CN109905868B - 一种智能可穿戴设备蓝牙通信预测方法及*** - Google Patents
一种智能可穿戴设备蓝牙通信预测方法及*** Download PDFInfo
- Publication number
- CN109905868B CN109905868B CN201910148244.7A CN201910148244A CN109905868B CN 109905868 B CN109905868 B CN 109905868B CN 201910148244 A CN201910148244 A CN 201910148244A CN 109905868 B CN109905868 B CN 109905868B
- Authority
- CN
- China
- Prior art keywords
- wearable device
- rssi value
- intelligent wearable
- neural network
- server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
- Telephone Function (AREA)
Abstract
本发明公开了一种智能可穿戴设备蓝牙通信预测方法及***,方法包括训练过程、预测过程和通信过程:所述训练过程包括:服务端采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;所述预测过程包括:服务端采样智能可穿戴设备的RSSI值,生成分析样本,通过所述神经网络模型对所述分析样本进行分析,预测出下一个RSSI值的峰值时刻;所述通信过程包括:所述智能可穿戴设备根据所述峰值时刻与所述服务端进行蓝牙通信。具有可有效降低智能可穿戴设备在蓝牙通信预测过程中的能量消耗,预测准确性好、可有效提高蓝牙通信质量等优点。
Description
技术领域
本发明涉及蓝牙通信技术领域,尤其涉及一种智能可穿戴设备蓝牙通信预测方法及***。
背景技术
在已有的降低可穿戴设备蓝牙通信能耗的方法中,如何最大可能地降低周期运动中射频模块传输信号的路径损耗,预测设备在周期运动中的信号最小路径损耗点是其中的重要技术之一。预测周期运动中的信号最小路径损耗点的技术是一种机会主义的、实时性要求比较高的预测技术,可以在满足周期运动场景下通信服务质量的前提下,实现可穿戴设备通信能耗的最小化,该技术将通信与预测方法结合,在边缘计算场景下充分利用了智能手机和边缘计算结点多余的计算资源。近几年来,随着可穿戴设备的蓬勃发展,节能降耗的预测技术已广泛应用于各种无线通信***中。
可穿戴设备在蓝牙通信中的一个典型场景为:可穿戴智能手环/智能手表佩戴在人体的左/右手腕,监测人体的运动、心率等健康指标,同时将这些健康指标数据经由蓝牙射频模块发送至智能手机中,存放在左/右裤口袋的能手机作为蓝牙设备的收端负责数据的存储和计算。可穿戴设备长期随人体近似周期性的运动,如走路、跑步等,蓝牙收发设备间的距离会周期性增加和减小,信号在传播中的路径衰减也会处于周期性的变化中,甚至当身体周期性阻挡在收发设备之间时,信号的路径损耗将达到最大。为保证在受身体阻挡时衰减的无线射频信号能保证蓝牙设备之间能够可靠通信,蓝牙射频模块的发射功率往往被调至最高档。这无疑是一种应对最坏情况的最保守方法,对于运动中绝大部分情况,射频信号的衰减往往达不到最大的路径损耗,若以最大发射功率发送数据,能量都是浪费的。
所以,为有效降低蓝牙设备的通信能耗,目前常用的方法是在射频信号的最小路径损耗点执行通信任务。可穿戴设备采用接收信号强度指示(即RSSI值)表示接收信号质量,当RSSI值达到波峰时无线信号的路径损耗将达到最小值。目前,采用预测RSSI值何时到达波峰的方法来预测信号的最小路径损耗点,可穿戴设备只在最小路径损耗点执行通信任务,通信设备发射功率的设置仅需保证在该最小路径损耗点处有可靠的通信质量,这种方法能极大降低可穿戴设备的通信能耗。
预测可穿戴设备RSSI值何时到达波峰的方法主要有:一种方法是智能手机周期性采集可穿戴设备在发送阶段的RSSI值,并将该RSSI值发送回可穿戴设备,可穿戴设备再使用快速傅里叶方法(FFT变换)提取出RSSI信号序列的基频f0,以基频f0的倒数作为下一个RSSI值波峰何时到来的近似预测。该方法预测RSSI值到达波峰的时刻比较简单,短期内能取得较好的效果,但其缺点是:人体的运动并不是严格的周期运动,当运动周期与之前维持的运动周期出现微小偏差,预测结果会逐步累计成较大的偏移误差;当偏移误差较大时,再重新进行FFT变换求新的基频f0,频繁的计算对可穿戴设备的能量消耗也较大。
