人工智能如何克服醫(yī)院室內資產跟蹤的挑戰(zhàn)

在物聯(lián)網應用中，人工智能最常用于數(shù)據(jù)堆棧的“頂端”——對通常來自多個來源的大型數(shù)據(jù)集進行操作。例如，在醫(yī)院環(huán)境中，人工智能和實時定位系統(tǒng)可用于預測分析：您能否根據(jù)天氣預測急診室入院率？您能否根據(jù)使用情況更好地估計設備何時需要維護？

然而，在每個物聯(lián)網堆棧的“底層”，人工智能開始應用于傳感器本身，并產生非常重要的影響：人工智能使低質量的傳感器能夠實現(xiàn)非常高質量的性能，從而帶來一直以來的投資回報。到目前為止，許多物聯(lián)網解決方案中還沒有出現(xiàn)這種情況。

人工智能和實時定位系統(tǒng)

人工智能在傳感器中的應用之一是實時定位系統(tǒng)(RTLS)。許多行業(yè)都采用人工智能和實時定位系統(tǒng)來跟蹤移動資產，以更好地監(jiān)控、優(yōu)化和自動化關鍵流程。

醫(yī)院中一個簡單的例子是潔凈設備室的管理——遍布整個醫(yī)院的儲藏室，存放潔凈設備以供使用。需要設備的護士應該能夠在潔凈室中準確找到他們需要的東西。

然而，如果潔凈室?guī)齑嫠經]有得到正確維護，那么設備可能無法使用，從而迫使醫(yī)院進行漫長的搜索，從而影響患者的安全和員工的工作效率，最終迫使醫(yī)院過度購買昂貴的設備（通常是兩倍），以確保有足夠的設備可用性過剩。

如果您可以自動確定設備的位置，您就可以輕松跟蹤每個潔凈室中可用設備的數(shù)量，并在庫存不足時自動觸發(fā)補貨。這是 RTLS 的一種用途，其中要求確定設備位于哪個房間。是在病房中嗎？那么就無法使用了。是在潔凈室里嗎？然后它會影響可用設備的數(shù)量。

因此，以極高的置信度確定設備位于哪個房間至關重要：位置錯誤會讓您認為您正在尋找的三個 IV 泵位于 12 號病房，而實際上它們位于隔壁的潔凈室，這會導致通過高估可用泵來破壞過程。

通過 RTLS，移動標簽被附加到資產上，固定基礎設施（通常在天花板或墻壁上）確定標簽的位置。各種無線技術被用來實現(xiàn)這一目標，而這正是人工智能產生重大積極影響的地方。使用的技術屬于兩個陣營之一：

1.      不穿透墻壁的無線技術，例如超聲波和紅外線。通過在每個房間放置接收器并偵聽移動標簽的傳輸來實現(xiàn)房間級精度。如果您能聽到標簽的聲音，則它一定與您在同一個房間。達到房間級精度。

2.      確實可以穿透墻壁的無線技術，例如 Wi-Fi 和藍牙（最常見的是低功耗藍牙或 BLE）。接收器遍布整個建筑物，測量接收到的標簽傳輸?shù)男盘枏姸?，從而通過算法確定標簽的位置。

常見問題

第 一陣營——非穿墻技術——的問題是多方面的。當有人沒關門時會發(fā)生什么？（大多數(shù)醫(yī)院的共同政策）。在沒有墻壁的情況下如何確定設備的位置？（設備通常存放在露天區(qū)域）。

答案是在每個房間放置設備的成本已經非常高的要求中添加越來越多的基礎設施設備，這意味著這些解決方案很快就會變得成本高昂，而且部署起來非常麻煩。

2 號營地需要的基礎設施要少得多，從價格的角度來看更有吸引力，但也有局限性。測量多個固定接收器處從單個標簽接收到的信號強度支持標簽位置的確定性計算。通過使用信號強度如何隨距離下降的通用模型，可以進行粗略的范圍估計，并且三個范圍估計產生 2D 位置估計。軟件中的地理圍欄將這些二維坐標轉換為房間占用情況。

問題在于，信號在該范圍內下降的方式復雜且混亂，不僅受到信號阻擋（墻壁、設備、人員）的影響，而且還受到多個信號反射相互作用（“多徑衰落”）的影響。最終結果是確定位置的精度為 8 到 10 米或更差，不足以確定物體位于哪個房間。

機器學習

具有機器學習背景的人可能已經發(fā)現(xiàn)了一個機會：確定物體所在的房間不是跟蹤問題，而是分類問題。與所有的頓悟一樣，新一代的實時定位系統(tǒng)公司需要從他們的算法中退一步，以新的眼光來看待這個問題。正是在這里，人工智能正在改變 RTLS。

如果您可以利用 2 號營地的低成本技術來實現(xiàn)與 1 號營地相同的性能水平會怎么樣？如果您可以在不付出成本的情況下提供所有價值怎么辦？通過利用 BLE 傳感器并應用機器學習，這正是人工智能為派對帶來的效果。

為什么不利用信號強度作為特征來訓練分類算法，而不是根據(jù)信號強度做出非常差的范圍估計呢？由于信號穿透多堵墻，單個標簽可以聽到來自多個固定基礎設施設備的信號，這些設備提供大量功能，可以對房間占用情況進行非常高置信度的推斷。AI 在安裝過程中接受一次訓練，學習足以區(qū)分房間 1 和房間 2 等的特征。

這是思維方式的根本性轉變，具有非常深遠的成果。對于傳統(tǒng) Wi-Fi 和 BLE 系統(tǒng)，建筑物中的混沌信號傳播會造成信號強度的巨大變化，從而混淆范圍估計算法。

結果是精度非常差，但相反，從一個地方到另一個地方信號強度的相同變化正是使 ML 成為如此強大工具的特征變化。碾壓傳統(tǒng)方法的信號傳播特性正是人工智能所需的素材。

RTLS 已經進入了一個新時代，在云大小的大腦上運行的復雜機器學習算法可以采用分類方法來定位對象。人工智能和實時定位系統(tǒng)的成果是高性能、低成本的傳感器，這些傳感器正在改進關鍵流程，并使醫(yī)院能夠以更低的成本提供更好的服務并取得更好的結果。