CN106203549A - 一种脐血干细胞管理*** - Google Patents

Abstract

本发明公开了一种脐血干细胞管理***，该***包括：远程服务器、终端控制器、输入装置、客户跟踪更新模块、脐血采集准备模块、工作站管理模块、机动模块、脐血采集模块、脐血分析收集模块、脐血库管理模块、综合查询模块；能够便捷高效的进行信息录入和修改，确保能够保证客户脐带血能够第一时间进行采集和脐血的入库保存。本发明通过、脐血采集准备模块、工作站管理模块、脐血采集模块、脐血分析收集模块、脐血库管理模块，优化了检测步骤和过程，使得采集后的脐带血检测更快速、高效和及时，显著降低检测成本，避免了资源浪费。

Description

一种脐血干细胞管理***

技术领域

本发明属于管理***技术领域，尤其涉及一种脐血干细胞管理***。

背景技术

脐血干细胞库按目前国际通行的模式分为公共库和自体库两种模式。目前，这两种模式存在着是***功能不完善，数据重复录入、数据跟新不及时、客户跟踪不准确以及查询相对繁琐等问题。

所以，一种能够简单、高效，能够实现业务共享，服务共享，资源共享的管理系***尤为必要。

发明内容

本发明实施例的目的在于提供一种脐血干细胞管理***，旨在提供一种能够简单、高效，能够实现业务共享，服务共享，资源共享的管理系***。

本发明实施例是这样实现的，一种脐血干细胞管理方法包括：

步骤一、接到客户脐血干细胞保存订单后，进行客户的基本信息录入；

步骤二、对客户信息进行电子标签RFID预配置；

步骤三、对预先配置的电子标签RFID进行分析，确定所述RFID的唯一标识UID，将确定出的所述UID与所述RFID的载体的参数信息进行组合，生成防伪信息；

步骤四、在云数据平台的云存储端划分一个存储空间，存储客户信息的防伪信息，云平台根据预先配置的私钥对所述防伪信息进行签名，生成防伪信息签名；

步骤五、将所述防伪信息签名与所述参数信息写入至所述RFID中，生成防伪电子标签，中断控制器将包含客户基本信息的防伪电子标签上传至远程服务器；

步骤六、远程服务器通过获取每一脐血运输、存储点的信息，对脐血进行跟踪管理。

进一步，对脐血进行跟踪管理的具体方法为：

步骤一、远程服务器读出RFID编码，根据RFID编码到根编码解析服务器数据库查询注册地址；

步骤二、根据注册地址找到血液存入的信息，再根据出库的地址顺序找到其它库存地址的信息。

进一步，生成防伪信息签名的方法为密钥库中央控制器生成随机数rkey_id，利用椭圆曲线密码算法计算其相应的公钥rPK_id，rPK_id＝rkey_id×G，G为椭圆曲线的基点，将rPK_id和用户标识UID对外发送，密钥生成***生成随机数rkey_KMC，利用椭圆曲线密码算法计算其相应的公钥rPK_KMC，其中，rPK_KMC＝rkey_KMC×G，并记γ_id＝rPK_id+rPK_KMC，具体为：

步骤一、利用用户标识UID计算标识私钥key_id和标识公钥R_id，具体为：

步骤二、生成私钥矩阵和公钥矩阵，私钥矩阵和公钥矩阵的大小均为m×h，m和h均为正整数；

步骤三、利用用户标识UID使用散列算法计算用户标识UID的散列值，将所述散列值分为m段，作为私钥矩阵和公钥矩阵的列映射值map[i]，i＝0,1,2......m-1；

计算：

${\mathrm{key}}_{id}=\left(\underset{i=0}{\overset{m-1}{\Σ}}{r}_{i,map\[i\]}\right)\mathrm{mod}n$

$R_{id}=\left(\underset{i=0}{\overset{m-1}{\Σ}}{X}_{i,map\[i\]}\right)\mathrm{mod}n$

r_i,map[i]为私钥矩阵中的一个元素；

X_i,map[i]为公钥矩阵中的一个元素；

n为椭圆曲线的阶。

一种脐血干细胞管理***，包括：远程服务器、终端控制器、输入装置、客户跟踪更新模块、脐血采集准备模块、工作站管理模块、机动模块、脐血采集模块、脐血分析收集模块、脐血库管理模块、综合查询模块；