另一种方法是智能手机周期性采集可穿戴设备的RSSI值,同样是将该值发送回可穿戴设备,可穿戴设备同时采集本地的三轴加速度计信号,同时处理RSSI值和加速度计信号,将这两种数据融合,得到加速度值与RSSI值相邻波峰的偏差,对所有偏差进行聚类操作,将最大聚类的均值作为RSSI值下一个波峰与加速度值当前波峰的偏差预测,以加速度计当前波峰为基础推测RSSI值何时到达波峰。该方法运动加速度计波峰,运动聚类思想,在一定程度上提高了预测的准确性。其缺点是:要求可穿戴设备有加速度计,成本过高;另外,聚类思想不足以预测人体不严格的周期运动,当运动周期产生漂移,预测误差也会逐渐增大,虽然误差增大可通过校正解决,但频繁的校正操作,也将极大的消耗可穿戴设备的电量。
不管是采用何种预测技术,都难以应对人体运动周期偏移导致的误差,都需要在可穿戴设备上计算出预测值。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种可有效降低智能可穿戴设备在蓝牙通信预测过程中的能量消耗,预测准确性好、可有效提高蓝牙通信质量的智能可穿戴设备蓝牙通信预测方法及***。
为解决上述技术问题,本发明提出的技术方案为:一种智能可穿戴设备蓝牙通信预测方法,包括训练过程、预测过程和通信过程:
所述训练过程包括:服务端采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;
所述预测过程包括:服务端采样智能可穿戴设备的RSSI值,生成分析样本,通过所述神经网络模型对所述分析样本进行分析,预测出下一个RSSI值的峰值时刻;
所述通信过程包括:所述智能可穿戴设备根据所述峰值时刻与所述服务端进行蓝牙通信。
进一步地,所述通信过程包括:服务端主动向智能可穿戴设备发出通信申请,智能可穿戴设备根据所述通信申请开启与所述服务端之间的蓝牙通信;
或者:
智能可穿戴设备通过接收所述峰值时刻,并进行时间监测,在所述峰值时刻到达时开启与所述服务端之间的蓝牙通信。
进一步地,在所述训练过程中,还包括服务端分析所述RSSI值变化的有效性,当所述有效性满足预设的约束条件时,根据所述RSSI值生成训练样本。
进一步地,所述训练过程中生成训练样本包括:对采样获取的所述RSSI值进行预处理,得到所述RSSI值中的波峰的位置,并计算相邻波峰的位置差,以所述位置差信息作为训练样本。
进一步地,所述预测过程中生成分析样本包括:对所述RSSI值进行分析,得出所述RSSI值的波峰位置,并计算出相邻两个波峰的位置差,并将一组所述位置差作为分析样本。
进一步地,所述服务端包括第一服务端和第二服务端;在所述训练过程中:所述第一服务端采样智能可穿戴设备的RSSI值,并生成训练样本;所述第二服务端根据所述训练样本对神经网络模型进行训练,并将训练好的神经网络模型传递给所述第一服务端。
进一步地,还包括验证调整过程:服务端监测所述智能可穿戴设备的RSSI值,并判断预测出的峰值时刻与实际峰值之间的偏差,当所述偏差不满足预设的判定条件时,进一步对所述神经网络模型进行训练。
进一步地,所述预设的判定条件包括:
P1:当所述偏差小于预设偏差门槛值时,判定偏差满足要求;
P2:当连续发生不满足P1的次数大于预设的阈值时,判定不满足判定条件。
一种智能可穿戴设备蓝牙通信预测***,包括服务端和智能可穿戴设备;所述智能可穿戴设备通过蓝牙网络与所述服务端通信连接;
所述服务端用于采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;并采样智能可穿戴设备的RSSI值,生成分析样本,通过所述神经网络模型对所述分析样本进行分析,预测出下一个RSSI值的峰值时刻;
所述智能可穿戴设备根据所述峰值时刻与所述服务端进行蓝牙通信。
进一步地,所述服务端包括第一服务端和第二服务端;
所述第一服务端采样智能可穿戴设备的RSSI值,并生成训练样本;所述第二服务端根据所述训练样本对神经网络模型进行训练,并将训练好的神经网络模型传递给所述第一服务端。
