TW202025173A - 生理數據智能處理方法與系統 - Google Patents

生理數據智能處理方法與系統 Download PDF

Info

Publication number
TW202025173A
TW202025173A TW108130282A TW108130282A TW202025173A TW 202025173 A TW202025173 A TW 202025173A TW 108130282 A TW108130282 A TW 108130282A TW 108130282 A TW108130282 A TW 108130282A TW 202025173 A TW202025173 A TW 202025173A
Authority
TW
Taiwan
Prior art keywords
physiological data
user terminal
physiological
data
terminal device
Prior art date
Application number
TW108130282A
Other languages
English (en)
Other versions
TWI709146B (zh
Inventor
范豪益
Original Assignee
范豪益
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 范豪益 filed Critical 范豪益
Publication of TW202025173A publication Critical patent/TW202025173A/zh
Application granted granted Critical
Publication of TWI709146B publication Critical patent/TWI709146B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/486—Bio-feedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

一種生理數據智能處理方法與系統，運行於一雲端系統中，實現一個健康雲，其中設有資料庫，儲存由各種使用者終端裝置所收集的個人化生理數據，以及由各種醫療資訊來源所傳送的生理數據，形成一大數據，並通過通訊電路接收由各使用者終端裝置傳送的連續性生理數據以及非連續性生理數據，系統以大數據分析後建立可以預測各種生理狀態的生理預測模型，能根據各使用者終端裝置傳送的連續性生理數據或非連續生理數據判斷一生理狀態，並能即時回饋訊息給使用者。

Description

生理數據智能處理方法與系統
本發明關於一種生理數據的處理方法，特別是一種能夠根據使用者端裝置傳送的生理數據執行大數據分析與人工智能預測生理狀態的生理數據智能處理方法與系統。
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，通過網路連接至照護中心，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。
目前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，例如，心率感測器僅提供基礎心率或心率變異率等信息，而不能擬真提供完整十二導程心電圖，溫度感測器僅能提供體溫資訊，以及一些可提供睡眠、呼吸、跌倒等偵測資訊，能夠得到的數據僅是有限的特定訊息，並不容易作出完整而準確的預防性判斷。
而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，而且需要專業醫師判斷與即時的協助。
