TWM595870U - 照護系統 - Google Patents
照護系統 Download PDFInfo
- Publication number
- TWM595870U TWM595870U TW109202799U TW109202799U TWM595870U TW M595870 U TWM595870 U TW M595870U TW 109202799 U TW109202799 U TW 109202799U TW 109202799 U TW109202799 U TW 109202799U TW M595870 U TWM595870 U TW M595870U
- Authority
- TW
- Taiwan
- Prior art keywords
- care
- data
- sensors
- audio
- warning
- Prior art date
Links
- 230000033001 locomotion Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims description 57
- 238000000034 method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 10
- 230000007958 sleep Effects 0.000 claims description 9
- 230000035790 physiological processes and functions Effects 0.000 claims description 7
- 206010038687 Respiratory distress Diseases 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 23
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000004962 physiological condition Effects 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 5
- 208000019116 sleep disease Diseases 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002093 peripheral effect Effects 0.000 abstract description 2
- 208000020685 sleep-wake disease Diseases 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000007405 data analysis Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 208000008784 apnea Diseases 0.000 description 5
- 206010062717 Increased upper airway secretion Diseases 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 4
- 208000026435 phlegm Diseases 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 206010036790 Productive cough Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 208000022925 sleep disturbance Diseases 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000000884 Airway Obstruction Diseases 0.000 description 1
- 206010008589 Choking Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一種照護系統,照護系統適用於一在被照護狀態下的被照護者,通過設置於被照護者四周的感測器判斷被照護者的生理狀況,特別可通過監測睡眠障礙而判斷被照護者的健康情況。其中,居家照護系統通過音訊接收器接收被照護者的聲音,經扣除背景音信號後,可得出被照護者發出的音訊,並以影像感測器取得被照護者的影像,從中進行移動偵測,以取得被照護者的姿態影像。當配合其他生理感測器與環境感測器,學習各種數據後,可以人工智能技術建立一照護警示預測模型,以判斷被照護者的狀態是否達到警示門檻。
Description
本創作關於一種照護系統,特別是指監控被照護者睡眠或特定狀態的數據進而達到預警與提醒效果的照護系統。
習知的醫療照護系統運作方式主要是在被照護者身上或周圍設置生理感測器,通過網路連接一照護中心,可以讓照護中心隨時得到終端的生理感測器所傳送的生理信息,並可研判得出被照護者的生理狀態。
習知的醫療照護系統是否可以確實達成照護被照護者的目的,端賴於照護中心的立即研判能力,以及被照護者端的生理感測器能夠提供的生理數據,然而,常見穿戴於被照護者身上的生理感測器僅能提供有限的生理資訊,並且為獨立判讀各種生理數據,加上,準確的生理狀態判斷還應該依據被照護者過去的醫療記錄、當下的環境因素,配合所收集的生理數據執行一綜合判斷,現行技術並未能有效執行。
