人工智能如何克服医院室内资产跟踪的挑战

　　在物联网应用中，人工智能最常用于数据堆栈的“顶端”——对通常来自多个来源的大型数据集进行操作。 例如，在医院环境中，人工智能和实时定位系统可用于预测分析：您能否根据天气预测急诊室入院率? 您能否根据使用情况更好地估计设备何时需要维护?

　　然而，在每个物联网堆栈的“底层”，人工智能开始应用于传感器本身，并产生非常重要的影响：人工智能使低质量的传感器能够实现非常高质量的性能，从而带来一直以来的投资回报。 到目前为止，许多物联网解决方案中还没有出现这种情况。

　　人工智能和实时定位系统

　　人工智能在传感器中的应用之一是实时定位系统 (RTLS)。 许多行业都采用人工智能和实时定位系统来跟踪移动资产，以更好地监控、优化和自动化关键流程。

　　医院中一个简单的例子是洁净设备室的管理——遍布整个医院的储藏室，存放洁净设备以供使用。 需要设备的护士应该能够在洁净室中准确找到他们需要的东西。

　　然而，如果洁净室的库存水平没有得到正确的维护，那么设备可能无法使用，迫使医院进行长时间的搜索，从而影响患者安全和员工的生产力，最终迫使医院过度购买昂贵的设备(通常是两倍)，以确保有多余的可用性。

　　如果您可以自动确定设备的位置，您就可以轻松跟踪每个洁净室中可用设备的数量，并在库存不足时自动触发补货。 这是 RTLS 的一种用途，其中要求确定设备位于哪个房间。是在病房中吗? 那么就无法使用了。 是在洁净室里吗? 然后它会影响可用设备的数量。

　　如果您可以自动确定设备的位置，您就可以轻松地跟踪每个洁净室中可用设备的数量，并在库存不足时自动触发补充。这是RTLS的一个用途，需要确定设备在哪个房间。是在病房里吗?那就没货了。它在一个干净的房间里吗?那么它会影响可用设备的数量。

　　因此，以非常高的置信度确定设备位于哪个房间是至关重要的:位置错误使您认为您正在寻找的三个IV泵在12号病房，而实际上它们在隔壁的洁净室中，这将由于过高估计可用的泵而导致过程中断。

　　使用RTLS时，移动标签贴在资产上，固定的基础设施(通常在天花板上或墙上)决定标签的位置。各种无线技术被用来实现这一点，这就是人工智能正在产生重大积极影响的地方。所使用的技术属于两个阵营之一:

　　1.不穿墙的无线技术，例如超声波和红外线。通过在每个房间放置一个接收器并监听传输的移动标签，可以实现房间级别的准确性。如果你能听到标签，那一定是和你在同一个房间。实现了房间级别的精度。

　　2.穿透墙壁的无线技术，例如Wi-Fi和蓝牙(最常见的是蓝牙低能耗或BLE)。接收器遍布整个建筑，测量接收到的标签传输的信号强度，通过算法确定标签的位置。

　　常见问题

　　1号营地的问题是多方面的——非穿墙技术。当有人把门打开时会发生什么?(这是大多数医院的常见政策)。在没有墙壁的情况下，如何确定设备的位置?(设备通常存放在露天区域)。

　　答案是在每个房间都放置一个设备的成本已经非常高的要求基础上添加越来越多的基础设施设备，这意味着这些解决方案很快就会变得成本高昂，而且部署起来非常麻烦。

　　2号营地需要更少的基础设施，从价格角度来看更具吸引力，但也有局限性。在多个固定接收器处测量从单个标签接收的信号强度支持标签位置的确定性计算。通过使用信号强度如何随距离下降的通用模型，可以进行粗略的距离估计，并且三个距离估计产生2D位置估计。软件中的地理围栏将这些二维坐标转换为房间占用率。

　　问题是，信号在范围内下降的方式是复杂而混乱的，不仅受到信号阻塞(墙壁、设备、人员)的影响，还受到多个信号反射的相互作用(“多径衰落”)的影响。最终的结果是，位置的确定精度为8到10米或更差，几乎不足以确定物体所在的房间。

　　机器学习

　　具有机器学习背景的人可能已经发现了一个机会：确定物体所在的房间不是跟踪问题，而是分类问题。 与所有的顿悟一样，新一代的实时定位系统公司需要从他们的算法中退一步，以新的眼光来看待这个问题。 正是在这里，人工智能正在改变 RTLS。

　　如果您可以利用 2 号营地的低成本技术来实现与 1 号营地相同的性能水平会怎么样? 如果您可以在不付出成本的情况下提供所有价值怎么办? 通过利用 BLE 传感器并应用机器学习，这正是人工智能为派对带来的效果。

　　为什么不利用信号强度作为特征来训练分类算法，而不是根据信号强度做出非常差的范围估计呢? 由于信号穿透多堵墙，单个标签可以听到来自多个固定基础设施设备的信号，这些设备提供大量功能，可以对房间占用情况进行非常高置信度的推断。 AI 在安装过程中接受一次训练，学习足以区分房间 1 和房间 2 等的特征。

　　这是思维方式的根本性转变，具有非常深远的成果。 对于传统 Wi-Fi 和 BLE 系统，建筑物中的混沌信号传播会造成信号强度的巨大变化，从而混淆范围估计算法。

　　结果是精度非常差，但相反，从一个地方到另一个地方信号强度的相同变化正是使 ML 成为如此强大工具的特征变化。 碾压传统方法的信号传播特性正是人工智能所需的素材。

　　RTLS 已经进入了一个新时代，在云大小的大脑上运行的复杂机器学习算法可以采用分类方法来定位对象。 人工智能和实时定位系统的成果是高性能、低成本的传感器，这些传感器正在改进关键流程，并使医院能够以更低的成本提供更好的服务并取得更好的结果。