揭露書公開一種生理數據智能處理系統與方法，可運行於一雲端系統中，用以執行人工智能演算與機器學習的功能，並進一步實現健康雲，可以根據使用系統多模型變化學習，能根據生理預測模型進行預測，提供使用者相關生理狀態的資訊。
在一實施方式中，生理數據智能處理系統包括一資料庫，用以儲存由各種使用者終端裝置所收集的個人化生理數據，以及由各種醫療資訊來源所傳送的非個人化生理數據，形成一大數據；能以一資料收集手段接收由使用者端的至少兩個使用者終端裝置傳送的連續性生理數據，以及由各使用者觸發所穿戴的至少兩個使用者終端裝置產生的非連續性生理數據，其中連續性生理數據與經使用者觸發產生的非連續性生理數據形成資料庫中儲存的大數據之一部分。
生理數據智能處理系統通過軟體手段執行各種功能，例如機器學習手段，為根據資料庫儲存的大數據分析後，建立用以預測各種生理狀態的生理預測模型；預測模型手段即根據使用者終端裝置傳送的生理數據，對照生理預測模型，預測生理狀態；分析手段，能根據至少兩個使用者終端裝置傳送的連續性生理數據以及/或非連續生理數據，經分析後對照所述生理預測模型，判斷一生理狀態；回饋手段，根據經分析至少兩個使用者終端裝置傳送的連續性生理數據或非連續生理數據得出的生理狀態，產生針對該連續性生理數據的回饋訊息，或是針對非連續性生理數據的回饋訊息。所述回饋訊息可依照各使用者終端裝置對應的識別與通訊資訊，回傳至各使用者的通訊裝置。
進一步地，各使用者穿戴的使用者終端裝置包括第一使用者終端裝置，例如穿戴於使用者身上的智慧手環、智慧項鍊、智慧衣或各種可以信號連結使用者身上的固定式生理感測裝置，可通過第一使用者終端裝置感測到少數訊息項目的生理數據，形成傳送至雲端系統的連續性生理數據。
再者，各使用者可以主動觸發第一使用者終端裝置，取得第一使用者終端裝置於一時間內感測到的少數訊息項目的生理數據，形成傳送至該雲端系統的非連續性生理數據。
進一步地，各使用者穿戴的使用者終端裝置更包括第二使用者終端裝置，當回饋手段針對連續性生理數據或非連續性生理數據產生傳送至各使用者的該通訊裝置的回饋訊息時，可觸發第二使用者終端裝置，使第二使用者終端裝置產生立即或於一段時間內感測產生的生理數據，並傳送至雲端系統。
進一步地，所述分析手段為一人工智能，根據至少兩個使用者終端裝置傳送的連續性生理數據或非連續性生理數據，對照預設多種生理狀態的生理預測模型，判斷出其中之一生理狀態。
優選地，系統提供一預測模式，即機器學習方法根據資料庫收集的大數據進行訓練以得出用以預測多種生理狀態的生理預測模型，其中更根據每筆非連續性生理數據所對照的各使用者狀態以優化生理預測模型。
進一步地，系統提供一學習模式，可同時根據第一使用者終端裝置與第二使用者終端裝置產生的生理數據，對照雲端系統中通過機器學習建立的生理預測模型，再次綜合判斷生理狀態，並能進一步優化生理預測模型。
根據生理數據智能處理方法的實施例，自穿戴於各使用者的使用者終端裝置接收連續性生理數據或非連續生理數據，再分析所述的連續性生理數據或非連續生理數據，對照雲端系統中通過機器學習建立的生理預測模型，判斷一生理狀態，並根據經分析各使用者終端裝置傳送的連續性生理數據或非連續生理數據得出的生理狀態，產生針對連續性生理數據的回饋訊息，或是針對非連續性生理數據的回饋訊息，即通過一通訊網路，依照各使用者終端裝置對應的識別與通訊資訊回傳至各使用者的通訊裝置。
其中，所依據的資料庫設於雲端系統中，資料庫儲存由各種使用者終端裝置所收集的個人化生理數據，以及由各種醫療資訊來源所傳送的去識別化的非個人化生理數據，形成大數據，可使得系統可以機器學習手段與根據資料庫儲存的大數據分析後，建立用以預測各種生理狀態的生理預測模型。
為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。
