hello~这里是lbs智能定位，如果有项目需求和技术交流欢迎来私信我们~点击文章最下方可获取智慧医院解决方案！

低功耗蓝牙（BLE）是蓝牙定位的核心，基础原理是信号测量和位置计算，本文就医院蓝牙定位技术的核心，基于低功耗蓝牙（BLE）技术进行拆解和展开医院场景的应用。

一、智慧医院方案之蓝牙定位技术的核心拆解

1.信标广播

低耗能的蓝牙信标周期性广播唯一ID。

2.信号测量

通过RSSI或者AoA两种方式获取位置信息，两种方式区别如下：

（1）接收信号强度（RSSI）：原理是利用信号衰减程度推算距离，距离越远，信号就越弱，精度一般是1-3米，部署简单、成本低，但容易受到干扰。

（2）到达角（AoA）:原理是利用天线阵列测量信号到达不同天线的相位差计算角度，需要蓝牙5.1＋协议的支持，精度10-30厘米，满足高精度定位需求，抗干扰能力强，但需部署天线阵列，成本高。

RSSI 距离推算 和 AoA 角度计算 的核心算法实现代码：
import math
import numpy as np
from typing import Tuple, Optional


class Positioning:
    def __init__(self):
        # -------------------------- RSSI 配置参数 --------------------------
        self.rssi_ref = -55  # 参考距离下的 RSSI 值（1米处实测，需根据硬件校准）
        self.d_ref = 1.0     # 参考距离（米）
        self.path_loss_exp = 2.4  # 路径损耗指数（自由空间2.2-2.4，室内3-4，需实测校准）
        self.rssi_variance = 3.0  # RSSI 测量方差（用于误差估计）
        
        # -------------------------- AoA 配置参数 --------------------------
        self.antenna_num = 4  # 天线阵列数量（均匀线性阵列，至少2个）
        self.antenna_spacing = 0.1  # 天线间距（米，建议为信号波长的1/2，蓝牙2.4G波长≈0.125米）
        self.signal_freq = 2.4e9  # 信号频率（蓝牙2.4GHz）
        self.wavelength = 3e8 / self.signal_freq  # 信号波长（米）

    # -------------------------- RSSI 距离计算 --------------------------
    def rssi_to_distance(self, rssi_measured: float) -> Tuple[float, float]:
        """
        基于对数距离路径损耗模型，通过 RSSI 计算距离
        :param rssi_measured: 实测 RSSI 值（dBm，负数）
        :return: (distance: 推算距离（米）, distance_error: 距离误差估计（米）)
        """
        if rssi_measured >= 0:
            raise ValueError("RSSI 值应为负数（dBm），请检查测量数据")
        
        # 对数距离公式：RSSI = RSSI_ref - 10*n*log10(d/d_ref) + 噪声
        # 反推距离：d = d_ref * 10^[(RSSI_ref - RSSI_measured)/(10*n)]
        distance = self.d_ref * (10 ** ((self.rssi_ref - rssi_measured) / (10 * self.path_loss_exp)))
        
        # 误差估计（基于 RSSI 测量方差推导）
        distance_error = distance * (math.log(10) / (10 * self.path_loss_exp)) * self.rssi_variance
        return round(distance, 3), round(distance_error, 3)

    # -------------------------- AoA 角度计算 --------------------------
    def aoa_to_angle(self, phase_diffs: list) -> Tuple[Optional[float], float]:
        """
        基于均匀线性天线阵列，通过相位差计算信号到达角（AoA）
        :param phase_diffs: 相邻天线间的相位差列表（单位：弧度，长度=antenna_num-1）
        :return: (aoa_angle: 到达角（度，范围[-90,90]）, angle_error: 角度误差估计（度）)
        """
        # 输入校验
        if len(phase_diffs) != self.antenna_num - 1:
            raise ValueError(f"相位差列表长度应为 {self.antenna_num-1}（天线数量-1）")
        
        # 相位差均值（减小噪声影响）
        avg_phase_diff = np.mean(phase_diffs)
        
        # AoA 核心公式：sin(θ) = (Δφ * λ) / (2π * d)，θ为到达角（与阵列法线夹角）
        sin_theta = (avg_phase_diff * self.wavelength) / (2 * math.pi * self.antenna_spacing)
        
        # 钳位 sinθ 到 [-1,1]（避免测量噪声导致的数值错误）
        sin_theta = max(min(sin_theta, 1.0), -1.0)
        
        # 计算角度（弧度转角度）
        aoa_rad = math.asin(sin_theta)
        aoa_angle = math.degrees(aoa_rad)
        
        # 角度误差估计（基于相位测量方差，假设相位误差为0.1弧度）
        phase_error = 0.1  # 经验值，需根据硬件调整
        angle_error = math.degrees((phase_error * self.wavelength) / (2 * math.pi * self.antenna_spacing * math.cos(aoa_rad + 1e-6)))
        angle_error = round(angle_error, 2)
        
        return round(aoa_angle, 2), angle_error

    # -------------------------- 多源融合定位（可选） --------------------------
    def fuse_rssi_aoa(self, rssi_list: list, aoa_list: list) -> Tuple[float, float]:
        """
        多基站 RSSI+AoA 融合定位（基于三角测量）
        :param rssi_list: 多个基站的 RSSI 推算距离列表（米）
        :param aoa_list: 多个基站的 AoA 角度列表（度）
        :return: (x: 目标x坐标（米）, y: 目标y坐标（米）)
        """
        if len(rssi_list) != len(aoa_list) or len(rssi_list) < 2:
            raise ValueError("至少需要2个基站的 RSSI 和 AoA 数据")
        
