一种基于4G移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法

暂无

一种基于4G移动通讯技术的多参数睡眠监测与智能诊断系统\n及其使用方法\n技术领域\n[0001] 本发明属于睡眠监测领域，具体的涉及一种基于4G网络的多参数睡眠监测技术，实现对人的脑电、心电、血氧饱和度、肌电、眼动等多参数的实时监测和传输、分析。\n背景技术\n[0002] 通过对中国知网上面关于睡眠监测方面的专利，进行检索，共有专利531项，构成如下：\n[0003] （1）睡眠呼吸监测设备及方法：共有专利264项；\n[0004] （2）监测呼吸暂停设备及方法：共有专利133项；\n[0005] （3）睡眠障碍：共有专利75项；\n[0006] （4）监测打鼾设备及方法：共有专利42项；\n[0007] （5）监测睡眠紊乱设备及方法：共有专利20项。\n[0008] 由此可见，专利分布以呼吸监测为主，这表明目前产品功能相对单一，无法有效进行多参数睡眠障碍监测。且目前产品生理参数多为有线传输，尚无基于移动通讯技术产品出现。另外，目前传统的睡眠分期方式为对整夜睡眠数据进行频谱分析，尚未有实时睡眠自动分期技术研究报告及相关产品出现。\n[0009] 目前产品和方法缺点：\n[0010] 1、采集到的生理信号受外界干扰大，影响测量精度。\n[0011] 2、目前仪器均为欧美进口，自动化分析的参数标准是按欧美人特点设定的，本项目拟建立中国人睡眠生理信号数据库，为进行大样本量智能分析算法建立基础。\n[0012] 3、目前仪器自动化诊断准确性较低，本项目拟通过优化的分析诊断算法，提高自动化诊断准确性，为将来的远程睡眠诊断提供技术基础。\n发明内容\n[0013] 为克服现有技术中的不足，本发明研发了“一种基于4G移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法”，该系统可监测病人脑电、心电、血氧饱和度、肌电、眼动、体温、口鼻气流、脉率、脉搏波、呼吸状态和鼾声等参数，监测数据采用4G移动通讯技术传输至云端监测与智能诊断系统，实现睡眠监测数据回放与睡眠状态分析。\n[0014] 本发明开发了一种基于4G移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法，其用户群体为睡眠性呼吸暂停综合症、失眠症及睡眠相关神经退行性疾病的患者，以及其他需要进行监护的精神异常者、情绪异常者、老人、小孩。该系统可监测被测对象脑电、心电、血氧饱和度、肌电、眼动、体温、口鼻气流、脉率、脉搏波、呼吸状态和鼾声等参数，监测数据采用4G移动通讯技术传输至云端监测与智能诊断系统，实现睡眠监测数据回放与睡眠状态分析。该系统可在被测对象家中使用，可避免被测对象在不熟悉的环境中出现睡眠困难问题。系统采用微负荷、低功耗、无线信号传输的可穿戴式传感器采集被测对象的睡眠状态相关参数，可大大减轻被测对象的不适与紧张感，以完成可信的监测过程。\n[0015] 本发明主要内容如下：\n[0016] 1、多模态微负荷可穿戴式生理信号传感器\n[0017] 开发微负荷、低功耗的监测脑电、心电、血氧饱和度、肌电、眼动、体温、口鼻气流、脉率、脉搏波、呼吸状态和鼾声等参数的可穿戴式生理信号传感器，传感器采用蓝牙4.0技术实现无线通信。\n[0018] 2、基于4G的移动医疗通讯模块\n[0019] 本系统的通信模块主要实现两项功能：①采用蓝牙4.0技术与可穿戴式睡眠状态监测传感器进行无线通信，控制各传感器工作并接受其上传的监测数据；②采用4G移动通信技术实时传输多通道、大数据量的睡眠状态监测数据至云端监测与智能诊断系统。\n[0020] 3、基于多参数生理数据融合的睡眠状态分析技术\n[0021] 根据脑电、心电、血氧饱和度、肌电、眼动、体温、口鼻气流、脉率、脉搏波、呼吸状态和鼾声等多种参数，采用基于多小波变换域特征的多模态数据融合算法，综合评估患者的睡眠状态，自动进行睡眠分期。