就整體各種生理數據而言,需要專業醫師依照經驗判斷,但仍無法顧及所有可能性,因此不能有效對特定狀況發出警訊或是提醒,讓居家照護的目的打了折扣。特別是針對居家照護的目的,一般來說,居家照護的生理感測器無法與醫療院所的設備相比,得到的生理數據有限,且無法針對特定狀況準確判讀,例如被照護者睡眠品質,這是影響居家照護的重要項目之一,不僅影響被照護者的健康狀況,也因為隨時要注意被照護者情況,也影響照護者的生活品質。
揭露書公開一種照護系統,其中包括一種機器學習方法,適用於在居家或醫療院所等需要被照護狀態下的被照護者,系統通過被照護者四周生理感測器、影像感測器與音訊感測器等設備實現居家照護的目的,其主要目的之一是能夠讓照護者通過以機器學習的機制產生的照護程序執行更有效率的照護。
根據照護系統主要架構實施例,包括一數據處理單元,以及多個感測器,多個感測器中包括第一組感測器,這是以全時運作並產生關於一被照護者的感測數據,以及第二組感測器,這是能根據數據處理單元的一指令啟動後,產生關於被照護者的感測數據。其中,當數據處理單元根據第一組感測器產生的第一組感測數據判斷達到第一門檻時,即啟動第二組感測器,第二組感測器產生第二組感測數據。進一步地,當數據處理單元接收到第二組感測數據,可根據第二門檻判斷是否滿足發出警示信息的條件。
根據實施例,照護系統的主要元件包括一數據處理單元,以及耦接此數據處理單元的各種感測器元件,如音訊接收器,用以接收被照護者的聲音,經扣除背景音信號,可得出被照護者發出的音訊;影像感測器用以取得被照護者的影像,從中進行移動偵測,以取得被照護者的姿態影像。
進一步地,照護系統更可包括一或多個生理感測器,用以感測被照護者的生理狀態,並產生生理數據,如此,可通過生理數據判斷是否產生警示信息。
進一步地,照護系統更包括一機器學習單元,根據數據處理單元取得被照護者發出的音訊以及姿態影像,對照臨床數據,建立一照護警示預測模型。建立照護警示預測模型時,可納入環境感測器感測數據,以及系統通過使用者介面所接收的信息,成為機器學習單元建立照護警示預測模型的各種因素。
為使能更進一步瞭解本新型的特徵及技術內容,請參閱以下有關本新型的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本新型加以限制。
以下是通過特定的具體實施例來說明本新型的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本新型的優點與效果。本新型可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本新型的構思下進行各種修改與變更。另外,本新型的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本新型的相關技術內容,但所公開的內容並非用以限制本新型的保護範圍。
應當可以理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號,但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一信號與另一信號。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
有鑑於現行照護系統倚賴人力(照護者)進行照護,並可能在特定情況下需要提供24小時的照護服務,對於醫療院所有人力的需求,對居家照護者則帶來極大的負擔,即便有各種感測器技術輔助照護,但因為沒有依照被照護者個人生理與環境情況提供的照護警示機制,因此仍需要人力時常關切才能避免系統無法準確警示真正的緊急事件,或是產生誤警報而讓照護者頻於解決錯誤信息。如此,本揭露書公開一種利用多種感測器技術實現的照護系統,以及以此系統實現的照護方法,其中還引入機器學習技術建立照護警示預測模型,以提供自動化以及兼顧個人化的照護警示服務,其中主要的技術目的之一是能夠紓解傳統照護者的負擔,而避免傳統人力或搭配有限感測技術產生的問題。
照護系統的實施例可參考圖1所示的運作情境示意圖。
圖中顯示有一被照護者10躺在床上,在家或是在特定養護中心,在家中或是特定中心並不會如同醫院有相當等級的監視設備,因此所述照護系統為感測被照護者10生理數據為主,能夠提供初步的照護功能,然而,進一步地,更加上人工智能技術機器學習的方法,仍可以在有限的數據中得出判斷被照護者生理狀況的能力。此例中,被照護者10身上連接生理感測器,如感測手環101,可以得到的生理數據例如體溫、脈搏、呼吸、血壓、心率等數據,可由一對應的生理數據顯示器103顯示數據,一般來說也設有各種數據的警示門檻,執行初步照護的功能。更者,系統可以設置有血氧偵測器102,連結於被照護者10身上,如手指頭,以取得血氧數據,並可於血氧儀104上監看。
另外,照護系統還可包括其他各式生理感測裝置,例如可以胸帶得到被照護者10的胸廓起伏、胸廓運動的頻率、胸廓深淺差等,作為判斷被照護者10生理狀態的依據。
在此實施例示意圖中,床邊設有一影像感測器,如圖示中的攝影機105,可以全時拍攝被照護者10的影像,並在拍攝過程中執行移動偵測。執行移動偵測時,可以先通過連續影像建立一個背景影像,包括其中不動的物件,如床、衣櫃、固定設備等,再通過前後影像比對後得出其中變動的影像,前後比對後得出的變化可以判斷出被照護者10的姿態影像,這些姿態影像將可以得出被照護者10的行為,判斷出被照護者10的狀況。舉例來說,通過姿態影像可以判斷出被照護者10在睡眠中是否有翻身、短時間內激烈手足變化、掉落床下、起床等動作,可以提供姿態變化的警示門檻,當有異常變化時產生警示信息。