所述的终端控制器与所述的远程服务器连接，所述的输入装置与所述的终端控制器连接，所述的客户跟踪跟新模块与所述的输入装置连接，所述的脐血采集模块与所述的中断控制器连接，所述的工作站管理模块与所述的远程服务器连接，所述的机动模块与所述的远程服务器连接，所述的脐血分析收集模块与所述的终端控制器连接，所述的脐血库管理模块与所述的终端控制器和所述的远程服务器连接，所述的综合查询模块与所述的远程服务器连接；

进一步，所述的远程服务器内包含各个终端控制器以及各个服务站内的所有客户信息、脐血干细胞信息以及各个部门状态信息；

进一步，所述的终端控制器包含所处服务站内的客户信息、脐血干细胞信息以及服务站内工作人员状态信息；

进一步，所述的输入模块分为固定输入装置和移动输入装置，移动输入装置可以为手机APP形式，能够便捷高效的进行信息录入和修改；‘

进一步，所述的客户跟踪更新模块分为客户端和工作端，客户端为客户自己进行状态的更新，工作端为员工进行客户跟踪进行数据的更新；

进一步，所述的机动模块为每个工作站内人员可调动的信息，确保每个区域内工作的协调性；

进一步，所述的综合信息查询模块能够连接到远程数据库，直接查询到脐血干细胞和客户的信息。

当接到客户脐血干细胞保存订单后，输入装置进行客户的基本信息录入，中断控制器将客户基本信息上传至远程服务器，输入模块分为固定输入装置和移动输入装置，移动输入装置可以为手机APP形式，能够便捷高效的进行信息录入和修改，确保能够保证客户脐带血能够第一时间进行采集和脐血的入库保存。远程服务能够显示各个工作站内的运行状态，当某个工作站内运行状态出现报警后，机动模块开始工作，调动其它工作站内的可调动人员，确保每个区域内工作的协调性。

进一步，终端控制器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的信号处理方法包括：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；(p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；对跳频混合信号时频域矩阵进行预处理，具体包括：

对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；

找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),…,b_M(p,q)]^T，其中

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；对第l(l＝1,2,…)跳的所有时刻p_l，估计该跳各跳频源信号的时频域数据，计算公式如下：

$\left\{\begin{array}{c}{\tilde{S}}_j(p_l,q)=\frac{1}{\left|\right|{\hat{a}}_j\left(l\right)|{|}^2}\·{\hat{a}}_j^H\left(l\right)\×\left[\begin{array}{c}{\tilde{X}}_1(p_l,q)\\ {\tilde{X}}_2(p_l,q)\\ .\\ .\\ .\\ {\tilde{X}}_M(p_l,q)\end{array}\right]\\ j=\underset{j_0=1,2,\mathrm{...},\hat{N}}{\arg \max }\left(\right|{\[{\tilde{X}}_1(p_l,q),{\tilde{X}}_2(p_l,q),\mathrm{...},{\tilde{X}}_M(p_l,q)\]}^H\×{\hat{a}}_{j_0}\left(l\right)\left|\right)\\ \begin{array}{cc}{\tilde{S}}_m(p_l,q)=0& m=1,2,\mathrm{...},M,m\≠j\end{array}\\ q=0,1,2,\mathrm{...},N_{fft}-1\end{array}\right.$

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

${\widehat{\mathrm{\θ}}}_n\left(l\right)=\frac{1}{M-1}\underset{m=2}{\overset{M}{\Σ}}{\sin }^{-1}\[\frac{angle\left({\hat{a}}_{n,m}\right(l)/{\hat{a}}_{n,m-1}(l\left)\right)*c}{2\mathrm{\π}{\hat{f}}_{c,n}\left(l\right)d}\],n=1,2,\mathrm{...},\hat{N}$