\n[0022] 基于发明要解决的上述技术问题和要实现的上述效果，存在若干技术难点，参见附图1，以下分别对存在的技术难点进行解析和实现。\n[0023] 1、技术难点之一：微负荷传感器可靠性\准确性技术\n[0024] 参考附图1，对于该技术难点，采用睡眠生理信号监测的动态生理/病理状态自适应识别技术、“多电极补偿”、“微负荷信号感知补偿”、“二次校准”等技术，实现解决目前微负荷传感器测量不准、受外界因素影响致误差较大的问题；采用自适应脉搏波检测技术实现通过对脉搏波的强弱及形状进行智能化的自适应调整，解决了因个体差异导致的测量不准问题，平均偏差值接近0mmHg，标准偏差值由5.0mmHg降至2.0mmHg，从根本上提高了血压测量精准度。\n[0025] 2、技术难点之二：微弱生理信号监测技术\n[0026] 参考附图1，对于该技术难点，针对系统分布式数据传输需求，研发了基于4G网络、WiFi网络的传感器-网络数据接口技术、智能传感医疗终端的自适应匹配连接技术、数据安全性可靠性传输与验证技术，从而建立安全、可靠的多模态睡眠生理信息传输网络；采用动态数据归一化技术解决生理数据尺度不统一问题；采用时-频混叠信号的几何特征滤波算法，有效滤除生理参数检测的噪声和干扰，在时域中设定特定的非线性滤波器的方法-几何特征滤波方法，利用人工神经网络作为非线性滤波器，省去了通常对于滤波器频率特性的设计和优化过程，只需对人工神经网络的权系数进行训练，对于训练方法没有限制，结合BP算法，有效滤除生理参数检测的噪声和干扰。\n[0027] 3、技术难点之三：多模态数据融合智能分析技术\n[0028] 参考附图1，对于该技术难点，采用基于小波变换域信号特征分析与分类、非平稳信号动态分析、多模态数据融合、数据挖掘与预测等信号处理技术，利用睡眠生理参数监测，对疲劳、心功能、脑功能等机体健康状态做出评估，预测睡眠性呼吸暂停综合症、失眠症及睡眠相关神经退行性疾病恶性事件的发生；结合数据库模式自动匹配算法，利用朴素贝叶斯分类方法对病患进行分类；通过新的相似评估模型获取最终匹配结果，实现系统自动诊断评估报告功能。\n[0029] 与现有技术相比，本发明具有以下有益效果：\n[0030] 1、本发明基于4G移动医疗通讯技术进行多参数的睡眠监测，可以解决国内现有睡眠监测仪监测参数的单一性及有线通讯的不便性，并将睡眠监测由传统的医院监测转变为适合家用的多参数睡眠障碍监测，减轻了被监测者的心理及生理负担，具有巨大的诊断意义和市场价值。\n[0031] 2、本发明能够攻克制约我国多参数无线睡眠监测的治疗技术和设备发展的多项关键技术：多模态微负荷可穿戴式生理信号传感器的设计及制作技术；超低功耗大数据量睡眠监测数据无线传输技术；集成人体健康的多项重要生理参数监测技术；突发恶性事件的预测算法。最终形成具有自主知识产权的高性能的微负荷睡眠监测与智能诊断系统仪器研发及量产能力，对于推动我国睡眠监测诊断水平的提升具有促进意义。\n[0032] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。\n本发明的具体实施方式由以下实施例及其附图详细给出。本发明多处仅仅对做出改进的部分进行描述，而其他未说明部分可以借助本领域的现有技术实现，亦即未说明部分通过现有技术实现，在此不进行详细说明。\n附图说明\n[0033] 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：\n[0034] 图1为本发明的技术路线图。\n[0035] 图2 为本发明的基本构成。\n[0036] 图3 为远端分析处理部的构成及处理流程。\n具体实施方式\n[0037] 下面结合附图和实施例对本发明的技术实施过程做进一步说明。\n[0038] 实施例1：\n[0039] 结合附图2、3，本实施例详细描述一种基于4G移动通讯技术的多参数睡眠监测与智能诊断系统的基本构成。