以下是通過特定的具體實施例來說明本發明的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明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，在不悖離本發明的構思下進行各種修改與變更。另外，本發明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發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。
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。
揭露書公開一種生理數據智能處理方法與系統，是一種能夠有效處理來自使用者終端裝置產生的生理數據的智能處理方法，運行此方法的系統則是採用雲端系統的運算與通信技術，其中包括應用大數據技術自各種醫療院所或醫學中心取得的相對全面而完整的數據中學習得出的各種生理預測模型，通過大數據分析使用生理數據，以人工智能（Artificial Intelligence）技術處理學習各種生理數據的智能處理方法，以能有效處理從各使用者終端裝置所取得的有限生理數據，使用者終端裝置可為穿戴於使用者身上的智慧手環、智慧項鍊、智慧衣，亦可為連接於使用者的固定式感測裝置。這些有限的生理數據經智能分析後，即便只是有限而片面的數據，仍能夠依據雲端系統的生理預測模型準確地判讀使用者的生理狀態，並回饋使用者。
在此一提的是，所述運行於系統端的人工智能技術為利用機器學習方法根據大量收集的生理數據，例如自醫療院所、健康中心等完整的生理數據，通過大數據分析，學習得出緊密連結輸入與輸出數據之間的關聯，由其中軟體技術建立生理預測模型，生理預測模型中即記載了各種生理狀態下具備的各種生理特徵，包括收集自使用者端穿戴的生理感測裝置或是環境感測裝置得出的數據，再利用使用者回饋的訊息來優化生理模型，因此，根據生理預測模型，可以準確而有效地依據使用者端傳送的少數訊息而判斷當下或是預測將來的生理狀態。
所述生理數據的智能處理方法所運行的系統架構可參考圖1所示之範例，系統主要提出一雲端系統101，實施例為應用了大數據分析與人工智能技術建立的健康雲，能通過網路10連線各種醫療資訊來源，如圖代表顯示的醫療院所107，以及通過網路10，或者加上必要的網路設備，連接到各種使用者終端，例如圖示的健康手環103與智慧衣105。
雲端系統101通過網路10自多端使用者的各種使用者終端裝置（103、105）（至少兩個）取得生理數據，各使用者可以連接或穿戴一或多種使用者終端裝置，實施例可以是使用者的穿戴式裝置或是可信號連結使用者身上的固定式的生理感測裝置，若使用者終端裝置本身具有連網電路，可以直接連線雲端系統101，另可通過所處場所的網路設備或個人智慧裝置連線雲端系統101。
根據實施例之一，生理數據智能處理系統通過運行於雲端系統101的生理數據智能處理方法收集包括：各式使用者終端裝置產生的生理數據，及醫療院所107為代表的醫療資訊來源所產生的生理數據，但實際實施並不限於上述列舉的數據。一般來說，醫療院所107產生的生理數據為較為全面的數據，可以涵蓋多樣性的生理感測設備產生的生理數據，並包括去識別化的個人化的數據（如使用者立即的生理感測數據、醫療歷史數據等），還包括去識別化的非個人化的數據（不分性別、各年齡層、不分族群、各種病症、環境資訊等），形成雲端系統101運行生理數據智能處理方法所需的大數據，經大數據分析後建立預測各種生理狀態的生理預測模型。
雲端系統101實現一種健康雲，至少經由上述兩種數據路徑分別自醫療院所107或醫學中心得到較為全面的生理數據，以及自各使用者終端裝置（103、105）接收的有限生理數據，配合健康雲中人工智能（AI）的機器學習（machine learning）功能而強化數據及提煉出有意義的資訊，進而提供特定族群來應用這個健康雲，達到保護特定族群的目的。