进一步地,所述服务端还用于:监测所述智能可穿戴设备的RSSI值,并判断预测出的峰值时刻与实际峰值之间的偏差,当所述偏差不满足预设的判定条件时,进一步对所述神经网络模型进行训练。
与现有技术相比,本发明的优点在于:
1、本发明通过服务端监测来源于智能可穿戴设备蓝牙信号的接收信号强度指示值(RSSI值)来训练神经网络模型,并通过监测该RSSI值,通过训练好的神经网络模型来分析预测下一个RSSI值的峰值时刻,从而在该峰值时刻开启智能可穿戴设备与服务端之间的蓝牙通信,神经网络模型训练以及预测过程中都不在智能可穿戴设备端进行,不需要消耗智能可穿戴设备的电量,而且,在训练和监测过程中,服务端通过被动的监测智能可穿戴设备的RSSI值就能够实现,不需要智能可穿戴设备向服务端发送额外的数据,也不需要智能可穿戴设备上有额外的传感器来支持(如加速度传感器等),对于智能可穿戴设备来说,能耗小,可以有效保证智能可穿戴设备的待机时间。
2、本发明中服务端在峰值时刻到达时主动向智能可穿戴设备发出通信申请,智能可穿戴设备根据该申请开启与服务端的蓝牙通信,使得对峰值时刻的监测也可以在服务端进行,可实现智能可穿戴设备端只需要消耗发送数据所需要的能量即可,进一步降低了可穿戴智能设备的能量消耗。
3、本发明通过神经网络模型,特别是通过小波神经网络模型来分析预测峰值时刻,能充分学习、分析信号在时域中的局部特征,准确预测人体周期运动过程中周期的微小偏移,预测准确率高。
附图说明
图1为本发明具体实施例的流程示意图。
图2为本发明具体实施例的具体实现步骤示意图。
图3为本发明具体实施例的***组成结构示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
在本实施例中,智能可穿戴设备蓝牙通信预测方法,包括训练过程、预测过程和通信过程:训练过程包括:服务端采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;预测过程包括:服务端采样智能可穿戴设备的RSSI值,生成分析样本,通过神经网络模型对分析样本进行分析,预测出下一个RSSI值的峰值时刻;通信过程包括:智能可穿戴设备根据峰值时刻与服务端进行蓝牙通信。
在本实施例中,通信过程包括:服务端主动向智能可穿戴设备发出通信申请,智能可穿戴设备根据通信申请开启与服务端之间的蓝牙通信;或者:智能可穿戴设备通过接收峰值时刻,并进行时间监测,在峰值时刻到达时开启与服务端之间的蓝牙通信。
在本实施例中,优选,在训练过程中,还包括服务端分析RSSI值变化的有效性,当有效性满足预设的约束条件时,根据RSSI值生成训练样本。
在本实施例中,训练过程中生成训练样本包括:对所述RSSI值进行分析,得出所述RSSI值的波峰位置,并计算出相邻两个波峰的位置差,并将一组所述位置差作为分析样本。
在本实施例中,预测过程中生成分析样本包括:对采样获取的RSSI值进行预处理,得到RSSI值中的波峰的位置,并计算相邻波峰的位置差,以位置差信息作为分析样本。
在本实施例中,优选,服务端包括第一服务端和第二服务端;在训练过程中:第一服务端采样智能可穿戴设备的RSSI值,并生成训练样本;第二服务端根据训练样本对神经网络模型进行训练,并将训练好的神经网络模型传递给第一服务端。
在本实施例中,优选,还包括验证调整过程:服务端监测智能可穿戴设备的RSSI值,并判断预测出的峰值时刻与实际峰值之间的偏差,当偏差不满足预设的判定条件时,进一步对神经网络模型进行训练。预设的判定条件包括:P1:当偏差小于预设偏差门槛值时,判定偏差满足要求;P2:当连续发生不满足P1的次数大于预设的阈值时,判定不满足判定条件。
本实施例的智能可穿戴设备蓝牙通信预测***,包括服务端和智能可穿戴设备;智能可穿戴设备通过蓝牙网络与服务端通信连接;服务端用于采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;并采样智能可穿戴设备的RSSI值,生成分析样本,通过神经网络模型对分析样本进行分析,预测出下一个RSSI值的峰值时刻;智能可穿戴设备根据峰值时刻与服务端进行蓝牙通信。
在本实施例中,服务端包括第一服务端和第二服务端;第一服务端采样智能可穿戴设备的RSSI值,并生成训练样本;第二服务端根据训练样本对神经网络模型进行训练,并将训练好的神经网络模型传递给第一服务端。