\n[0040] 一种基于4G移动通讯技术的多参数睡眠监测与智能诊断系统，至少包含三个部分：感应部、接收部、远端分析处理部，上述三部分均有硬件实体。\n[0041] 上述的感应部包括包括多模态微负荷可穿戴式生理信号传感器，其可为多个小型化的生理参数感应芯片，以及外部电路连接端子、信号发射端子、控制电路、微型电源。\n[0042] 上述的接收部包括信号接收端子、存储器、信号发射端子。\n[0043] 上述的远端分析处理部远端分析处理部至少包括积分及放大电路、差分采样电路、带通滤波器电路、检测电路、A/D转换电路、显示装置。\n[0044] 上述三个部分的基本工作流程为：感应部感测监测信号，通过信号发射端子将信号发送给接收部，接收部将多路信号汇总后基于4G网络发送给远端分析处理部。亦可以是基于WIFI网络。\n[0045] 上述小型化的生理参数感应芯片可以是脑电芯片或心电芯片或血氧饱和度芯片或肌电芯片或眼动芯片或体温芯片或口鼻气流芯片或脉率芯片或脉搏波芯片或呼吸状态芯片或鼾声芯片，以及上述2个或2个以上感应芯片的任意组合。\n[0046] 上述的感应部中，选择性的将I/V转换电路作为外部电路，生理参数感应芯片获取的参数信号首先通过I/V转换电路进行转换，经过转换的信号进而通过信号发射端子借助蓝牙等无线方式发送给接收部；多路生理参数感应芯片发射的信号在接收部汇总后，进一步的通过4G网络发送给远端分析处理部；在远端分析处理部中，接收的信号首先通过积分及放大电路使微弱的信号变为较强的信号，从而便于处理，然后输出信号给差分采样电路，差分采样电路对积分及放大电路输入的信号进行差分处理，进而通过带通滤波器电路过滤掉干扰信号，以提高信号的可靠性和准确度，然后经过检测电路进行检测分析，获得想要的数据结果，最后选择性的通过A/D转换电路得到结果，并传输给显示装置。\n[0047] 上述的远端分析处理部可以是基于云计算的云检测平台，以提高仪器的使用效率，由于其基于海量数据，能够提高计算结果的可靠性。\n[0048] 上述的微型电源用于给感应部供电，微型电源可由家用电源通过蓝牙的方式进行供电和/或充电。\n[0049] 上述的接收部中，还可以加入时序电路、控制电路，均采用现有技术以及现有载体实现，诸如单片机、PLC、ARM等。\n[0050] 上述的接收部还可以具有如下功能，其基于远端分析处理部的命令，进行应睡提醒、催眠、唤醒等功能，上述功能的实现可以是语音和震动的结合。相应的，为其增加如下部件：扬声器、信号调理器、控制器、音乐存储驱动器、震动驱动器、微电源，按照常规方式进行连接：信号调理器的输出端经过模数转换器与控制器连接，扬声器经音乐存储驱动器和控制器连接，振动器经振动驱动器与控制器连接等。\n[0051] 上述的接收部还可以连接有图像采集装置、麦克风，当远端分析处理部得出异常情况进而出现报警时，不仅可以设置声音警报和/或动画警报，还可以临时启动图像采集装置、麦克风，将被测对象所在位置的图像实时传输给监控室，同时实现监控人员与被测对象的临时通话。\n[0052] 所述的血氧饱和度芯片设置在手指套内，心率传感器为脉搏波芯片，其与血氧饱和度芯片集成在手指套内。\n[0053] 上述的小型化的生理参数感应芯片还可以是电容式皮肤接触传感器、三轴重力加速度传感器、反射型光电式脉搏传感器、温度传感器；上述芯片基于可穿戴技术安装于被测位置。\n[0054] 上述的技术方案，通过将接收部和处理部与感应部的分析，使被测人体上仅有感应部及其固定部分形成的穿戴部分，有利于穿戴部分的小型化，提高穿戴的舒适感，为被测对象的健康、恢复带来益处。\n[0055] 实施例2：\n[0056] 本实施例在实施例1的基础上进行，说明实施例1中基于4G移动通讯技术的多参数睡眠监测与智能诊断系统的使用方法。\n[0057] 在说明方法之前，参考附图1，先对本发明的技术难点进行说明。