如此，通過大數據分析，由數據中得出的資訊以機器學習技術訓練判斷與預測生理狀態的生理預測模型，可以藉此合理化而判斷出從各使用者終端裝置所接收的生理數據中的生理資訊，判斷使用者當下生理數據所隱含的生理狀態，甚至可用於預測使用者接下來的身體狀況。
一個人當下的生理狀態表徵包括心率、呼吸、體溫、血壓、對事物的反應，可能綜合形成一個生理狀態，但是更複雜的原因可能還包括此人所處的環境狀態，如溫濕度、氣候、空氣品質等，另更可考量此人本身的生理疾病、醫療歷史。為了要能更全面而完整地預測一個人的生理狀態，更需要環境資訊與歷史資訊的協助，甚至包括相關族群、人種、居住地、年齡、性別等的數據分析，其中在人工智能（Artificial Intelligence，AI）的領域中應用了機器學習（machine learning）的技術，機器學習是通過演算法來分析數據，以大量數據與演算法學習數據特徵，以建立判斷或預測使用者生理狀態的生理預測模型。因此，由雲端系統101實現的健康雲需要利用大數據與機器學習的方式等人工智能學習建立生理預測模型，還需要時時根據新增數據與回饋資訊優化生理預測模型，例如此實施例模式中的觸發動作，這個動作成為有效優化模型的資訊。
圖2顯示另一生理數據的智能處理系統的實施例示意圖，此例顯示雲端系統201通過網路20收集除了來自醫療院所209產生的生理數據與使用者204、205穿戴或連接的各式使用者終端裝置產生的生理數據，還包括終端感測裝置a, b, c, d, e, f所能感測到生理數據以外的環境資訊，如溫濕度、氣候、空氣品質、壓力、時間、光線等資訊，執行綜合判斷，更能提供準確預測的生理狀態。
特別的是，當要根據使用者終端裝置傳送的生理數據執行判斷或預測可能發生的情況時，環境資訊也是重要資訊，因此如圖所示，設於使用者204, 205附近的終端感測裝置a, b, c, d, e, f感測到的訊息成為雲端系統201用來得出使用者204, 205所處環境狀態的重要參考資訊。舉例來說，當雲端系統201接收到使用者穿戴的使用者終端裝置傳送的生理數據顯示有心率異常的狀態，若根據使用者所在環境的溫濕度有令人不適的可能，再搭配使用者過往可能有心臟方面的醫療病史，經系統對照生理預測模型後判斷使用者有危險時，可作出適當的預防措施。
此例顯示車輛203的駕駛配戴了智慧手環以及/或是智慧衣等的一或多個使用者終端裝置，可通過連網設備連接雲端系統201，可先由雲端系統201連續接收感測到的生理數據，雲端系統201中的人工智能技術將該車輛203駕駛的年齡、醫療歷史或是所處環境的資訊，或僅根據即時接收的生理數據以隨時進行預測。根據此例顯示，一個車輛駕駛的生理狀態特別與行車安全有關，倘若雲端系統201中的人工智能技術判斷駕駛當下或是在一個時刻後會有異常生理狀況時，即可通知駕駛本人，或是相關人員，可避免安全疑慮或是作出適當的處置。
根據一實施例，所述使用者終端裝置可以為以線路信號連結駕駛身上的固定式生理感測裝置，例如置放於車輛203中的感測設備以及設置於駕駛手握的方向盤上的生理感測裝置等。
當駕駛穿戴了兩種使用者終端裝置，可以依照情況，由雲端系統201先取得第一使用者終端裝置的生理數據，經人工智能技術判斷有異常可能時，這時，第二使用者終端裝置根據設定被啟動，使得雲端系統201可再接續取得第二使用者終端裝置的生理數據，而能得到更準確的預測結果。
根據再一實施例，除了由雲端系統201連續性地接收使用者終端裝置產生的生理數據外，亦可由車輛駕駛在感受到身體有狀況時，可以自己觸發使用者終端裝置主動將生理數據上傳雲端系統201，由雲端系統201判斷是否有異常的狀況，再執行後續處置。
圖3顯示實現生理數據的智能處理方法的雲端系統功能模組的實施例示意圖。