更者,床邊可再設有一音訊接收器,如圖示中的麥克風107,用於接收被照護者10的聲音,特別是呼吸相關的聲音。其中,在利用麥克風107接收四周聲音時,可以先建立背景音訊,背景音訊為四周固定產生的音訊,如設備運作的聲音、散熱風扇、冷氣聲音等,一旦背景音訊建立後,通過麥克風107所錄製的音訊可以扣除這個背景音訊,可以判斷出由被照護者10發出的聲音。
舉例來說,照護系統可用於偵測被照護者10睡眠品質,利用麥克風107錄製被照護者10睡眠時發出的音響,以判斷需要即時看護的情況,例如嗆咳音、痰音、呼吸音等,還能根據連續聲音判斷出呼吸中止的情況。如此,音訊成為判斷被照護者10很重要的資訊,特別是與睡眠有關的生理狀況。
而上述實施例所記載利用各種感測器得出的被照護者生理數據能夠配合照護者或被照護者主動觸發產生的回饋信息,經由系統註記的機制,得出關鍵時間內的關鍵數據,不同於傳統人工智慧中建立模型需要的大數據,這類照護系統產生的數據為個人化的數據,可以針對個人的情況建立照護警示預測模型,能提供個人化的照護警示服務,能有效舒緩照護者的負擔。
在此一提的是,應用於上述照護情境中的自動照護方法可應用各種可以感測被照護者10的生理感測器,例如通過感測手環102感測到被照護者10的脈搏與所反映的心率狀態,以及通過血氧偵測器102感測到的血氧情況,讓不同感測數據之間建立數據的關聯性,可個別或綜合判斷被照護者10的情況,使得被照護者10受到更完整的照顧。
圖2接著顯示照護系統中的各功能模組實施例示意圖,其中功能模組可以由軟體實現,或是軟體搭配硬體設備實現。
所述照護系統主要元件為在被照護者四周的各式感測設備,其中設有處理各感測設備產生的數據的數據處理單元201,如一個電腦系統的中央處理器,可具備有強大的數據處理能力,除了儲存已經產生的數據外,還可以有效地處理即時產生的數據,並可以執行機器學習的演算法,執行大數據分析後,建立用於預測被照護者生理狀況的模型。
根據照護系統的實施例,包括了電性連接數據處理單元201的多種感測器,可包括各式生理感測器202、音訊接收器203、影像感測器204以及環境感測器205,還可包括耦接於此數據處理單元201的機器學習單元207,並可通過使用者介面209與使用者裝置210連線後,接收被照護者本人,或是照護提供者輸入的信息。
照護系統還可通過網路20,以特定通信協定與外部系統21或醫療雲23連線後,除了提供被照護者的數據外,還能據此獲得各種臨床數據、個人或群體的大數據分析結果等,作為照護系統實現人工智能的資料。
在此照護系統,數據處理單元201如系統的中央處理器,整合各週邊設備產生的數據,經處理後,執行警示判斷,與外部系統21(例如醫療單位、照護中心等)、醫療雲23等連線,還包括利用人工智能建立的照護警示預測模型預測被照護者生理狀況。
音訊接收器203用以接收被照護者的聲音,如以上實施例所述,經扣除背景音訊號,可得出被照護者發出的音訊,因此,在自動照護方法中,系統可以根據音訊接收器203得到的音訊取得被照護者發出的音訊,再比對聲音樣本(包括音量以及/或音頻)後,可判斷被照護者是否有需要照護的情況,例如(但不限於)呼吸中止狀況,或產生嗆咳音,或產生痰音等情況。
影像感測器204用以取得被照護者的影像,從中進行移動偵測,根據以上實施例所描述的方法,在全時拍攝時隨時判斷被照護者的姿態影像,並執行移動偵測。根據一實施例,影像感測器204提供的移動偵測結果可以作為是否執行音訊接收與判斷的啟動依據。舉例來說,當從影像判斷,被照護者進入睡眠,即接續全時攝影並判斷睡眠中的姿態變動情況。當在此時間內判斷被照護者的影像變動值超過一門檻時,可能表示有睡眠障礙,包括處於呼吸窘迫,或需要由照護者介入或不需介入的狀態,即啟動音訊接收器203接收被照護者發出的音訊。之後,系統可根據音訊判斷被照護者狀況,判斷是否達到一警示門檻,若達到警示門檻,表示音訊顯示出被照護者處於危及而窘迫的狀況,如有嚴重的呼吸中止狀況、喘不過氣的現象等情況,即產生警示信息。
如此,所述照護系統可以根據設於被照護者的音訊接收器203與影像感測器204執行居家或特定場合照護的任務。更者,照護系統還可包括一或多個生理感測器202,用以感測被照護者的生理狀態,並產生生理數據,例如:體溫、脈搏、呼吸、血壓、心率等,實際運行時,照護系統可不受限於這些生理感測器以及所取得的數據。在所述數據處理單元201執行的自動照護方法中,接收這些生理數據後,可個別或綜合判斷是否產生警示信息。
所述環境感測器205可以為溫濕度感測器、空氣品質感測器、氣壓感測器等,這些環境數據可用於修正判斷被照護者生理狀況的門檻,因為被照護者與儀器都有可能受到這些環境因素影響,例如,被照護者在空氣品質很糟的環境中或室內的溫濕度異常容易產生身體不適的情況。
在一實施例中,照護系統還可包括耦接於此數據處理單元201的機器學習單元207,機器學習單元207能夠根據數據處理單元201取得被照護者發出的音訊以及姿態影像,對照臨床數據,通過大數據分析方法建立一照護警示預測模型。
更者,通過機器學習單元207實現照護警示預測模型的過程中,所應用的數據還可包括環境感測器205所感測被照護者的環境數據以及各式生理感測器202產生的生理數據,成為機器學習單元207建立照護警示預測模型的因素之一。根據機器學習單元207執行機器學習時,照護系統通過使用者介面209來接收被照護者或照護提供者,利用使用者裝置210產生的警示信息,這是提供被照護者、照護提供者或他人針對系統並未判斷出的情況給予指示的措施,同樣成為機器學習單元207建立照護警示預測模型的因素之一。