在本实施例中,服务端还用于:监测智能可穿戴设备的RSSI值,并判断预测出的峰值时刻与实际峰值之间的偏差,当偏差不满足预设的判定条件时,进一步对神经网络模型进行训练。
在本实施例中,通过一个具体的应用场景对本发明的上述方法及***进行详细说明。如图2和图3所示,在本应用场景中,包括智能可穿戴设备(智能手表)、作为第一服务端的智能手机和作为第二服务端的边缘端(或者云端、或后台服务器端等)。智能可穿戴设备和第一服务端之间通过蓝牙方式连接,第一服务端和第二服务端之间通过无线网络连接。智能手机可直接监测确定来自可穿戴智能设备蓝牙的信号强度值(RSSI值)。在智能可穿戴设备的蓝牙功率不变的情况下,随着智能可穿戴设备相对于智能手机的位置的变化,会引起智能手机可接收到的信号强度值的变化。如图2中所示,智能可穿戴设备端发出的蓝牙信号强度功率不变(具有基本相同波峰高度的波形信号),但在智能手机端,所接收到的蓝牙信号则具有明显的波峰和波谷,因为智能可穿戴设备与智能手机之间的距离发生变化(如智能可穿戴随使用者的手臂进行有规律的摆动),或者中间有障碍物(如使用者身体)的阻隔,使得蓝牙信号的衰减程度不同,因此,产生了明显的波峰和波谷。
在本应用场景中,为了更节省智能手机的能耗,还包括服务端分析所述RSSI值变化的有效性,当所述有效性满足预设的约束条件时,根据所述RSSI值生成训练样本。在此过程中,判断有效性的预设的约束条件包括:RSSI值是否大于预设门槛值,以及RSSI值的变化是否大于预设的变化门槛值。智能手机判断来自智能可穿戴设备的RSSI值是否大于预设门槛值,以及RSSI值的变化是否大于预设的变化门槛值,如果都满足则判断智能可穿戴设备处于有效运动中。如智能手机以100Hz的频率对RSSI值进行采样,得到一个时间段(如10s)内的采样值,得到的采样值存储在数组中,记为RSSIdevice[n],那么判断智能可穿戴设备处于有效运动中的方式可表示为下式所示:{max(RSSIdevice[n])≥-70,n∈[1,1000]}∩{max(RSSIdevice[n])-min(RSSIdevice[n])≥30,n∈[1,1000]},本场景中,预设门槛值设置为70,变化门槛值设置为30。当判断智能可穿戴设备处于有效运动中时,继续后续过程,否则,则等待一段时间后再重复进行上述判断过程。如图2中训练过程中在智能手机端进行运动检测,确定智能可穿戴设备处于正常的有效运动中后,再进行后续步骤。
在本应用场景中,进一步地,判断有效性的预设的约束条件还可以包括:判断所述RSSI值峰值的第一周期性,当第一周期性满足预设的周期条件时,判断智能可穿戴设备处于有效运动中时,继续后续过程,否则,则等待一段时间后再重复进行上述判断过程。具体地,通过对RSSI值进行低通滤波等预处理,再采用通用波峰查找算法,先得到RSSI值中的极值,去除其中的波谷值和局部波峰值,得到RSSI值中真正的波峰值Tpeak,波峰查找算法可能现有的算法实现。再计算各相邻波峰值出现时间的间隔值Tgap(即相邻波峰之间的位置差),并进一步求得间隔值的平均值当该间隔值的平均值位于预设的第一区间时,则判断智能可穿戴设备处于有效运动中时,继续后续过程,否则,则等待一段时间后再重复进行上述判断过程。第一周期性通过间隔值的平均值来表征。在本应用场景,该第一区间优选为[0,5Hz],即时,判断智能可穿戴设备是佩带在使用者身上而处于有效运动中,否则,认为该运动频率超出人体的正常运动的频率,而认为智能可穿戴设备处于无效运动中,需要等待一段时间后再重复进行上述判断过程。
在本实施例中,进一步地,判断有效性的预设的约束条件还可以包括:判断所述RSSI值峰值的第二周期性,当第二周期性满足预设的周期条件时,判断智能可穿戴设备处于有效运动中时,继续后续过程,否则,则等待一段时间后再重复进行上述判断过程。具体包括通过快速傅里叶变换对采样得到的RSSI值进行处理,提取其中的基频f0,再求倒数并根据T0确定预设的第二区间为[aT0,bT0],a、b为预设的系数。若上述平均值仍然位于预设的第二区间时,即判断智能可穿戴设备是佩带在使用者身上而处于有效运动中,否则,则等待一段时间后再重复进行上述判断过程。本应用场景中,优选a=0.9,b=1.1。