圖中顯示有一雲端系統30，可以一電腦系統實現，其中具有處理器、記憶體、通訊電路與儲存裝置等硬體元件，其中運行了執行生理數據的智能處理方法的軟體元件，實現如機器學習303、生理預測模型304、回饋系統306與訊息分析305等功能，資料庫302則是用以儲存不同路徑接收到的生理數據，也包括環境數據。圖中顯示雲端系統30通過網路單元301連接了各種數據來源，如各樣的使用者終端裝置31、包括醫療院所、健康中心等提供完整而相對全面的生理數據的醫療機構32，甚至包括醫療衛生機構33等政府機構（如健保資料）所提供的整體國民的健康資訊，以及通過設於終端的各種環境感測裝置產生的環境資訊34。
根據實施例，雲端系統30有多種收集數據的路徑，其中網路單元301實現一個資料收集手段，用於接收由各使用者終端裝置31傳送的連續性生理數據，以及由各使用者觸發所穿戴的各使用者終端裝置31產生的非連續性生理數據，其中連續性生理數據與非連續性生理數據形成資料庫302中儲存的大數據之一部分。在此一提的是，所述連續性生理數據包括使用者終端裝置31持續不間斷地（定時）上傳雲端系統30的生理數據外，使用者終端裝置31還能以其中的儲存媒體定時儲存感測到的生理數據，也能定時上傳到雲端系統30。而在一方案中，若雲端系統30中的分析判斷出有任何生理異常的訊息，也能根據特定需求要求使用者終端裝置31上傳儲存在裝置中的生理數據上傳雲端系統30。
所述使用者終端裝置31可以有多種態樣，如健康手環及智慧衣，或是設於使用者端的醫療設備，用以提供個人化的生理數據。所述醫療機構32，如圖示的醫療院所與健康中心，可以提供完整的生理數據，這類數據可以包括去識別化個人化生理數據，也可包括去識別化的非個人化生理數據。醫療衛生機構33，如健康保險機構，可以取得個人或非個人化的生理數據，加上環境資訊34，在雲端系統30中建立大數據資料庫302。
使用資料庫302中的數據，經過機器學習303分析其中大數據，建立用以預測多種生理狀態的生理預測模型，還能根據每筆非連續性生理數據所對照的各使用者狀態以優化生理預測模型。進一步地，所述生理預測模型304功能是可以根據使用者端提供具有少數訊息的生理數據，如使用者終端裝置31傳送的連續性生理數據或非連續生理數據，對照預設多種生理狀態的生理預測模型，其中又可涵蓋了以人工智能技術實現的分析手段，參照各種數據資訊，以判斷當下或是預測未來的生理狀態。
接著，回饋系統306為根據經分析各使用者終端裝置31傳送的連續性生理數據或非連續生理數據得出的生理狀態，產生針對連續性生理數據的回饋訊息，或是針對非連續性生理數據的回饋訊息，建立相關健康訊息，供使用者即時訊息。之後，通過網路單元301等的通訊電路，依照各使用者終端裝置31對應的識別與通訊資訊回傳至各使用者的一通訊裝置，如使用者端的智慧裝置，或是在一聯絡人清單上的聯絡人裝置，傳送回饋訊息，給予有效建議，以保護使用者。
在訊息分析305的功能中，處理各生理數據來源傳送的信息，其中主要是可根據至少兩個使用者終端裝置傳送的連續性生理數據或非連續生理數據，經分析後對照所述生理預測模型以判斷生理狀態，舉例來說，使用者可以主動觸發所穿戴的使用者終端裝置31，取得一段時間內的生理數據（暫存於使用者終端裝置中的記憶體），讓雲端系統30取得使用者終端裝置31於此時間內感測到的少數訊息項目的生理數據，為一種非連續性生理數據，由訊息分析305處理後，這類數據可能明確對應到特定生理狀態，同樣形成資料庫302中大數據的一部分，亦可經過生理預測模型304，經過模型比對後判斷或預測生理狀態。
圖4進一步顯示雲端系統中人工智能技術的實施例示意圖。
此例所示的雲端系統4設有人工智能模組40，可以上述實施例所描述的大數據分析、機器學習方法，以及根據生理預測模型執行預測的手段而實現，其中核心是機器學習401。
雲端系統4自使用者終端裝置或是各種醫療資訊來源接收到個人化生理數據41與非個人化生理數據42，生理數據可以具備幾種特性，幾種特性都是有關生理資訊提供者（如使用者終端裝置、醫療院所、醫學中心、健康中心等）提供給機器學習401的訊息，共同建立大數據。