舉例來說,照護系統可通過使用者介面209與使用者裝置210連線後,接收被照護者本人,或是照護者輸入的信息。也就是說,在系統通過機器學習單元207進行大數據分析建立照護警示預測模型時,被照護者本身實際生理的感受可以通過操作使用者裝置210經使用者介面209輸入至照護系統中,成為回饋機器學習單元207的資訊;同樣地,照護者也可以根據本身的判斷產生回饋信息,通過使用者裝置210經使用者介面209輸入至照護系統中,讓系統可以取得除了感測器產生的數據以外的資訊,可用以調校系統利用機器學習建立的照護警示預測模型。
更者,照護系統還可通過網路20,以特定通訊協定與外部系統21或醫療雲23連線後,除了提供被照護者的數據外,還能據此獲得各種臨床數據、個人或群體的大數據分析結果等,作為照護系統實現人工智能的資料。
根據照護系統的實施例,在被照護者的身上或四周裝設各種影像、聲音、生理與環境感測器,如圖2實施例所提到的生理感測器(202)、音訊接收器(203)、影像感測器(204)與各式環境感測器(205),執行所述自動照護方法時,這些感測器中的一兩樣可以隨時處於運作中,例如生理感測器(可稱第一組感測器),可通過照護系統中的數據處理單元(201,圖2)處理並判斷有生理數據超過門檻時,產生警示信息,即啟動其他處於休眠狀態(省電模式)的感測器(可稱第二組感測器),使得系統可以在當下可以接收到多樣感測信號,根據前後收集的數據,包括有預期為異常而被照護者確實處於緊急狀態的信息,也包括未預期但被照護者卻發生緊急事件的信息,成為機器學習很重要的數據。
在一實施例中,在照護系統中的多個感測器中,用於全時運作的可為兩個或以上的感測器(第一組感測器),當系統根據其中之一或是多個感測器搭配產生的信號綜合判斷符合警示條件時,除產生警示信息外,更通過系統啟動其他未全時運作的感測器(第二組感測器),使得照護系統可以得到被照護者更全面的信息。
在機器學習的目的下,照護系統可以根據機器學習演算建模得出的模型得出第一組感測器產生警示信息的條件,機器學習單元(207,圖2)更取得第二組感測器的數據,如此,可被照護者、照護者產生的回饋學習更新或建立判斷被照護者是否處於緊急狀態的條件,並建立預測模型。預測模型可用於根據有限或是完整的感測數據預測被照護者的生理狀況。
圖3顯示照護系統中自動照護方法的實施例流程圖,照護系統設有多個感測器,電性連接系統中的數據處理單元,其中包括第一組感測器,為以全時運作並產生關於被照護者的感測數據,以及第二組感測器,根據數據處理單元的指令啟動後,產生關於被照護者的感測數據。
照護系統運作時,可先由所述第一組感測器(可以包括一或多個感測器)全時運作,並連續性地產生關於被照護者的第一組感測數據(步驟S301),通過數據處理單元的執行,根據第一門檻,判斷第一組感測器產生的第一組感測數據是否達到此門檻,以判斷是否符合警示條件?(步驟S303)。
在一實施例中,除了系統在此流程中自動判斷是否情況符合產生警示的門檻外,還可借助如圖2顯示提供使用者裝置(210)通過使用者介面(209)輸入外部指令(步驟S315),輔助判斷目前情況應該符合或是不符合警示條件,以能修正原來的判斷,讓系統執行或是不繼續執行以下步驟。在此措施下,可補足系統運作的缺失,增加照護的品質,都可以反映在後續機器學習中。
當感測數據尚未達到警示條件時(否),仍重複步驟S301,第一組感測器持續運作。在此一提的是,這時,照護者(或特定人)仍能介入此照護流程,也就是即便感測數據並未達到系統建立的警示條件,但若照護者發現可能仍有警示的需求時,可以通過如圖2顯示的使用者裝置(210)經使用者介面(209)設定此階段警示,讓程序可以繼續,如步驟S305,啟動第二組感測器運作。而這部分照護者介入產生的數據仍是提供後續分析與機器學習的重要資訊。
若第一組感測數據達到警示條件(是),數據處理單元產生一指令,即啟動第二組感測器(可括一或多個感測器),並經感測產生第二組感測數據(步驟S305)。這時,經數據處理單元接收到此第二組感測數據,判斷是否滿足發出警示信息的條件,若第二組感測數據也達到另一系統設定的第二門檻時,即發出警示信息。在特定實施例中,由於啟動第二組感測器表示系統判斷處於一個關鍵時刻,可以在啟動第二組感測器時,註記與保留一段時間的第一組感測數據與第二組感測數據以回饋給機器學習單元(如圖2,207)。
更者,還可根據預測模型的判斷發出警示。此例中,照護系統可以根據上述警示信息產生的時間,將此時間前後產生的第一組感測器產生的數據儲存起來,也同時儲存此時被啟動的第二組感測器所產生的感測數據(步驟S307),並將所儲存的感測數據輸入至通過機器學習演算法建立的預測模型(步驟S309)。
根據再一實施例,輸入感測數據至預測模型外,還可增加外部數據(步驟S317),例如由圖2顯示的外部系統(21)或健康雲(23)等外部數據,通過即時得到的外部數據,可以讓整個判斷依據更加完備。
預測模型是根據醫療院所、健康雲等數據,加上被照護者個人的歷史數據、臨床數據等學習後,得出其中特徵關聯性所建立的模型,並且可以根據實際狀況的回饋優化其中參數,使得可以有效利用有限的感測數據,如被照護者當下以第一組感測器與第二組感測器產生的數據,進行預測被照護者生理狀況,以判斷是否發出警示信息?(步驟S311)。
通過預測模型,當判斷並非緊急狀態(否),步驟仍回到S301,此時,仍可維持第一組感測器持續運作並產生持續性的感測數據,第二組感測器則可以不必全時工作而回到省電模式。反之,當判斷需要發出警示時,如步驟S313,系統將產生警示信息。
同樣地,在步驟S311中,即便判斷沒有緊急狀態,系統仍提供照護者通過如圖2顯示的使用者裝置(210)經使用者介面(209)設定警示,包括註記與保留一段時間的數據以回饋給系統。