在本实施例中,在通过上述判断确定RSSI值变化的有效性性后,智能手机可将采样得到的有效的RSSI值,或者对重新进行一段时间的采样得到的RSSI值进行处理,生成神经网络模型的训练样本。图2中是在判断RSSI值有效后,重新进行一段时间的采样,再以该段时间采样得到的RSSI值来生成训练样本。生成训练样本的过程包括:对采样得到的RSSI值进行低通滤波,采用与判断RSSI值变化的有效性相同的方法得到RSSI的波峰值,并计算相邻波峰的位置差,并以该位置差值作为训练样本。计算得到的位置差存入数组Tgap。
在本实施例中,智能手机通过分析RSSI值得到训练样本后,可直接在智能手机端通过训练样本对神经网络模型进行训练,也可以通过网络将训练样本发送到第二服务端(边缘端),由第二服务端对神经网络模型进行训练,并在训练完成后,再将神经网络模型参数传递给智能手机,在智能手机上构建训练好的神经网络模型。通过将训练样本发送到边缘端,由边缘端进行训练,可以降低智能手机对计算性能的要求,减轻智能手机的计算任务量,降低智能手机的能耗。
在本实施例中,神经网络模型优选为小波神经网络模型。优选小波神经网络的输入层具有10个节点,中间层为1层隐含层,包含128个节点,输出层为1个节点。在首次训练时,选择前11个连续的间隔值Tgap作为1个训练样本,其中第1至10个间隔值Tgap作为小波神经网络的输入,第11个间隔值Tgap作为小波神经网络的输出目标值,在一次训练结束后,后移一个样本,即选择第2至11个间隔值Tgap作为输入,选择第12个间隔值Tgap作为输出目标值。重复上述过程,直到训练完成。本实施例通过采用小波神经网络模型,复用小波长度有限、平均值为0的波形,任何小波和常量函数的内积都趋近于0,母小波在一个周期内的积分趋近于0的特性。这种特性使小波变换应对信号的变换比傅里叶变换更胜一筹,原因在于,小波变换允许描述更加精确的局部特征以及信号特征的分离。将小波基函数在时域中先平移后伸缩变换,它能充分学习、分析信号在时域中的局部特征,这种变换过程被称为小波变换,以小波基函数作为隐含层传递函数的神经网络被称为小波神经网络,因此小波神经网络预测模型能更好的应对人体运动周期的微小偏移。
在训练好神经网络模型后,智能手机继续采样获取RSSI值,并根据RSSI值生成分析样本。由于本实施例的小波神经网络模型的输入端采用10个节点,因此,在生成分析样本时,智能手机通过分析RSSI值得到10个间隔值Tgap,则该10个间隔值Tgap即为1个分析样本,将该分析样本输入到训练好的小波神经网络模型,即可计算得到预测的下一个波峰相对于最近一个波峰的间隔值Tgap,也就可以预测得到下一个波峰的出现时间为最近一个波峰的出现时间+Tgap。智能手机采样获取RSSI值并分析确定波峰位置,以及计算相邻波峰的位置差都是实时进行的。具体的过程包括,智能手机实时监测智能可穿戴设备的RSSI值,并通过低滤波等方式对采样值进行预处理;实时的对采样值进行检测,以实时检测出其中波峰的位置。实时检测波峰的方法可采用现有方法。最简单的方式如预先确定某个阈值,当RSSI值由小于该阈值变化为大于该阈值时,则判断出现波峰。当然,还可以采用其它的方式,如:假设在最新采集的多个RSSI值中,倒数第np+1个RSSI值记为RSSIphone[n],与其前后间隔np个序列的采样值分别记为RSSIphone[n-np]、RSSIphone[n+np],若RSSIphone[n]满足{RSSIphone[n]>RSSIth}∩{RSSIphone[n]≥max(RSSIphone[n-np],RSSIphone[n+np])},则该RSSI值即为全局波峰的峰值,记录该波峰位置为tcurr-peak;其中,np为容错因子,取np=5,RSSIth为数组由大到小排第25%的RSSI值。智能手机通过对智能可穿戴设备的RSSI值进行检测,在得到10个连续的相邻波峰间的间隔值时,则以此作为一个分析样本,智能手机通过训练好的小波神经网络进行分析,即可预测得到下一个波峰的出现位置相对于最近一个波峰之间的间隔值Tpre,则下一个波峰的出现时刻为tpre-peak=tbase+Tpre,tbase为最近一个波峰出现时刻。在下一个波峰的出现时刻到来之前,智能可穿戴设备可以进入休眠状态,直到该时刻到来才进行唤醒,进行数据通信。