第一種訊息分為非連續性數據402與連續性數據404。
雲端系統4接收到的生理數據可分為非連續性數據402與連續性數據404，經過機器學習401可以組合運用這兩類數據。其中非連續性數據402為各使用者終端裝置主動發出的提醒註記的訊息，舉例來說，當穿戴使用者終端裝置的使用者感受到身體不適時，可以藉由裝置上的通信功能（如求救按鈕）發出緊急訊息，這時雲端系統4可以取得具有提醒註記的訊息，還包括時間資訊、身份資訊，並同時收集到相關的生理數據，這些建立了具有註記的數據，對於系統而言，這是明顯具有關聯性的訊息。
這些非連續性數據402是具有提醒註記的生理數據，可供雲端系統4中的人工智能模組40中的學習機制使用，特定醫療專門技術人員配合人工智能的機器學習401進行生理訊息辨識，以便比對當下生理狀態是否有異於期望值，若差異或變異確實達到有意義的異常，則由雲端系統4直接發訊號給使用者或相關管理人員，進行相關的指導及必要之處置。
而所述連續性數據404則是包括沒有選擇地自各種醫療相關機構所收集的生理數據，並可包括自各使用者終端裝置連續接收的生理數據，形成一個非選擇性生理資訊的大數據。連續性數據404為具有完整功能的醫療設備所產生，為非選擇性的訊息，可以包括各種量測病人生理數據的醫療設備，可以包括各種穿戴於病人身上的裝置所能產生的數據，若以穿戴式裝置而言，可以連續性地經由收集生理數據，並可連線特定連網設備而將生理數據傳送到雲端系統，或者，可以由特定電腦設備中的軟體進行初步資料過濾整理後再經過網路上傳至雲端系統4，過程中持續進行機器篩選與回饋至機器學習401演算過程中，以建構更完備的健康雲。
在此一提的是，從醫療院所所取得的連續性數據404中，包括病房的生理訊息監測設備，已經內建有訊息過濾篩選的機制，所以能夠及時發覺異常或急迫性的危險，進而提醒醫護人員注意，即刻進行後續相關的緊急或一般處置。但是以穿戴式裝置而言，可能與受限於生理訊息的完整性及穩定性，暫時不能與醫療院所的病房（如加護病房）的標準設施相提並論，然而，通過雲端系統4與穿戴式裝置的搭配與機器學習，可以學習得出與連續性監測所帶來了相對多數的訊息相當的資訊。
在雲端系統4中，人工智能模組40未必能在第一時間轉換成為有意義的訊號，但是經由非連續性的提醒註記以及後續處置結果的對照，有可能讓看似沒有明顯用途的數據變成可靠而積極有效地訊息，進而在下次有類似的狀況發生的時候，能夠在第一時間提醒使用者，也就是提供生理數據的終端使用者，並提醒積極就醫或做相關的處置，還可經過授權由後台轉發給權責單位執行相關的後續管理與健康照護。
第二種訊息是少數訊息項目405與多數訊息項目403組合。
部分穿戴式裝置受限於穿戴的部位只能感測到局部的生理數據，可稱為一種少數訊息項目405的收集裝置，或許可以模擬部分的生理訊號。另有部分市面所見的穿戴式裝置或是檢測設備，可以佈建感應器於身上多個部分或活動肢體端，所以相對所收集的生理訊息多且廣泛，可稱為多數訊息項目403的收集裝置。
在人工智能模組40的雲端運算中，經由少數訊息項目405的收集裝置收集到的數據，將比照多數訊息項目403的收集裝置所取得的生理數據，將有機會經由模擬改良，使少數訊息項目405的收集裝置產生的資訊發展新的可以應用的參數，來逐漸取代多數訊息項目403的收集裝置原來特有的完整性。
如此，人工智能模組40處理的數據至少包括以上所述的連續性數據404，這時持續（或定時）不間斷地從使用者穿戴的使用者終端裝置接收的生理數據；非連續性數據402，這是接收由使用者主動觸發使用者終端裝置而傳送當下（或一段時間內）產生的生理數據；少數訊息項目405是指接收自僅能感測到有限幾個項目的生理數據的使用者終端裝置所產生的數據；而多數訊息項目403則是由可以感測到相對多數生理數據的穿戴裝置或檢測設備產生的生理數據。