在另一實施例中,除了所述第二組感測器在判斷符合警示條件後才啟動之外,第一組與第二組感測器可以全時在背景運作,持續收集數據,當根據第一組感測器產生的數據判斷有符合警示條件的情況時,系統將主動將標註與儲存第一與第二組感測器在一段時間(如前後1分鐘)的感測數據,這段時間的數據應該是較為關鍵的數據,可以用於後續數據分析的用途,包括提供機器分析的用途。
於再一實施例中,照護系統中的影像感測器(204,圖2)也可作為上述全時運作的第一感測器,當判斷有任何異常、超過動作門檻的影像時,即產生警示,並啟動其他感測器運作,實施例可參考圖4。
圖4顯示利用影像感測器驅動四周裝置的實施例流程圖。
當所述照護系統採用了影像感測器與音訊接收器作為照護被照護者的感測設備時,影像感測器如上述實施例所稱的第一組感測器,可用於全時拍攝(步驟S401),可以取得被照護者每一時刻的影像,然而,卻不必儲存全部的影像,直到滿足系統的特定條件時。例如,在全時拍攝時,同時能夠執行移動偵測(步驟S403),可從連續影像之間得出前後影像變動之處,並可比對系統設定的門檻值(如上述實施例所提出的第一門檻),當變動值大於此門檻,才開始記錄影像(步驟S405)。這個動作可以節省儲存影像的空間。
當偵測出影像變動(經比對門檻值後有一定的變動程度),能夠判斷影像變動的程度與方式(步驟S407),這時,照護系統將前後變動的程度與方式比對要發出警示的條件,若變動程度與方式達到產生警示的條件時,即如步驟S409,產生警示信息,同時,在一實施例中,系統將主動將註記(marking)一段關鍵時間(例如前後3分鐘)的影像、時間與相關數據。舉例來說,從影像移動偵測中可得出被照護者的姿態影像,可從當中判斷出移動的方式,例如翻身、掉落、身體劇烈變動等,都可能會觸發警示,而觸發警示的前後一段關鍵時刻的數據將被保留,作為其他用途之用,例如這部分關鍵數據將可成為後續分析與機器學習的數據。
此例中,當產生警示信息時,也就是判斷出被照護者的影像變動值超過系統設定的第一門檻時,即啟動音訊接收器接收被照護者發出的音訊,如步驟S411,音訊接收器則如上述實施例所稱的第二組感測器,以開啟啟動麥克風等音訊接收器開始錄製呼吸音訊,一旦扣除背景音訊後,可以得出較為乾淨的被照護者本身發出的聲音,如步驟S413,取得感測器數據,儲存在系統的儲存裝置之後,再進行進一步判斷。同樣地,根據警示信息所接續錄製的音訊也將被註記與保留,成為後續分析與機器學習的參考數據。
根據所述照護系統執行的自動照護方法中,可以從音訊判斷被照護者狀況,特別可針對睡眠障礙的問題,其中,可從被照護者發出的音訊比對系統儲存的聲音樣本,包括頻率與音量樣本,或可通過過去資料建立個人化聲音樣本,或是群體數據產生的聲音樣本,以此判斷被照護者是否有需要即時照護的情況,例如呼吸中止、產生嗆咳音,或產生痰音等乎係窘迫的情況。在判斷是否達到警示門檻(如上述實施例的第二門檻)時,若已達警示門檻,如判斷呼吸中止時間過長(超過某一時間門檻)、嗆咳音或痰音顯示危險情況等,即產生一警示信息。
特別的是,相關第一門檻與第二門檻可由系統設定外,還可由照護者依照實際狀況設定產生警示的門檻。
進一步地,照護系統還可配合由一或多個生理感測器(可列為第二組感測器)感測得出的被照護者的生理狀態所產生的生理數據,進一步判斷是否產生警示信息。同理,在系統設定的一個關鍵時刻內產生的各種生理與環境數據都會被註記與保留,用於後續分析與機器學習的用途。
更進一步地,照護系統還採用一機器學習方法,能夠根據被照護者發出的音訊以及姿態影像,對照臨床數據,建立一照護警示預測模型。
值得一提的是,如上述實施例所描述的自動照護方法,還可以將音訊接收器列為第一組感測器中,以全時接收被照護者的音訊,當聲音的特徵(頻率、音量)達到門檻時,才啟動列為第二組感測器的影像感測器。
在另一實施方案中,錄製被照護者音訊的工作可全時被開啟,同理,系統可經排除背景音訊後,對有效音訊設定警示條件,當有警示條件產生後,除了保留關鍵時刻的數據外,更進一步啟動影像記錄的程序,將錄製、註記與保留此關鍵時刻內產生的被照護者的影像,同樣可成為後續分析與機器學習的數據。
相關實施例如圖5所示自動照護方法中通過機器學習方法建立預測模型的實施例流程圖。
在此步驟中,一開始如步驟S501,系統通過各式感測器收集被照護者的呼吸音訊、姿態影像、生理數據與環境數據,在數據處理的過程中,如步驟S503,需要先建立背景數據,才能得到乾淨的數據。在步驟S505中,系統也根據被照護者個人的情況設定警示條件,這都是居家與醫療院所等特定場合照護運行前的工作。
除持續取得被照護者的呼吸音訊、姿態影像、生理數據與環境數據,並接著如步驟S507,取得實際記錄,這些可以來自醫療院所、健康雲所提供的臨床數據,也可以是被照護者通過系統中的回饋機制產生的個人實際事件數據。如此,如步驟S509,開始執行機器學習法,進行大數據分析,一般來說,在大數據分析後,可建立用以預測被照護者生理狀況的照護警示預測模型。建立照護警示預測模型的方式主要是根據收集到被照護者四周感測器產生的數據,還配合著健康雲等提供的實際數據,以及由被照護者與其照護者主動產生回饋給系統的信息,以軟體演算法學習出數據的特徵,建立數據之間的關聯性。
如步驟S511,經大數據分析與演算法後,建立照護警示預測模型,在特定應用中,所述模型能依據被照護者睡眠時發出的音訊、姿態影像以及/或生理數據,判斷被照護者是否處於呼吸窘迫等睡眠障礙,或需要由照護者介入或不需介入的狀態,如此可反覆依據事實執行驗證(步驟S513),通過實際數據調校照護警示預測模型參數。