\n[0058] 1、技术难点之一：微负荷传感器可靠性\准确性技术\n[0059] 参考附图1，对于该技术难点，采用睡眠生理信号监测的动态生理/病理状态自适应识别技术、“多电极补偿”、“微负荷信号感知补偿”、“二次校准”等技术，实现解决目前微负荷传感器测量不准、受外界因素影响致误差较大的问题；采用自适应脉搏波检测技术实现通过对脉搏波的强弱及形状进行智能化的自适应调整，解决了因个体差异导致的测量不准问题，平均偏差值接近0mmHg，标准偏差值由5.0mmHg降至2.0mmHg，从根本上提高了血压测量精准度。\n[0060] 2、技术难点之二：微弱生理信号监测技术\n[0061] 参考附图1，对于该技术难点，针对系统分布式数据传输需求，研发了基于4G网络、WiFi网络的传感器-网络数据接口技术、智能传感医疗终端的自适应匹配连接技术、数据安全性可靠性传输与验证技术，从而建立安全、可靠的多模态睡眠生理信息传输网络；采用动态数据归一化技术解决生理数据尺度不统一问题；采用时-频混叠信号的几何特征滤波算法，有效滤除生理参数检测的噪声和干扰，在时域中设定特定的非线性滤波器的方法-几何特征滤波方法，利用人工神经网络作为非线性滤波器，省去了通常对于滤波器频率特性的设计和优化过程，只需对人工神经网络的权系数进行训练，对于训练方法没有限制，结合BP算法，有效滤除生理参数检测的噪声和干扰。\n[0062] 3、技术难点之三：多模态数据融合智能分析技术\n[0063] 参考附图1，对于该技术难点，采用基于小波变换域信号特征分析与分类、非平稳信号动态分析、多模态数据融合、数据挖掘与预测等信号处理技术，利用睡眠生理参数监测，对疲劳、心功能、脑功能等机体健康状态做出评估，预测睡眠性呼吸暂停综合症、失眠症及睡眠相关神经退行性疾病恶性事件的发生；结合数据库模式自动匹配算法，利用朴素贝叶斯分类方法对病患进行分类；通过新的相似评估模型获取最终匹配结果，实现系统自动诊断评估报告功能。\n[0064] 接下来，说明实施例1中装置的使用方法，主要包括如下步骤：\n[0065] 1、装置的安装与调试\n[0066] 针对具体的被测对象，选择多个小型化的生理参数感应芯片，将它们以穿戴的形式固定于被测对象上；将接收部安装固定在被测对象附近的稳定、安全位置，比如床头墙面、房屋顶面等，若接收部集成图像采集装置、麦克风，则一并安装；做好蓝牙、4G/WIFI网络的参数设置,并进行连接测试。通过测试，确保上述功能部件能够进行数据采集和数据传输。\n[0067] 2、数据的采集\n[0068] 达到规定的数据采集时间，则开启各小型化的生理参数感应芯片进行数据采集，在规定的时间内，数据采集不间断；\n[0069] 3、数据的传输和处理\n[0070] 各小型化的生理参数感应芯片通过蓝牙等无线技术将数据发送给附近的接收部，接收部将多通道获取的数据进行融合，接收部将融合的数据通过4G/WIFI网络发送给远端分析处理部，远端分析处理部对数据进行分析和处理，并将结果向监控室等位置反馈。在远端分析处理部中，接收的信号首先通过积分及放大电路使微弱的信号变为较强的信号，从而便于处理，然后输出信号给差分采样电路，差分采样电路对积分及放大电路输入的信号进行差分处理，进而通过带通滤波器电路过滤掉干扰信号，以提高信号的可靠性和准确度，然后经过检测电路进行检测分析，获得想要的数据结果，最后选择性的通过A/D转换电路得到结果，并传输给显示装置。\n[0071] 上述的远端分析处理部可以是基于云计算的云检测平台，以提高仪器的使用效率，由于其基于海量数据，能够提高计算结果的可靠性。同时，远端分析处理部可以是一台计算机，具有显示器、声卡、存储器，并能进行软件安装。\n[0072] 本发明的系统中，应睡提醒、催眠、唤醒等功能是按照如下方式实现的，首先在远端分析处理部存在相应的设置模块/软件，用于设置应睡提醒时间、唤醒时间、催眠曲目、唤醒曲目，以及播放唤醒曲目时是否带有振动功能。当达到指定的应睡时间时，则语音提示睡眠时间到并且播放催眠音乐。当达到指定的唤醒时间时，则语音提示唤醒时间到并且播放唤醒音乐，和或伴有振动提示。