上述非連續生理數據中，在一情況下，當雲端系統4經分析第一使用者終端裝置所傳送的連續性生理數據時，可比對生理預測模型406，判斷出一異常生理狀況，並通知使用者，這時，依照設定可主動驅動（或被動控制）第二使用者終端裝置根據此訊息傳送一段時間內的生理數據，以求準確地判斷生理狀態，這時這段時間內的生理數據可被標註後，形成了對比非連續數據402的生理數據，並成為優化生理預測模型406的資訊。
更者，在大數據的技術中，還可包括其他各種環境資訊，所述雲端系統4藉由各種路徑收集到個人（穿戴式裝置、醫療設備）、眾人（國人健康資料、保險資料）、環境（地區、氣候、季節）、即時數據，各種數據形成人工智能模組40中的大數據，經機器學習401後，可以建立生理預測模型406。
圖5接著顯示應用生理數據的智能處理系統的實施例示意圖。
圖中顯示有第一使用者終端裝置51，顯示如一種智慧手環，以及第二使用者終端裝置52，顯示為一種智慧衣，第一使用者終端裝置51與第二使用者終端裝置52通過連接資料輸出入設備53（如智慧型手機、平板電腦、個人電腦等）將生理數據上傳雲端系統5。
在一實施例中，使用者可以主動觸發第一使用者終端裝置51，取得第一使用者終端裝置51可於設定的一時間內感測到的少數訊息項目的生理數據，形成傳送至雲端系統5的非連續性生理數據。或者是，第一使用者終端裝置51連續性地傳送生理數據。
這時，雲端系統5根據所接收具有少量訊息項目的生理數據，對照生理預測模型，判斷當下的生理狀態，這時，可以回饋手段回傳訊息至個人智慧裝置53，這類訊息在此例中為針對非連續性生理數據產生的回饋訊息，這時，可以要求使用者進一步觸發第二使用者終端裝置52，使第二使用者終端裝置52產生立即或於一段時間內感測產生的生理數據，再傳送至雲端系統5。而其中觸發第二使用者終端裝置52產生一段時間內的生理數據將被標註，並與對應回饋訊息的非連續性生理數據具有一關聯性。
這時得出的效果之一是，雲端系統5可以通過至少兩個使用者終端裝置確認使用者的生理狀態，提供更準確的預測結果，其中的情境是，當雲端系統5中的人工智能手段根據第一使用者終端裝置傳送的生理數據判斷為異常時，再要求使用者觸發第二使用者終端裝置進一步傳送其他部位的生理數據，可以相互驗證而強化預測結果的準確性。
圖6顯示應用生理數據的智能處理系統的另一實施例示意圖，此例同樣提供一雲端系統6，各種使用者終端裝置通過各種連線方式，經過網路60與雲端系統6連線。
此例顯示使用者603所穿戴的使用者終端裝置可以通過附近的網路設備601連線網路60，藉此傳遞連續性或是不連續性的生理數據至雲端系統6。另外，車輛605（如公車）的駕駛同樣穿戴特定使用者終端裝置，而能通過隨身攜帶的個人智慧裝置602連線網路，也是傳遞連續性或是不連續性的生理數據至雲端系統6。
舉例來說，將特殊照護對象設定為大眾運輸工具的駕駛，讓大眾運輸工具的駕駛人員在上班的時候手上佩戴健康手環（第一使用者終端裝置），身上穿著智慧衣（第二使用者終端裝置）。在出發之前，先確定所有的裝置能夠正常運作並能夠發出正確的訊息，之後在值勤時可以經由身邊的連網設備（如個人智慧裝置602）上的應用程式（如App）收集相關的第一或第二使用者終端裝置產生的生理數據。讓雲端系統6可以隨時監控車輛605駕駛的生理狀態。
根據揭露書提出的生理數據的智能處理方法實施例，可以參考圖7顯示的主要實施例流程圖。
流程一開始，穿戴於使用者身上的第一使用者終端裝置可設定為連續且主動地感測使用者的生理數據，這類屬於少數訊息項目的生理數據，例如，依照智慧手環的精度可以感測到脈搏、心率、呼吸、動作、睡眠狀態等，並且產生了連續性生理數據，如步驟S701，通過使用者終端裝置中的通訊功能，或是另外以其他連網設備傳送生理數據至雲端系統。