其中細節可進一步參考圖6所示照護系統採用人工智能技術建立照護警示預測模型的實施例示意圖。
圖中顯示照護系統中設置一以軟體搭配硬體演算能力實現的人工智能模組60,其中設有特定機器學習法601,根據系統提供的各種感測數據進行訓練,能夠識別出數據之間的關聯性,進行可以實現預測的目標。
運行機器學習法601時,先獲取數據,如圖示中數據庫603,取得各式感測器產生的影像數據61,影像包括被照護者姿態,舉例來說,所述姿態如翻身、手足動作;生理數據可得胸廓起伏、頻率、深淺等,經過訓練可建立姿態的識別能力,並能夠建立被照護者姿態影像與其他數據的關聯性;音訊數據62,如被照護者的一般作息與睡眠時所發出的聲音,可以識別出特定幾種生理反應產生的音訊,如痰音、嗆咳音,以及呼吸中止現象產生的聲音等,能夠建立各種識別出的音訊與其他數據的關聯性;生理數據63,如被照護者的體溫、心率、呼吸、脈搏、血氧等生理數據,除了判斷出生理數據的正常與異常狀況外,還要建立任何時間與其他數據的關聯性;以及環境數據64,通過各種環境感測器(可列為第一組感測器或第二組感測器中)感測被照護者的環境數據,成為該機器學習方法建立照護警示預測模型605的因素之一,數據可包括被照護者生活作息的溫濕度、空氣品質、氣候等信息,同樣可以通過學習建立與其他數據的關聯性。接著進行分析數據,找到各數據之間的整體關聯性。
特別的是,當揭露書提出的照護系統所採用的人工智能應用了上述影像數據61、音訊數據62、生理數據63以及環境數據64等個人化的數據,能夠建立個人化的照護警示預測模型。
之後,機器學習法601配合數據庫603所收集的歷史與即時數據,配合實際記錄的生理反應,可以得出個人化的規則,進而建立用於預測被照護者生理狀況的照護警示預測模型605,即便在尚未發生任何危及事件之前,就可能可以根據各種數據預測出可能發生的事情,達到事先預防與警示的目的。
更者,人工智能模組60通過機器學習法601還可以從特定來源提供的數據進行訓練與學習,例如,從醫療雲611得到各種群組的去識別化臨床數據,除了可以提供訓練所需數據外,還可以用於驗證照護警示預測模型605。
人工智能模組60通過回饋系統612接收被照護者、照護者或是其他方式形成的回饋信息,如上述實施例所記載,照護系統設有使用者介面,可用以接收被照護者或其他人通過使用者裝置產生的警示信息,成為機器學習法601建立照護警示預測模型605的因素之一,這類數據將參與驗證預測模型,用於調校人工智能模組60中照護警示預測模型605的參數。
如此,人工智能模組60中設置的機器學習法601將整合照護系統通過數據處理單元取得的各樣數據,並能根據機器學習方法的需要對不同的數據設有不同的權重,加上個人化數據,以及來自醫療雲611與回饋系統612的數據,執行大數據分析,建立照護警示預測模型605,用於判斷被照護者的狀態是否達到特定警示門檻,這也是是否滿足發出警示信息的條件。
值得一提的是,醫療雲611同樣可以從所述照護系統得到終端數據,如此,醫療雲611中的演算技術可以取得具有去識別化註記的信息,包括時間資訊、身份資訊,並同時收集到相關的生理數據與環境數據,這些建立了具有註記的數據,對於醫療雲611與照護系統的人工智能模組60而言,都是明顯具有關聯性的信息。
而這些具有註記的生理數據與各種數據就是人工智能技術中所需要學習的有效數據之一,使得建構的模型可以進行生理信息辨識與預測,運行過程仍持續進行機器學習與驗證,以建構更完備的醫療雲611。
所述照護系統的各種實施方式中,特別可以音訊判斷被照護者生理狀況,如圖7所示自動照護方法的實施例流程圖。
一開始,如步驟S701,通過照護系統中的音訊接收器接收被照護者周圍的音訊,如步驟S703,實施時,可以在最初狀態下建立背景音訊,形成背景樣本,讓系統於實際運作時引入後,可以得到乾淨的音訊。
在步驟S705中,通過軟體方法,照護系統中的數據處理單元將取得的乾淨的音訊比對事先建立的聲音樣本,經過聲音特徵(如頻率、音量特徵等)比對後,如步驟S707,可識別被照護者發出的聲音,如嗆咳音、痰音、音訊變化等,這些音訊可以用於判斷被照護者生理狀況,如步驟S709,藉此判斷是否有需要即時看護的情況,其中之一即為判斷是否有呼吸窘迫(如呼吸中止、嗆咳)的狀況,再於步驟S711中,比對系統提供的門檻判斷是否達到警示條件,能據此執行後續醫療措施。
在圖8中,描述在自動照護方法中應用照護警示預測模型預測被照護者異常狀況的實施例流程圖。
在步驟S801中,照護系統通過各式感測器取得即時錄製的音訊、影像與感測數據,在步驟S803中,系統可先執行初步數據處理與篩選後,即引入數據至照護警示預測模型,由照護警示預測模型依照前後數據以及各種數據之間的關聯性判斷被照護者當下的生理狀況,並執行預測。如步驟S805,系統判斷是否產生警示信息,若已達警示條件,即進行步驟S807,發出警示信息;否則,流程將回到步驟S801。
值得一提的是,在發出警示信息的步驟中,可以針對相關數據提出回饋,可以通過回饋系統80取得實際狀況的信息,能再由機器學習單元82優化照護警示預測模型。
綜上所述,根據以上實施例所描述的照護系統以及自動照護方法,適用在有被照護需求的人所在的照護環境中,在此自動照護方法中,除了利用照護系統中的各式感測器(如各式接觸式或非接觸式的感測器)產生的數據執行一整合各種數據以判斷生理狀況,更能通過機器學習法從各種數據中訓練與學習,得出數據之間關聯性,特別是利用個人化的生理與環境數據,進而建立用於預測被照護者生理狀況的個人化的照護警示預測模型,達到居家或在特定場合照護的目的,通過自動照護方法,或者引入人工智能技術,可以幫助照護提供者有效地照護被照護者的任務。