在本实施例中,在通过小波神经网络模型预测得到下一个波峰的间隔值Tpre后,即可计算得到下一个波峰出现的时间。此时,可以将间隔值Tpre发送给智能可穿戴设备,或者将下一个波峰出现的时间发送给智能可穿戴设备,由智能可穿戴设备监测该时该是否到达,并在该时刻到达时开启蓝牙通信,将数据发送给智能手机。而在该时刻到达之前和数据发送完成后,智能可穿戴设备的蓝牙设备可以进入休眠状态。从而在智能可穿戴设备只需要较小的蓝牙发送功率的情况下,就可以高质量、稳定的将数据从智能可穿戴设备发送至智能手机。在本实施例中,还可以由智能手机来监测下一波峰出现的时刻,并在该时刻到达时,由智能手机主动向智能可穿戴设备发出蓝牙通信申请,智能可穿戴设备根据该蓝牙通信申请开启蓝牙通信,将数据发送给智能手机。此种方式,可以进一步的降低智能可穿戴设备的能耗。
在本实施例中,智能手机还检测预测得到的下一波峰出现时刻与实际的波峰出现时刻之间的偏差,当连接出现偏差大于预设偏差门槛值的次数大于预设的阈值时,则认为预测结果不够准确,需要重新对神经网络模型进行训练。即通过预测得到的下一波峰出现的间隔值为Tpre,而通过监测所确定的实际间隔值为Tgap′。那么连续3预测的两者之差大于实际间隔值为Tgap′的10%时,则认为预测结果不够准确,需要重新对神经网络模型进行训练。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种智能可穿戴设备蓝牙通信预测方法,其特征在于,包括训练过程、预测过程和通信过程:
所述训练过程包括:服务端采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;
所述预测过程包括:服务端采样智能可穿戴设备的RSSI值,生成分析样本,通过所述神经网络模型对所述分析样本进行分析,预测出下一个RSSI值的峰值时刻;
所述通信过程包括:所述智能可穿戴设备根据所述峰值时刻与所述服务端进行蓝牙通信。
2.根据权利要求1所述的智能可穿戴设备蓝牙通信预测方法,其特征在于:在所述训练过程中,还包括服务端分析所述RSSI值变化的有效性,所述RSSI值变化的有效性包括判断所述RSSI值是否满足预设的约束条件,当满足预设的约束条件时,根据所述RSSI值生成训练样本。
3.根据权利要求2所述的智能可穿戴设备蓝牙通信预测方法,其特征在于:所述训练过程中生成训练样本包括:对采样获取的所述RSSI值进行预处理,得到所述RSSI值中的波峰的位置,并计算相邻波峰的位置差,以所述位置差信息作为训练样本。
4.根据权利要求3所述的智能可穿戴设备蓝牙通信预测方法,其特征在于:所述预测过程中生成分析样本包括:对所述RSSI值进行分析,得出所述RSSI值的波峰位置,并计算出相邻两个波峰的位置差,并将一组所述位置差作为分析样本。
5.根据权利要求4所述的智能可穿戴设备蓝牙通信预测方法,其特征在于:所述服务端包括第一服务端和第二服务端;在所述训练过程中:所述第一服务端采样智能可穿戴设备的RSSI值,并生成训练样本;所述第二服务端根据所述训练样本对神经网络模型进行训练,并将训练好的神经网络模型传递给所述第一服务端。
6.根据权利要求1至5任一项所述的智能可穿戴设备蓝牙通信预测方法,其特征在于:还包括验证调整过程:服务端监测所述智能可穿戴设备的RSSI值,并判断预测出的峰值时刻与实际峰值之间的偏差,当所述偏差不满足预设的判定条件时,进一步对所述神经网络模型进行训练。
7.根据权利要求6所述的智能可穿戴设备蓝牙通信预测方法,其特征在于:所述预设的判定条件包括:
P1:当所述偏差小于预设偏差门槛值时,判定偏差满足要求;
P2:当连续发生不满足P1的次数大于预设的阈值时,判定不满足判定条件。
8.一种智能可穿戴设备蓝牙通信预测***,其特征在于:包括服务端和智能可穿戴设备;所述智能可穿戴设备通过蓝牙网络与所述服务端通信连接;
所述服务端用于采样智能可穿戴设备的RSSI值,生成训练样本,对神经网络模型进行训练,得到训练好的神经网络模型;并采样智能可穿戴设备的RSSI值,生成分析样本,通过所述神经网络模型对所述分析样本进行分析,预测出下一个RSSI值的峰值时刻;
所述智能可穿戴设备根据所述峰值时刻与所述服务端进行蓝牙通信。
9.根据权利要求8所述的智能可穿戴设备蓝牙通信预测***,其特征在于:所述服务端包括第一服务端和第二服务端;
所述第一服务端采样智能可穿戴设备的RSSI值,并生成训练样本;所述第二服务端根据所述训练样本对神经网络模型进行训练,并将训练好的神经网络模型传递给所述第一服务端。