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

${m_n}^{\left(l\right)}=\underset{m}{\arg min}|{\widehat{\mathrm{\θ}}}_m^{\left(l\right)}-{\widehat{\mathrm{\θ}}}_n^{\left(1\right)}|,n=1,2,...,\hat{N}$

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即

步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

$s_n\&lsqb;kC:(k+1)C-1\&rsqb;=\left\{\begin{array}{cc}\underset{m=0}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k<K_c\\ \underset{m=k-K_c+1}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k\&GreaterEqual;K_c\end{array}\right.,k=0,1,2,\mathrm{...}$

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

本发明设置有远程服务器、终端控制器、输入装置、机动模块、客户跟踪更新模块，能够便捷高效的进行信息录入和修改，确保能够保证客户脐带血能够第一时间进行采集和脐血的入库保存。本发明通过、脐血采集准备模块、工作站管理模块、脐血采集模块、脐血分析收集模块、脐血库管理模块，优化了检测步骤和过程，使得采集后的脐带血检测更快速、高效和及时，显著降低检测成本，避免了资源浪费。本发明实施例提供的基于聚类的同步正交跳频信号盲源分离方法，在不知道任何信道信息的条件下，仅根据接收到的多个跳频信号的混合信号，估计出跳频源信号，能在接收天线个数小于源信号个数的条件下，对多个跳频信号进行盲估计，仅仅利用了短时傅里叶变换，计算量小，容易实现，该方法在对跳频信号进行盲分离的同时，还能对部分参数进行估计，实用性强，具有较强的推广与应用价值。

附图说明

图1是本发明实施例提供的一种脐血干细胞管理***的结构示意图；

图中：1、远程服务器；2、终端控制器；3、输入装置；4、客户跟踪更新模块；5、脐血采集准备模块；6、工作站管理模块；7、机动模块；8、脐血采集模块；9、脐血分析收集模块；10、脐血库管理模块；11、综合查询模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。

请参阅图1：

一种脐血干细胞管理方法包括：

步骤一、接到客户脐血干细胞保存订单后，进行客户的基本信息录入；

步骤二、对客户信息进行电子标签RFID预配置；

步骤三、对预先配置的电子标签RFID进行分析，确定所述RFID的唯一标识UID，将确定出的所述UID与所述RFID的载体的参数信息进行组合，生成防伪信息；

步骤四、在云数据平台的云存储端划分一个存储空间，存储客户信息的防伪信息，云平台根据预先配置的私钥对所述防伪信息进行签名，生成防伪信息签名；

步骤五、将所述防伪信息签名与所述参数信息写入至所述RFID中，生成防伪电子标签，中断控制器将包含客户基本信息的防伪电子标签上传至远程服务器；

步骤六、远程服务器通过获取每一脐血运输、存储点的信息，对脐血进行跟踪管理。

进一步，对脐血进行跟踪管理的具体方法为：

步骤一、远程服务器读出RFID编码，根据RFID编码到根编码解析服务器数据库查询注册地址；

步骤二、根据注册地址找到血液存入的信息，再根据出库的地址顺序找到其它库存地址的信息。

进一步，生成防伪信息签名的方法为密钥库中央控制器生成随机数rkey_id，利用椭圆曲线密码算法计算其相应的公钥rPK_id，rPK_id＝rkey_id×G，G为椭圆曲线的基点，将rPK_id和用户标识UID对外发送，密钥生成***生成随机数rkey_KMC，利用椭圆曲线密码算法计算其相应的公钥rPK_KMC，其中，rPK_KMC＝rkey_KMC×G，并记γ_id＝rPK_id+rPK_KMC，具体为：

步骤一、利用用户标识UID计算标识私钥key_id和标识公钥R_id，具体为：

步骤二、生成私钥矩阵和公钥矩阵，私钥矩阵和公钥矩阵的大小均为m×h，m和h均为正整数；

步骤三、利用用户标识UID使用散列算法计算用户标识UID的散列值，将所述散列值分为m段，作为私钥矩阵和公钥矩阵的列映射值map[i]，i＝0,1,2......m-1；