以上所公開的內容僅為本創作的優選可行實施例,並非因此侷限本創作的申請專利範圍,所以凡是運用本創作說明書及圖式內容所做的等效技術變化,均包含於本創作的申請專利範圍內。
10:被照護者
101:感測手環
103:生理數據顯示器
102:血氧偵測器
104:血氧儀
105:攝影機
107:麥克風
202:生理感測器
203:音訊接收器
204:影像感測器
205:環境感測器
201:數據處理單元
207:機器學習單元
209:使用者介面
210:使用者裝置
20:網路
21:外部系統
23:醫療雲
60:人工智能模組
601:機器學習法
603:數據庫
605:照護警示預測模型
61:影像數據
62:音訊數據
63:生理數據
64:環境數據
611:醫療雲
612:回饋系統
80:回饋系統
82:機器學習單元
步驟S301~S317:自動照護方法的流程
步驟S401~S413:利用影像感測器驅動裝置的實施例流程
步驟S501~S513:通過機器學習方法建立預測模型的實施例流程
步驟S701~S711:以音訊判斷被照護者狀態的實施例流程
步驟S801~S807:應用照護警示預測模型執行預測的實施例流程
圖1顯示照護系統的運作情境示意圖;
圖2顯示照護系統中的各功能模組實施例示意圖;
圖3顯示照護系統中自動照護方法的實施例流程圖;
圖4顯示利用影像感測器驅動四周裝置的實施例流程圖;
圖5顯示自動照護方法中通過機器學習方法建立預測模型的實施例流程圖;
圖6顯示照護系統採用人工智能技術建立照護警示預測模型的實施例示意圖;
圖7顯示自動照護方法中以音訊判斷被照護者狀態的實施例流程圖;以及
圖8顯示自動照護方法中應用照護警示預測模型預測被照護者異常狀況的實施例流程圖。
202:生理感測器
203:音訊接收器
204:影像感測器
205:環境感測器
201:數據處理單元
207:機器學習單元
209:使用者介面
210:使用者裝置
20:網路
21:外部系統
23:醫療雲
Claims (10)
- 一種照護系統,包括: 一數據處理單元; 多個感測器,電性連接該數據處理單元,其中包括一第一組感測器,以全時運作並產生關於一被照護者的感測數據,以及一第二組感測器,根據該數據處理單元的一指令啟動後,產生關於該被照護者的感測數據;以及 一機器學習單元,執行一機器學習方法,耦接該數據處理單元,根據該數據處理單元取得該被照護者發出的該第一組感測數據與該第二組感測數據,建立一照護警示預測模型; 其中,當該數據處理單元根據該第一組感測器產生的第一組感測數據判斷達到一第一門檻時,產生該指令,並啟動該第二組感測器,該第二組感測器產生第二組感測數據;當該數據處理單元接收到該第二組感測數據,根據一第二門檻判斷是否滿足發出警示信息的條件;並於啟動該第二組感測器時,將註記與保留一段時間的數據以回饋給該機器學習單元。
- 如請求項1所述的照護系統,其中,其中通過該機器學習方法,依據該被照護者睡眠時發出的音訊、姿態影像以及/或生理數據,判斷該被照護者是否處於呼吸窘迫,或需要由照護者介入或不需介入的狀態。
- 如請求項2所述的照護系統,其中該多個感測器包括: 一音訊接收器,電性連接該數據處理單元,用以接收一被照護者的聲音,經扣除背景音訊號,得出該被照護者發出的音訊。
- 如請求項3所述的照護系統,其中該多個感測器更包括: 一影像感測器,電性連接該數據處理單元,用以取得該被照護者的影像,從中進行移動偵測,以取得該被照護者的姿態影像。
- 如請求項4所述的照護系統,其中,該影像感測器為該第一組感測器,該音訊接收器為該第二組感測器,通過該影像感測器全時拍攝該被照護者的姿態影像,並執行一移動偵測;以及,當判斷該被照護者的影像變動值超過該第一門檻時,即啟動該音訊接收器接收該被照護者發出的音訊,根據音訊判斷該被照護者狀況,判斷是否達到該第二門檻,若達到該第二門檻,即產生該警示信息。
- 如請求項5所述的照護系統,其中該第二組感測器更包括一或多個生理感測器,電性連接該數據處理單元,用以感測該被照護者的生理狀態,並產生生理數據;於該數據處理單元執行的該自動照護方法中,接收該生理數據後判斷是否產生該警示信息。
- 如請求項5所述的照護系統,其中,於該自動照護方法中,從該被照護者發出的音訊比對聲音樣本,包括音量以及/或音頻,判斷該被照護者是否有需要即時看護的情況。
- 如請求項1至7中任一項所述的照護系統,更包括一使用者介面,用以接收該被照護者或一照護者通過一使用者裝置產生的警示信息,成為該機器學習單元建立該照護警示預測模型的因素之一。
- 如請求項8所述的照護系統,其中該多個感測器更包括一環境感測器,用於感測該被照護者的環境數據,成為該機器學習單元建立該照護警示預測模型的因素之一。
- 如請求項9所述的照護系統,其中,於該自動照護方法中,由該機器學習單元整合該照護系統通過該數據處理單元取得的各樣數據,通過該照護警示預測模型判斷該被照護者的狀態是否達到滿足發出警示信息的條件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109202799U TWM595870U (zh) | 2020-03-11 | 2020-03-11 | 照護系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109202799U TWM595870U (zh) | 2020-03-11 | 2020-03-11 | 照護系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM595870U true TWM595870U (zh) | 2020-05-21 |
