институт науки и технологий» | Способ измерения длительностей отдельных шагов левой и правой ноги |
CN112484747A (zh) * | 2020-12-08 | 2021-03-12 | 北京小米松果电子有限公司 | 计步方法、计步装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117213523A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111512322B (zh) | 使用神经网络 | |
US11709474B2 (en) | Method and apparatus for detecting abnormality of manufacturing facility | |
CN111160462A (zh) | 一种基于多传感器数据对齐的无监督个性化人类活动识别方法 | |
Sherman et al. | Leveraging clinical time-series data for prediction: a cautionary tale | |
CN111191632B (zh) | 一种基于红外反射手套的手势识别方法及系统 | |
Kazijevs et al. | Deep imputation of missing values in time series health data: A review with benchmarking | |
CN117213523B (zh) | Rfid读写器用于六分钟步行试验的步行距离读写方法 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
Wang et al. | Reconstruction of missing trajectory data: a deep learning approach | |
Lee et al. | Massively parallel motion planning algorithms under uncertainty using POMDP | |
Huang et al. | Hinging hyperplanes for time-series segmentation | |
CN116631577A (zh) | 一种基于射频-传感器信息融合的手部康复动作评估系统 | |
CN108462939A (zh) | 一种地磁时序分析的室内定位方法 | |
CN117237706A (zh) | 基于姿态特征的施工人员重度疲劳检测方法 | |
CN115291166B (zh) | 井下高精度定位方法、装置、设备及存储介质 | |
CN117235489A (zh) | 传动系统多源监测数据的图变分自编码特征提取方法 | |
Stival et al. | Doubly-online changepoint detection for monitoring health status during sports activities | |
CN113744318A (zh) | 一种rfid无设备人体追踪系统的择优标签方法 | |
Yang et al. | Detecting road network errors from trajectory data with partial map matching and bidirectional recurrent neural network model | |
Bi et al. | An uncertainty-based neural network for explainable trajectory segmentation | |
Wang et al. | Irregularly Sampled Multivariate Time Series Classification: A Graph Learning Approach | |
CN104793766A (zh) | 一种基于射频标签的无线鼠标实现方法 | |
Ranganathan | Probabilistic topological maps | |
Hashida et al. | MACD-histogram-based fully convolutional neural networks for classifying time series | |
CN117574098B (zh) | 一种学习专注度分析方法以及相关装置 |
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 | ||
GR01 | Patent grant |