计算：

${\mathrm{key}}_{id}=\left(\underset{i=0}{\overset{m-1}{\&Sigma;}}{r}_{i,map\&lsqb;i\&rsqb;}\right)\mathrm{mod}n$

$R_{id}=\left(\underset{i=0}{\overset{m-1}{\&Sigma;}}{X}_{i,map\&lsqb;i\&rsqb;}\right)\mathrm{mod}n$

r_i,map[i]为私钥矩阵中的一个元素；

X_i,map[i]为公钥矩阵中的一个元素；

n为椭圆曲线的阶。

一种脐血干细胞管理***，包括：远程服务器1、终端控制器2、输入装置3、客户跟踪更新模块4、脐血采集准备模块5、工作站管理模块6、机动模块7、脐血采集模块8、脐血分析收集模块9、脐血库管理模块10、综合查询模块11；

所述的终端控制器2与所述的远程服务器1连接，所述的输入装置3与所述的终端控制器2连接，所述的客户跟踪跟新模块与所述的输入装置3连接，所述的脐血采集模块8与所述的中断控制器连接，所述的工作站管理模块6与所述的远程服务器1连接，所述的机动模块7与所述的远程服务器1连接，所述的脐血分析收集模块9与所述的终端控制器2连接，所述的脐血库管理模块与所述的终端控制器2和所述的远程服务器1连接，所述的综合查询模块11与所述的远程服务器1连接；

进一步，所述的远程服务器1内包含各个终端控制器2以及各个服务站内的所有客户信息、脐血干细胞信息以及各个部门状态信息；

进一步，所述的终端控制器2包含所处服务站内的客户信息、脐血干细胞信息以及服务站内工作人员状态信息；

进一步，所述的输入模块分为固定输入装置3和移动输入装置3，移动输入装置3可以为手机APP形式，能够便捷高效的进行信息录入和修改；‘

进一步，所述的客户跟踪更新模块4分为客户端和工作端，客户端为客户自己进行状态的更新，工作端为员工进行客户跟踪进行数据的更新；

进一步，所述的机动模块7为每个工作站内人员可调动的信息，确保每个区域内工作的协调性；

进一步，所述的综合信息查询模块能够连接到远程数据库，直接查询到脐血干细胞和客户的信息。

当接到客户脐血干细胞保存订单后，输入装置3进行客户的基本信息录入，中断控制器将客户基本信息上传至远程服务器1，输入模块分为固定输入装置3和移动输入装置3，移动输入装置3可以为手机APP形式，能够便捷高效的进行信息录入和修改，确保能够保证客户脐带血能够第一时间进行采集和脐血的入库保存。远程服务能够显示各个工作站内的运行状态，当某个工作站内运行状态出现报警后，机动模块7开始工作，调动其它工作站内的可调动人员，确保每个区域内工作的协调性。

进一步，终端控制器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的信号处理方法包括：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；(p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；对跳频混合信号时频域矩阵进行预处理，具体包括：

对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；

找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),…,b_M(p,q)]^T，其中

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；对第l(l＝1,2,…)跳的所有时刻p_l，估计该跳各跳频源信号的时频域数据，计算公式如下：

$\left\{\begin{array}{c}{\tilde{S}}_j(p_l,q)=\frac{1}{\left|\right|{\hat{a}}_j\left(l\right)|{|}^2}\&CenterDot;{\hat{a}}_j^H\left(l\right)\&times;\left[\begin{array}{c}{\tilde{X}}_1(p_l,q)\\ {\tilde{X}}_2(p_l,q)\\ .\\ .\\ .\\ {\tilde{X}}_M(p_l,q)\end{array}\right]\\ j=\underset{j_0=1,2,\mathrm{...},\hat{N}}{\arg \max }\left(\right|{\&lsqb;{\tilde{X}}_1(p_l,q),{\tilde{X}}_2(p_l,q),\mathrm{...},{\tilde{X}}_M(p_l,q)\&rsqb;}^H\&times;{\hat{a}}_{j_0}\left(l\right)\left|\right)\\ \begin{array}{cc}{\tilde{S}}_m(p_l,q)=0& m=1,2,\mathrm{...},M,m\&NotEqual;j\end{array}\\ q=0,1,2,\mathrm{...},N_{fft}-1\end{array}\right.$

