一种基于RFID的智慧病床定位系统及方法与流程

本发明属于医疗设备，涉及一种基于rfid的智慧病床定位系统及方法。

背景技术：

1、医院住院部的病房众多，且提供大量的病床，对于不熟悉医院环境的患者和医生来说，往往会迷路找不到相应的病床位置。rfid即无线射频识别，作为一种非接触式自动识别技术，可以实现快速读写、长期追踪等管理功能，在智能识别领域有着非常好的发展前景。因此，将rfid应用到医院病床中可帮助医生和患者快速定位病床，提升医疗工作效率。

2、rfid的基本原理是由rfid读写器获取rfid标签的信号强度，以此判断rfid标签所附着的物件的位置；实际应用中，rfid标签的信号强度并不稳定，会持续变化，因此需要特殊的算法来估计rfid标签的准确位置。此外，rfid标签信号强度难以被用于确定rfid标签的距离和方向，导致定位效果差等问题。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了一种基于rfid的智慧病床定位系统及方法。

2、本发明的目的可以通过以下技术方案实现：

3、第一方面，本技术提供了一种基于rfid的智慧病床定位系统，包括信号搜寻模块、位置分析模块和引导模块，其中：

4、所述信号搜寻模块，内置rfid读写器，用于搜寻附着于待定位病床的rfid标签信号；

5、所述位置分析模块，连接信号搜寻模块，用于根据rfid标签信号强度，确定rfid读写器与病床之间的距离和方向；

6、所述引导模块，连接位置分析模块，用于根据rfid读写器与病床之间的距离和方向，引导病人或医生找到待定位病床。

7、进一步地，所述位置分析模块中，所述根据rfid标签信号强度，确定rfid读写器与病床之间的距离和方向，包括以下步骤：

8、s1、以t秒作为时间步长，获取一段时间序列的rfid标签信号强度数据集；

9、s2、将rfid标签信号强度数据集输入自编码器中，获得rfid标签信号强度的主要特征数据集；

10、s3、将rfid标签信号强度的主要特征数据集输入预设的贝叶斯网络中，输出rfid标签各距离参数的概率值；

11、s4、选择概率值最大的距离参数，识别该距离参数所包含的距离范围；

12、s5、以rfid读写器的位置为圆心，分别以所述距离范围的数值上限和下限为半径画圆，并求两个圆的面积差值；

13、s6、通过移动rfid读写器的位置，分析两个圆面积差值的变化，以确定rfid标签的方向。

14、进一步地，步骤s2中，所述将rfid标签信号强度数据集输入自编码器中，获得rfid标签信号强度的主要特征数据集，包括以下步骤：

15、s21、采用自编码器的编码器对rfid标签信号强度数据集进行压缩，其计算公式为：，

16、式中：z为潜在变量，是压缩处理后的输入变量；x为输入变量，即rfid标签信号强度数据集；和分别表示模型编码部分的权重和偏置；表示编码器的sigmoid激活函数；

17、s22、通过自编码器的解码器对潜在变量进行处理，重构原始数据，计算公式如下：，

18、式中：为输出数据，是重构后的原始数据；z为潜在变量，是压缩处理后的输入变量；和分别表示模型解码部分的权重和偏置；表示解码器的sigmoid激活函数。

19、进一步地，步骤s3中，所述预设的贝叶斯网络，构建步骤如下：

20、s31、数据收集：在不同rfid读写器与标签的距离下收集rfid标签信号强度数据，获得构建模型的rfid标签距离和rfid标签信号强度数据集；

21、s32、模型结构确定：根据收集的数据变量，确定模型的结构；

22、s33、参数估计：采用最大似然估计方法确定rfid标签距离和rfid标签信号强度数据变量概率分布的参数，并根据参数估计结果构建条件概率表；

23、s34、模型结构学习：使用结构学习算法，进一步调整和优化网络结构，以获得更优的网络结构；

24、s35、模型验证：使用已知的预测数据集验证模型的准确性。

25、进一步地，步骤s32中，所述模型结构，以rfid标签信号强度作为父节点，rfid标签距离作为子节点，并连接父节点与子节点。

26、进一步地，步骤s33中，所述采用最大似然估计方法确定rfid标签距离和rfid标签信号强度数据变量概率分布的参数，并根据参数估计结果构建条件概率表，包括以下步骤：

27、s331、构建似然函数：根据观测数据的分布和模型的参数，构建似然函数，所述似然函数记为：，

28、式中，l(θ | d)为似然函数，表示在给定的观测样本d中，分布函数的参数为θ的可能性大小；p(d | θ)为条件概率函数，表示已知参数θ的情况下，观测结果为d的可能性大小；

29、s332、最大化似然函数：通过最大化似然函数，找到使得观测数据出现最大可能性的最大参数值，记为：；

30、s333、估计参数：根据最大化似然函数得到的参数值，即为参数的最大似然估计值；

31、s334、构建条件概率表：根据参数估计得到的参数值，构建各变量的条件概率表，对于每个变量，给其父节点的情况下，计算其在多个父节点的联合概率，公式为：

32、，

33、式中，p(u)表示为一组节点u = b1，b2，……，bn的联合概率分布；pa(bi)为贝叶斯网络中节点bi的父节点集合；p(bi)表示目标节点bi的先验概率。

34、进一步地，步骤s34中，所述结构学习算法为贝叶斯信息准则bic，通过枚举所有网络结构，选择bic值最小的网络结构为最优模型结构，贝叶斯信息准则bic的计算公式为：

35、，

36、式中，l为模型最大似然函数估计值；k为估计的自由参数数量；n为样本数。

37、进一步地，步骤s6中，所述通过移动rfid读写器的位置，分析两个圆面积差值的变化，以确定rfid标签的方向，具体为：

38、当两个圆面积差值变大时，表示rfid读写器处于开始远离rfid标签的方向；

39、当两个圆面积差值变小时，表示rfid读写器处于开始靠近rfid标签的方向。

40、第二方面，本技术提供了一种基于rfid的智慧病床定位方法，应用于如上所述的一种基于rfid的智慧病床定位系统，包括以下步骤：

41、以t秒作为时间步长，获取一段时间序列的rfid标签信号强度数据集；

42、将rfid标签信号强度数据集输入自编码器中，获得rfid标签信号强度的主要特征数据集；

43、将rfid标签信号强度的主要特征数据集输入预设的贝叶斯网络中，输出rfid标签各距离参数的概率值；

44、选择概率值最大的距离参数，识别该距离参数所包含的距离范围；

45、以rfid读写器的位置为圆心，分别以所述距离范围的数值上限和下限为半径画圆，并求两个圆的面积差值；

46、通过移动rfid读写器的位置，分析两个圆面积差值的变化，以确定rfid标签的方向。

47、本发明的有益效果：

48、通过将一段时间序列的rfid标签信号强度数据集输入自编码器中，获得rfid标签信号强度的主要特征数据集；将rfid标签信号强度的主要特征数据集输入预设的贝叶斯网络中，输出rfid标签各距离参数的概率值；选择概率值最大的距离参数，识别该距离参数所包含的距离范围；以rfid读写器的位置为圆心，分别以所述距离范围的数值上限和下限为半径画圆，并求两个圆的面积差值；通过移动rfid读写器的位置，分析两个圆面积差值的变化，以确定rfid标签的方向。本发明解决了rfid标签信号强度存在波动以及rfid标签的距离和方向难以通过信号强度被确定，导致定位不准确和效果差的问题。