10.根据权利要求9所述的智能可穿戴设备蓝牙通信预测***,其特征在于:所述服务端还用于:监测所述智能可穿戴设备的RSSI值,并判断预测出的峰值时刻与实际峰值之间的偏差,当所述偏差不满足预设的判定条件时,进一步对所述神经网络模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148244.7A CN109905868B (zh) | 2019-02-27 | 2019-02-27 | 一种智能可穿戴设备蓝牙通信预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148244.7A CN109905868B (zh) | 2019-02-27 | 2019-02-27 | 一种智能可穿戴设备蓝牙通信预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109905868A CN109905868A (zh) | 2019-06-18 |
CN109905868B true CN109905868B (zh) | 2020-07-24 |
Family
ID=66945795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148244.7A Active CN109905868B (zh) | 2019-02-27 | 2019-02-27 | 一种智能可穿戴设备蓝牙通信预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109905868B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114696925B (zh) * | 2020-12-31 | 2023-12-15 | 华为技术有限公司 | 一种信道质量评估方法以及相关装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2928379A1 (en) * | 2013-10-25 | 2015-04-30 | Cubic Corporation | Positioning system with wireless beacons that vary transmission power levels |
CN104657792A (zh) * | 2015-03-06 | 2015-05-27 | 中电海康集团有限公司 | 一种基于规则引擎和智能预测的预警方法 |
CN106527664B (zh) * | 2016-11-07 | 2020-10-30 | 东软集团股份有限公司 | 自助终端节能控制方法及装置 |
US10346228B2 (en) * | 2017-07-12 | 2019-07-09 | Siemens Aktiengesellschaft | Method and system for deviation detection in sensor datasets |
CN107863099B (zh) * | 2017-10-10 | 2021-03-26 | 成都启英泰伦科技有限公司 | 一种新型双麦克风语音检测和增强方法 |
CN108199892B (zh) * | 2018-01-12 | 2019-11-26 | 电子科技大学 | 基于神经网络的LoRa终端最大发送速率动态预测方法 |
CN108964815A (zh) * | 2018-07-30 | 2018-12-07 | 太原理工大学 | 一种基于bp神经网络的信道选择和比特率自适应方法 |
CN109308782B (zh) * | 2018-08-29 | 2020-08-14 | 中国科学院信息工程研究所 | 一种目标物体的行为检测方法及*** |
-
2019
- 2019-02-27 CN CN201910148244.7A patent/CN109905868B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109905868A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tayeh et al. | A distributed real-time data prediction and adaptive sensing approach for wireless sensor networks | |