\n[0073] 本发明的系统中，图像监控和临时通话功能是按照如下方式开启的：当远端分析处理部得出的结果为异常情况，进而出现报警时，显示器出现声音警报和/或动画警报，远端分析处理部通过控制部件发出指令临时启动接收部的图像采集装置、麦克风，将被测对象所在位置的图像通过4G/WIFI实时传输给监控室等位置，同时根据需要实现监控人员与被测对象的临时通话。\n[0074] 针对上述的带通滤波器（电路），也可以采用卡尔曼滤波，对信号进行噪声处理。详细描述如下：\n[0075] 所述的卡尔曼滤波方法是通过判断输入信号参数的变化剧烈程度来自适应调节卡尔曼滤波中的观测噪声方差，其中调节观测噪声方差采用如下公式：\n[0076]\n[0077] 其中， 为t时刻的观测噪声方差， 为t-1时刻的观测噪声方差； 为时间窗内的观测值变化剧烈程度，当 越大，则在该时间窗内，观测值变化越剧烈，否则，反之；\n和 为调节系数， 一般取0.7-0.9， 一般取1.1-1.3； 为观测值变化剧烈程度的最大阈值， 为观测值变化剧烈程度最小阈值；所述的 的调节过程中的值当大于最大设定阈值时，取最大设定阈值，当小于最小设定阈值时，取最小设定阈值。\n[0078] 对于上述的多个生理参数感应芯片的数据，可以采用采用基于多小波变换域特征的多模态数据融合算法，对数据进行融合处理。\n[0079] 实施例3：\n[0080] 本实施例在实施例1-2的基础上进行的，与实施例2不同的是，采用看另一种滤波算法：采用时-频混叠信号的几何特征滤波算法，有效滤除生理参数检测的噪声和干扰，在时域中设定特定的非线性滤波器的方法-几何特征滤波方法，利用人工神经网络作为非线性滤波器，省去了通常对于滤波器频率特性的设计和优化过程，只需对人工神经网络的权系数进行训练，对于训练方法没有限制，结合BP算法，有效滤除生理参数检测的噪声和干扰。\n[0081] 实施例4：\n[0082] 本实施例在前述的实施例1-3的基础上进行，与实施例1-3不同的是，本实施例还针对睡眠体态提出了一种具体的识别方法。详细叙述如下。\n[0083] 一种基于SVM分类器的睡眠体态多分类识别方法，其特征在于包括如下步骤：\n[0084] S1：采集睡眠者左侧胸部的电阻抗呼吸信号和右侧胸部的电阻抗呼吸信号，提取多种睡眠体态下的识别特征值；\n[0085] S2：构建一对一法支持向量机（1-v-1 SVMs）多分类算法分类器；\n[0086] S3：将训练样本输入SVM分类器进行训练，得到可用于识别四种睡眠体态的分类模型，实现多分类的功能；\n[0087] S4：将分类模型用于对左侧卧、右侧卧、仰卧、俯卧四种睡眠体态进行识别。\n[0088] 进一步的，上述步骤S1的具体操作方法如下：\n[0089] S11：利用生物电阻抗技术同时采集左侧胸部和右侧胸部两通道的呼吸信号，从呼吸信号提取参考特征值；\n[0090] S12：计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之差（ZL-ZR），将差值（ZL-ZR）作为第一参考特征值，记做M1；\n[0091] S13：计算出当前时刻k的左侧胸部的电阻抗均值ZL与右侧胸部的电阻抗均值ZR之和（ZL+ZR），将差值（ZL+ZR）作为第二参考特征值，记做M2；\n[0092] S14：FL表示左侧呼吸信号的平均幅值，FR表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（FL-FR）作为第三参考特征值，记做F1；\n[0093] S15：FL表示左侧呼吸信号的平均幅值，FR表示右侧呼吸信号的平均幅值，将左右胸部电阻抗呼吸信号平均幅值的差值（FL+FR）作为第四参考特征值，记做F2；\n[0094] S16：SL表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，SR表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的差值（SL-SR）作为第五参考特征值，记做S1；\n[0095] S17：SL表示左侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，SR表示右侧胸部在当前时刻k的电阻抗值进行积分累加运算，得到的积分累加值，将左右胸部电阻抗呼吸信号积分累加值的和值（SL+SR）作为第六参考特征值，记做S2。