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

${\widehat{\mathrm{\&theta;}}}_n\left(l\right)=\frac{1}{M-1}\underset{m=2}{\overset{M}{\&Sigma;}}{\sin }^{-1}\&lsqb;\frac{angle\left({\hat{a}}_{n,m}\right(l)/{\hat{a}}_{n,m-1}(l\left)\right)*c}{2\mathrm{\&pi;}{\hat{f}}_{c,n}\left(l\right)d}\&rsqb;,n=1,2,\mathrm{...},\hat{N}$

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

${m_n}^{\left(l\right)}=\underset{m}{\arg min}|{\widehat{\mathrm{\&theta;}}}_m^{\left(l\right)}-{\widehat{\mathrm{\&theta;}}}_n^{\left(1\right)}|,n=1,2,...,\hat{N}$

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即

步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

$s_n\&lsqb;kC:(k+1)C-1\&rsqb;=\left\{\begin{array}{cc}\underset{m=0}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k<K_c\\ \underset{m=k-K_c+1}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k\&GreaterEqual;K_c\end{array}\right.,k=0,1,2,\mathrm{...}$

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。

本发明设置有远程服务器1、终端控制器2、输入装置3、机动模块7、客户跟踪更新模块4，能够便捷高效的进行信息录入和修改，确保能够保证客户脐带血能够第一时间进行采集和脐血的入库保存。本发明通过、脐血采集准备模块5、工作站管理模块6、脐血采集模块8、脐血分析收集模块9、脐血库管理模块10，优化了检测步骤和过程，使得采集后的脐带血检测更快速、高效和及时，显著降低检测成本，避免了资源浪费。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种脐血干细胞管理***，其特征在于，所述脐血干细胞管理***包括：远程服务器、终端控制器、输入装置、客户跟踪更新模块、脐血采集准备模块、工作站管理模块、机动模块、脐血采集模块、脐血分析收集模块、脐血库管理模块、综合查询模块；

所述的终端控制器与所述的远程服务器连接，所述的输入装置与所述的终端控制器连接，所述的客户跟踪跟新模块与所述的输入装置连接，所述的脐血采集模块与所述的中断控制器连接，所述的工作站管理模块与所述的远程服务器连接，所述的机动模块与所述的远程服务器连接，所述的脐血分析收集模块与所述的终端控制器连接，所述的脐血库管理模块与所述的终端控制器和所述的远程服务器连接，所述的综合查询模块与所述的远程服务器连接；