CN112716474B (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和*** | |
US20220070633A1 (en) | Proximity-based model for indoor localization using wireless signals | |
KR101510860B1 (ko) | 사용자 의도 파악 어플리케이션 서비스 방법 및 서버와 이를 이용한 사용자 의도 파악 어플리케이션 서비스 시스템 | |
US9591456B2 (en) | Triggering geolocation fix acquisitions on transitions between physical states | |
KR101568098B1 (ko) | 상황정보 추출 | |
CN101854653A (zh) | 一种无线多媒体传感器网络中的目标跟踪方法 | |
CN109905868B (zh) | 一种智能可穿戴设备蓝牙通信预测方法及*** | |
WO2016060620A1 (en) | Frame based spike detection module | |
CN110167114A (zh) | 一种基于帧同步信号的水下声通信节点唤醒信号检测方法 | |
Harb et al. | Adaptive data collection approach based on sets similarity function for saving energy in periodic sensor networks | |
CN113396562A (zh) | 人工智能增强数据采样 | |
Ouameur et al. | Machine learning enabled tools and methods for indoor localization using low power wireless network | |
JP2018073389A (ja) | データ処理装置、及びデータ処理方法 | |
Scarabottolo et al. | A spectrum-based adaptive sampling algorithm for smart sensing | |
Boudargham et al. | Toward fast and accurate emergency cases detection in BSNs | |
KR20110071150A (ko) | 센서의 감지 오류를 활용한 센서 샘플링 주기 조정 기법 | |
KR101189943B1 (ko) | 카오스 특성을 이용한 인지 무선 통신 시스템 엔진 유닛 | |
CN102869091B (zh) | 一种确定定位参考信号到达时间的方法及装置 | |
CN112739984B (zh) | 手机多模态位置感测 | |
CN107204879B (zh) | 一种基于指数移动平均的分布式***自适应故障检测方法 | |
KR100947805B1 (ko) | 무선 센서 네트워크를 이용한 자산추적시스템에서의 자산위치 정보의 모호성 보완 방법 및 장치 | |
Zhang et al. | Vehicle speed estimation based on sensor networks and signal correlation measurement | |
KR20200043146A (ko) | 인공신경망을 기반으로 하는 적응형 거리측정장치 | |
Hsieh et al. | End-to-end deep learning-based human activity recognition using channel state information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |