使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法技术

本发明专利技术提出了一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法，包括：S1，获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型进行提炼；S2，将提炼后的行为轨迹数据通过数据抽取函数进行优化导出，确定最优的用户行为轨迹路线。

Data screening method for intelligent control of intelligent medical equipment using cloud geographic information data

The invention provides intelligent control data screening method of intelligent medical devices using a cloud of geographic information data including: S1, get the user behavior track demand information, according to the information provided by the cloud track data, extracted by the corresponding model; S2, the behavior trajectory data extracted by optimization of derived data extraction function to determine the user behavior, optimal route.

【技术实现步骤摘要】
使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法
本专利技术涉及大数据智能行驶控制领域，尤其涉及一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法。
技术介绍
由于人口的老龄化逐渐凸显出来，其生活质量和健康状况需要得到社会的关心和照顾，而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通，但是由于行动不便的原因，而不能够进行外出活动，从而应运而生了医疗运输装备，例如助力轮椅或者电动轮椅，以及手控平衡车等产品，虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢，而不能够很好的进行人车交互，这就应运而生了自动驾驶轮椅，但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好的规划判断，节省路径或者提高效率缩短驾驶时间。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法。为了实现本专利技术的上述目的，本专利技术提供了一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法，包括：S1，获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型进行提炼；根据云端数据获取海量用户的历史行进轨迹，对于历史行进轨迹进行斑纹降噪模型筛选；S1-1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；S1-2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；S1-3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。S1-4，生成时间耗费模型其中，αt为时间耗费值的阈值，Ni(t)为每个行进轨迹的时间耗费值，Ni(t+1)为下一时段行进轨迹的时间耗费值，S1-5，生成时间耗费的预测模型其中，βt为时间耗费预测值的阈值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nj(t+1)为下一时段行进轨迹的时间耗费预测值，S1-6，生成风速的预测模型其中，χt为风速判断值的阈值，Nk(t)为每个行进轨迹的风速判断值，Nk(t+1)为下一时段行进轨迹的风速判断值，S1-7，生成气温的预测模型其中，δt为气温判断值的阈值，Nl(t)为每个行进轨迹的气温判断值，Nl(t+1)为下一时段行进轨迹的气温判断值，S1-8，生成降水量预测模型其中，εt为降水量判断值的阈值，Nm(t)为每个行进轨迹的降水量判断值，Nm(t+1)为下一时段行进轨迹的降水量判断值。S2，将提炼后的行为轨迹数据通过数据抽取函数进行优化导出，确定最优的用户行为轨迹路线；所述的使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法，优选的，所述S2包括：用户对行进轨迹数据进行抽样的代价函数为，其中，Ni(t)为每个行进轨迹的时间耗费值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nk(t)为每个行进轨迹的风速判断值，Nl(t)为每个行进轨迹的气温判断值，Nm(t)为每个行进轨迹的降水量判断值，M为统计行进轨迹内全部的轨迹数；P为全部行进轨迹信息向量。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：通过上述方法实现了用户选择行进轨迹的模型估计，对于历史行进估计时间，降水量，风速以及气温变化等数据作为模型数据属性，确定行进轨迹时间，降水量，风速以及气温变化属性的总体函数运算，可以有效地提高医疗设备在复杂路况上的安全行驶概率。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术总体示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。如图1所示，本专利技术提供了一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法，包括：S1，获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型进行提炼；根据云端数据获取海量用户的历史行进轨迹，对于历史行进轨迹进行斑纹降噪模型筛选；S1-1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；S1-2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；S1-3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。S1-4，生成时间耗费模型其中，αt为时间耗费值的阈值，Ni(t)为每个行进轨迹的时间耗费值，Ni(t+1)为下一时段行进轨迹的时间耗费值，S1-5，生成时间耗费的预测模型其中，βt为时间耗费预测值的阈值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nj(t+1)为下一时段行进轨迹的时间耗费预测值，S1-6本文档来自技高网...

【技术保护点】
一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法，其特征在于，包括：S1，获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型进行提炼；根据云端数据获取海量用户的历史行进轨迹，对于历史行进轨迹进行斑纹降噪模型筛选；S1‑1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；S1‑2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，K(p)＝R(|r(p)

【技术特征摘要】
1.一种使用云端地理信息数据对智能医疗设备进行智能控制的数据筛选方法，其特征在于，包括：S1，获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型进行提炼；根据云端数据获取海量用户的历史行进轨迹，对于历史行进轨迹进行斑纹降噪模型筛选；S1-1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；S1-2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；S1-3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。S1-4，生成时间耗费模型其中，αt为时间...

【专利技术属性】
技术研发人员：刘玉蓉，杨晓凡，
申请(专利权)人：重庆市智权之路科技有限公司，
类型：发明
国别省市：重庆,50