所述的远程服务器内包含各个终端控制器以及各个服务站内的所有客户信息、脐血干细胞信息以及各个部门状态信息；

所述的终端控制器包含所处服务站内的客户信息、脐血干细胞信息以及服务站内工作人员状态信息；

所述的输入模块分为固定输入装置和移动输入装置，移动输入装置为手机APP形式，能够便捷高效的进行信息录入和修改；

所述的客户跟踪更新模块分为客户端和工作端，客户端为客户自己进行状态的更新，工作端为员工进行客户跟踪进行数据的更新；

所述的机动模块为每个工作站内人员可调动的信息，确保每个区域内工作的协调性；

所述的综合信息查询模块能够连接到远程数据库，直接查询到脐血干细胞和客户的信息。

2.如权利要求1所述的脐血干细胞管理***，其特征在于，所述脐血干细胞管理***的脐血干细胞管理方法包括：

步骤一、接到客户脐血干细胞保存订单后，进行客户的基本信息录入；

步骤二、对客户信息进行电子标签RFID预配置；

步骤三、对预先配置的电子标签RFID进行分析，确定所述RFID的唯一标识UID，将确定出的所述UID与所述RFID的载体的参数信息进行组合，生成防伪信息；

步骤四、在云数据平台的云存储端划分一个存储空间，存储客户信息的防伪信息，云平台根据预先配置的私钥对所述防伪信息进行签名，生成防伪信息签名；

步骤五、将所述防伪信息签名与所述参数信息写入至所述RFID中，生成防伪电子标签，中断控制器将包含客户基本信息的防伪电子标签上传至远程服务器；

步骤六、远程服务器通过获取每一脐血运输、存储点的信息，对脐血进行跟踪管理。

3.如权利要求2所述的脐血干细胞管理***，其特征在于，对脐血进行跟踪管理的具体方法为：

步骤一、远程服务器读出RFID编码，根据RFID编码到根编码解析服务器数据库查询注册地址；

步骤二、根据注册地址找到血液存入的信息，再根据出库的地址顺序找到其它库存地址的信息。

4.如权利要求2所述脐血干细胞管理***，其特征在于，生成防伪信息签名的方法为密钥库中央控制器生成随机数rkey_id，利用椭圆曲线密码算法计算其相应的公钥rPK_id，rPK_id＝rkey_id×G，G为椭圆曲线的基点，将rPK_id和用户标识UID对外发送，密钥生成***生成随机数rkey_KMC，利用椭圆曲线密码算法计算其相应的公钥rPK_KMC，其中，rPK_KMC＝rkey_KMC×G，并记γ_id＝rPK_id+rPK_KMC，具体为：

步骤一、利用用户标识UID计算标识私钥key_id和标识公钥R_id，具体为：

步骤二、生成私钥矩阵和公钥矩阵，私钥矩阵和公钥矩阵的大小均为m×h，m和h均为正整数；

步骤三、利用用户标识UID使用散列算法计算用户标识UID的散列值，将所述散列值分为m段，作为私钥矩阵和公钥矩阵的列映射值map[i]，i＝0,1,2......m-1；

计算：

${\mathrm{key}}_{id}=\left(\underset{i=0}{\overset{m-1}{\&Sigma;}}{r}_{i,map\&lsqb;i\&rsqb;}\right)\mathrm{mod}n;$

$R_{id}=\left(\underset{i=0}{\overset{m-1}{\&Sigma;}}{X}_{i,map\&lsqb;i\&rsqb;}\right)\mathrm{mod}n;$

r_i，map[i]为私钥矩阵中的一个元素；

X_i,map[i]为公钥矩阵中的一个元素；

n为椭圆曲线的阶。

5.如权利要求1所述脐血干细胞管理***，其特征在于，终端控制器设置有同步正交跳频信号盲源分离模块，所述同步正交跳频信号盲源分离模块的信号处理方法包括：

步骤一，利用含有M个阵元的阵列天线接收来自多个同步正交跳频电台的跳频信号，对每一路接收信号进行采样，得到采样后的M路离散时域混合信号

步骤二，对M路离散时域混合信号进行重叠加窗短时傅里叶变换，得到M个混合信号的时频域矩阵

p＝0,1,…,P-1,q＝0,1,…,N_fft-1，其中P表示总的窗数，N_fft表示FFT变换长度；(p，q)表示时频索引，具体的时频值为这里N_fft表示FFT变换的长度，p表示加窗次数，T_s表示采样间隔，f_s表示采样频率，C为整数，表示短时傅里叶变换加窗间隔的采样点数，C＜N_fft，且K_c＝N_fft/C为整数，也就是说采用的是重叠加窗的短时傅里叶变换；

步骤三，对步骤二中得到的跳频混合信号时频域矩阵进行预处理；对跳频混合信号时频域矩阵进行预处理，具体包括：

对进行去低能量预处理，即在每一采样时刻p，将幅值小于门限ε的值置0，得到门限ε的设定可根据接收信号的平均能量来确定；

找出p时刻(p＝0,1,2,…P-1)非零的时频域数据，用表示，其中表示p时刻时频响应非0时对应的频率索引，对这些非零数据归一化预处理，得到预处理后的向量b(p,q)＝[b₁(p,q),b₂(p,q),…,b_M(p,q)]^T，其中