\n[0096] 进一步的，上述步骤S2的具体操作方法如下：\n[0097] S21：根据所述的一对一法多分类算法分类器用于对睡眠体态进行分类，其做法是在任意两种姿势的样本之间设计一个SVM， k种类别的样本就需要设计k(k-1)/2个SVM，因此本实验需设计6个SVM；\n[0098] S22：将左侧卧类别记做A，右侧卧类别记做B，仰卧类别记做C，俯卧类别记做D，6个SVM分别记为(A, B)-classifier，(A, C)-classifier，(A, D)-classifier，(B, C)-classifier，(B, D)-classifier，(C, D)-classifier。\n[0099] 进一步的，上述步骤S2还包括如下操作方法：\n[0100] S23：用特征值M1作为(A, B)-classifier的分类参考特征值，当M1大于第一阈值TR1，则结果判断为A，那么A=A+1，否则B=B+1；\n[0101] S24：用特征值F1作为(A, C)-classifier的分类参考特征值，当F1大于第二阈值TR2，则结果判断为A，那么A=A+1，否则C=C+1；\n[0102] S25：用特征值S1作为(A, D)-classifier的分类参考特征值，当S1大于第三阈值TR3，则结果判断为A，那么A=A+1，否则D=D+1；\n[0103] S26：用特征值F2作为(B, C)-classifier的分类参考特征值，当F2大于第四阈值TR4，则结果判断为B，那么B=B+1，否则C=C+1；\n[0104] S27：用特征值S2作为(B, D)-classifier的分类参考特征值，当S2大于第五阈值TR5，则结果判断为B，那么B=B+1，否则D=D+1；\n[0105] S28：用特征值M2作为(C, D)-classifier的分类参考特征值，当M2大于第六阈值TR6，则结果判断为C，那么C=C+1，否则D=D+1。\n[0106] 进一步的，上述步骤S2还包括如下操作方法：\n[0107] S29：根据所述的6个SVM下的判断结果，进行投票，选择票数最多的A、B、C、D作为左侧卧、右侧卧、仰卧、俯卧四种睡眠体态的判断结果。\n[0108] 实施例5：\n[0109] 本实施例在前述的实施例1-4的基础上进行的，与前述实施例1-4不同的是，本实施例还针对被测对象的位置做出了监控。在实际的监护过程中，被测对象存在梦游、精神异常、情绪异常的情形，因此他们可能做出不安全举动，比如逃出房间、头部撞击墙面。下面提出一种低成本的监控被测对象位置的装置和方法。详细描述如下。\n[0110] 装置的组成：信号发射器、信号接收器；对于信号发射器，其可以与其他信号发射器小型化的生理参数感应芯片一起集成于耳钉、腕带中。\n[0111] 功能的实现：在房角上安装3-8个信号接收器，用于接收信号发射器的信号，信号接收器将接收到的信号和时间信息一起通过蓝牙等无线方式发送给接收部，接收部再将信息发送给远端分析处理部。\n[0112] 远端分析处理部配有相应的计算方法，用于计算被测对象在房间中的位置。基于接收到的信号和时间信息，计算信号发射器与每一个信号接收器的距离，利用若干距离和每一个信号接收器的已知坐标通过最小二乘拟合算法计算被测对象的坐标信息，并通过三维图像将其位置和房间轮廓显示在显示器上。当被测对象位置靠近墙体、靠近地面、离开房间时，远端分析处理部发出警报。\n[0113] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。