Family
ID=71897792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109202799U TWM595870U (zh) | 2020-03-11 | 2020-03-11 | 照護系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM595870U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI781674B (zh) * | 2021-06-02 | 2022-10-21 | 美商醫守科技股份有限公司 | 視覺化臨床資訊提供方法及電子裝置 |
-
2020
- 2020-03-11 TW TW109202799U patent/TWM595870U/zh not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI781674B (zh) * | 2021-06-02 | 2022-10-21 | 美商醫守科技股份有限公司 | 視覺化臨床資訊提供方法及電子裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pham et al. | Delivering home healthcare through a cloud-based smart home environment (CoSHE) | |
US8823527B2 (en) | Consciousness monitoring | |
El-Bendary et al. | Fall detection and prevention for the elderly: A review of trends and challenges | |
JP7108267B2 (ja) | 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム | |
JP5005819B2 (ja) | 環境に関連した呼吸器疾患の自己監視方法およびシステム | |
US20160345832A1 (en) | System and method for monitoring biological status through contactless sensing | |
WO2016108582A1 (ko) | 스마트 침대 시스템 및 제어 방법 | |
US20220054092A1 (en) | Eyewear with health assessment, risk monitoring and recovery assistance | |
JP7504193B2 (ja) | ウェアラブルセンサを用いて被験者の転倒を検出するシステム及び方法 | |
US10813593B2 (en) | Using visual context to timely trigger measuring physiological parameters | |
WO2019013257A1 (ja) | 見守り支援システム及びその制御方法、プログラム | |
WO2016082435A1 (zh) | 电子设备及其控制方法 | |
US20180064404A1 (en) | System and Method for Correcting Sleep Aberrations | |
TWI772762B (zh) | 照護系統與自動照護方法 | |
US20210219873A1 (en) | Machine vision to predict clinical patient parameters | |
JP2023513424A (ja) | 患者が自分で抜管する尤度を決定すること | |
JP7457005B2 (ja) | 急性の医学的状態の潜在的な発症を判定するための方法及び装置 | |
KR20060084916A (ko) | 위치 이동이 가능한 지능형 로봇을 이용한 원격건강관리시스템 및 서비스 | |
TWM595870U (zh) | 照護系統 | |
CN112135568A (zh) | 信息处理装置、信息处理方法和程序 | |
JP7140264B2 (ja) | 異常判定装置、その動作方法、及びプログラム | |
US20230210464A1 (en) | Ear-wearable system and method for detecting heat stress, heat stroke and related conditions | |
US20230210444A1 (en) | Ear-wearable devices and methods for allergic reaction detection | |
US20220151582A1 (en) | System and method for assessing pulmonary health | |
EP4076176A1 (en) | Monitoring abnormal respiratory events |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4K | Annulment or lapse of a utility model due to non-payment of fees |