步骤四，利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率；

步骤五，根据步骤四估计得到的归一化混合矩阵列向量估计时频域跳频源信号；对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；对第l(l＝1,2,…)跳的所有时刻p_l，估计该跳各跳频源信号的时频域数据，计算公式如下：

$\left\{\begin{array}{c}{\tilde{S}}_j(p_l,q)=\frac{1}{\left|\right|{\hat{a}}_j\left(l\right)|{|}^2}\&CenterDot;{\hat{a}}_j^H\left(l\right)\&times;\left[\begin{array}{c}{\tilde{X}}_1(p_l,q)\\ {\tilde{X}}_2(p_l,q)\\ .\\ .\\ .\\ {\tilde{X}}_M(p_l,q)\end{array}\right]\\ j=\underset{j_0=1,2,\mathrm{...},\hat{N}}{\arg \max }\left(\right|{\&lsqb;{\tilde{X}}_1\left(p_l,q\right),{\tilde{X}}_2\left(p_l,q\right),\mathrm{...},{\tilde{X}}_M\left(p_l,q\right)\&rsqb;}^H\&times;{\hat{a}}_{j_0}\left(l\right)\left|\right)\\ \begin{array}{cc}{\tilde{S}}_m(p_l,q)=0& m=1,2,\mathrm{...},M,m\&NotEqual;j\end{array}\\ q=0,1,2,\mathrm{...},N_{fft}-1\end{array}\right.$

步骤六，对不同跳频点之间的时频域跳频源信号进行拼接；估计第l跳对应的个入射角度，用表示第l跳第n个源信号对应的入射角度，的计算公式如下：

${\widehat{\mathrm{\&theta;}}}_n=\frac{1}{M-1}\underset{m=2}{\overset{M}{\&Sigma;}}{\sin }^{-1}\&lsqb;\frac{angle\left({\hat{a}}_{n,m}\right(l)/{\hat{a}}_{n,m-1}\left(l\right))*c}{2\mathrm{\&pi;}{\hat{f}}_{c,n}\left(l\right)d}\&rsqb;,n=1,2,\mathrm{...},\hat{N}$

表示第l跳估计得到的第n个混合矩阵列向量的第m个元素，c表示光速，即v_c＝3×10⁸米/秒；判断第l(l＝2，3，…)跳估计的源信号与第一跳估计的源信号之间的对应关系，判断公式如下：

${m_n}^{\left(l\right)}=\underset{m}{\arg \min }|{\widehat{\mathrm{\&theta;}}}_m^{\left(l\right)}-{\widehat{\mathrm{\&theta;}}}_n^{\left(1\right)}|,n=1,2,\mathrm{...},\hat{N}$

其中m_n ^(l)表示第l跳估计的第m_n ^(l)个信号与第一跳估计的第n个信号属于同一个源信号；将不同跳频点估计到的属于同一个源信号的信号拼接在一起，作为最终的时频域源信号估计，用Y_n(p,q)表示第n个源信号在时频点(p,q)上的时频域估计值，p＝0,1,2,....,P，q＝0,1,2,...,N_fft-1，即

步骤七，根据源信号时频域估计值，恢复时域跳频源信号；对每一采样时刻p(p＝0，1，2，…)的频域数据Y_n(p,q),q＝0,1,2,…,N_fft-1做N_fft点的IFFT变换，得到p采样时刻对应的时域跳频源信号，用y_n(p,q_t)(q_t＝0,1,2,…,N_fft-1)表示；对上述所有时刻得到的时域跳频源信号y_n(p,q_t)进行合并处理，得到最终的时域跳频源信号估计，具体公式如下：

$s_n\&lsqb;kC:(k+1)C-1\&rsqb;=\left\{\begin{array}{cc}\underset{m=0}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k<K_c\\ \underset{m=k-K_c+1}{\overset{k}{\&Sigma;}}{y}_n\&lsqb;m,(k-m)C:(k-m+1)C-1\&rsqb;& k\&GreaterEqual;K_c\end{array}\right.k=0,1,2,\mathrm{...}$

这里K_c＝N_fft/C，C为短时傅里叶变换加窗间隔的采样点数，N_fft为FFT变换的长度。