        # 简化版三角测量（假设基站坐标已知，这里以基站0为原点，基站1在x轴上）
        # 实际使用时需替换为真实基站坐标（x_i, y_i）
        base_stations = [
            (0.0, 0.0),    # 基站0：坐标(0,0)
            (5.0, 0.0),    # 基站1：坐标(5,0)（可扩展更多基站）
        ][:len(rssi_list)]
        
        # 构建超定方程组：(x - x_i)^2 + (y - y_i)^2 = d_i^2
        A = []
        b = []
        for i, (d, theta, (x_i, y_i)) in enumerate(zip(rssi_list, aoa_list, base_stations)):
            if i == 0:
                continue  # 以第一个基站为参考，消去常数项
            # 两式相减：(x-x_i)^2 - (x-x_0)^2 + (y-y_i)^2 - (y-y_0)^2 = d_i^2 - d_0^2
            A.append([2*(x_0 - x_i), 2*(y_0 - y_i)])
            b.append(d_i**2 - d_0**2 - x_0**2 + x_i**2 - y_0**2 + y_i**2)
        
        x_0, y_0 = base_stations[0]
        A = np.array(A)
        b = np.array(b)
        
        # 最小二乘求解
        x, y = np.linalg.lstsq(A, b, rcond=None)[0]
        return round(x, 3), round(y, 3)


# -------------------------- 测试用例 --------------------------
if __name__ == "__main__":
    positioning = Positioning()
    
    # 1. RSSI 距离计算测试（模拟室内环境，实测RSSI=-65dBm）
    print("="*50)
    rssi_meas = -65
    dist, dist_err = positioning.rssi_to_distance(rssi_meas)
    print(f"RSSI 定位结果：")
    print(f"实测 RSSI: {rssi_meas} dBm")
    print(f"推算距离: {dist} 米（误差±{dist_err}米）")
    print(f"精度范围: {dist-dist_err:.3f} - {dist+dist_err:.3f} 米")
    
    # 2. AoA 角度计算测试（模拟蓝牙5.1天线阵列，4个天线，相位差[0.8, 0.9, 0.7]弧度）
    print("\n" + "="*50)
    phase_diffs = [0.8, 0.9, 0.7]  # 相邻天线相位差（实测数据需从硬件获取）
    aoa_angle, aoa_err = positioning.aoa_to_angle(phase_diffs)
    print(f"AoA 定位结果：")
    print(f"相邻天线相位差: {phase_diffs} 弧度")
    print(f"到达角: {aoa_angle} 度（误差±{aoa_err}度）")
    print(f"精度范围: {aoa_angle-aoa_err:.2f} - {aoa_angle+aoa_err:.2f} 度")
    
    # 3. RSSI+AoA 融合定位测试（2个基站）
    print("\n" + "="*50)
    rssi_list = [dist, 3.2]  # 基站0和基站1的RSSI推算距离
    aoa_list = [aoa_angle, -15.2]  # 基站0和基站1的AoA角度
    x, y = positioning.fuse_rssi_aoa(rssi_list, aoa_list)
    print(f"RSSI+AoA 融合定位结果：")
    print(f"目标坐标 (x, y): ({x} 米, {y} 米)")

3.位置解算

通过三角定位、指纹匹配等定位算法，结合多个信标数据计算最终的坐标，以下列出三种定位算法：

（1）三角定位

至少需要3个非共线的信标，通过每个信标的RSSI值计算距离，以信标为圆心化圆，信号相交的点就是目标位置，引入卡尔曼滤波减少信号波动造成的影响可以优化定位的精度

（2）指纹匹配

提前采集每个区域内的信号特征并建立指纹库，将实时采集的信号与指纹库的进行对比来确定目标位置，精度可以到一米以内。

（3）AoA角度定位

 接收端部署天线阵列，测量信号到达不同天线的相位差，通过相位差与天线间距的几何关系计算入射角度，是多基站的交叉定位，能够实现亚米级的精度。

二、智慧医院方案之蓝牙定位技术的应用

1.可视化分析

综合态势界面可以直览人员、设备的数据，为决策提供真实支撑，如实时人员统计、区域统计、设备状态、当日报警统计等。

2.患者定位监护

实时显示病房区域内的患者位置和体征数据，可按时间点/段查询历史运动轨迹、停留地点和停留时长；支持自定义划分电子围栏的形状、规则，一旦违反相应的规则，后台立即触发报警，患者体征数据异常也会触发报警；遇到紧急情况时，可点击一键SOS求助，管理平台能够立即收到求助信息和患者的实际位置。

3.物资定位盘点

实时定位设备的所在位置，可以查询物资的总数、剩余数量，生成可视化数据报表，方便总结和汇报，支持一键搜索和查看历史活动轨迹；设备融合了loT传感器，电量不足会提前预警、温度湿度超标也会报警，预防性降低维护成本和宕机风险。

4.医护定位管理

安全实时监护，精准定位医护人员，支持视频联动，紧急情况下可快速调配最近的安保人员；巡更巡检人员在范围内签到能够记录准确的时间和地点，确保人员按照规划的路线进行巡检；人员可以利用电子签到打卡，一旦进入范围内，识别人员身份进行打卡签到，可以生成在岗率统计表。

BLE定位技术以低成本、低功耗、高兼容性的优势，成为医院数字化转型适用的关键技术，它已经实现多技术协同，与GPS等室外技术协同，可以进行室内外的无缝切换，构建强力的医疗物联网，成为医院运营者的得力助手。