接著如步驟S703，以雲端系統中的軟體手段分析所述的連續性生理數據，於步驟S705，並對照雲端系統中通過機器學習建立的生理預測模型，判斷其中的生理狀態。其中分析手段可為人工智能，能根據第一使用者終端裝置傳送的連續性生理數據，對照預設多種生理狀態的模型，判斷出其中之一生理狀態。
在步驟S707中，雲端系統的軟體手段將根據分析得出的生理狀態產生對應的回饋訊息，如步驟S709，能通過網路，依照各使用者終端裝置對應的識別與通訊資訊回傳至各使用者的個人智慧裝置，或是特定聯絡人的裝置。
在步驟S705中，當雲端系統判斷出生理狀態時，除了產生回饋訊息（步驟S707）也讓使用者接收到雲端系統提供的訊息，還如步驟S711，系統提供一預測模式，能根據終端裝置的設定或是人為觸發，可以主動驅動第二使用者終端裝置產生這一時間內（如之前1分鐘或10分鐘）所收集的生理數據，或是要求使用者觸發第二使用者終端裝置產生生理數據，或是取出裝置內一段時間內的生理數據，這是屬於非連續生理數據的一種，傳送到雲端系統。這時，如步驟S713，在一學習模式下，雲端系統中的軟體手段將對照生理預測模型，綜合判斷生理狀態，將相關訊息回饋給使用者，並如步驟S715，這些前後對照的生理數據同時形成機器學習中優化生理預測模型的數據。
圖8顯示生理數據的智能處理方法的主要實施例之二流程圖。
此例中，使用者端的第一、第二或更多使用者終端裝置並非連續性地傳送生理數據至雲端系統，但仍可間斷性地感測而產生生理數據，並可暫存於裝置的記憶體中，在某時刻，如步驟S801，使用者被要求或是自行需要（例如感到不適）而觸發第一使用者終端裝置產生生理數據，這是屬於非連續生理數據，此時，使用者終端裝置仍可於一時間內感測產生具有少數訊息項目的生理數據，形成傳送至雲端系統的非連續性生理數據。
這時，在一實施例中，如步驟S803，根據使用者的設定還可同時啟動第二或其他使用者終端裝置產生生理數據，這些生理數據可能是即時產生，或是最近某一個時段內產生並暫存在使用者終端裝置中的數據，一併上傳至雲端系統，在步驟S805中，雲端系統將接收各使用者終端裝置產生的生理數據。
在此一提的是，所述第一、第二或更多使用者終端裝置可以通過另一裝置（如使用者的電腦裝置）設定連動，當有任一使用者終端裝置被觸發，可根據此設定同時觸發其他裝置，並一併上傳相同時段內的生理數據，並可在雲端系統的資料庫中標註這些相同事件下產生的生理數據。
經雲端系統接收這些在某時刻上傳的非連續性的生理數據後，如步驟S807，利用軟體手段分析生理數據，包括步驟S809，對照雲端系統中通過機器學習建立的生理預測模型，判斷一生理狀態。接著，如步驟S811，使得雲端系統產生針對此非連續性生理數據的回饋訊息，如步驟S813，依照各使用者終端裝置對應的識別與通訊資訊傳送回饋訊息至使用者的個人智慧裝置。
當使用者通過個人智慧裝置接收到雲端系統傳送的訊息，可以給予回應，例如，可將目前身體狀況回覆雲端系統，使得雲端系統接收使用者的訊息，如步驟S815，或者再提供進一步生理數據，或是當使用者前去醫療院所執行進一步診斷得到專家意見時，都可產生回覆給雲端系統的訊息，這些回應的資訊經標註後都是相對有意義的資訊，也都可形成優化生理預測模型的資訊。
根據圖8顯示的流程，提供非連續性生理數據的裝置如上述實施例所描述的第一、第二或是其他使用者終端裝置，而經觸發提供的生理數據一般是少數卻又關鍵的訊息，這些有意義而被標註的生理數據可使得非連續與連續性的生理數據具有一定的關聯性，成為優化系統內生理預測模型的依據。
圖9顯示生理數據的智能處理方法的再一實施例流程圖，除了使用者主動觸發任一使用者終端裝置傳送生理數據的方式外，在此實施例顯示可由雲端系統主動發出觸發使用者終端裝置提供生理數據。
如步驟S901，雲端系統可以根據持續接收的生理數據，比對生理預測模型後判斷一生理狀態，在步驟S903中，經雲端系統中判斷有異常時，即針對使用者終端裝置（其中之一或多個）直接產生觸發訊息，在連動觸發其他使用者端裝置；或是通過使用者端的電腦裝置（如行動裝置）傳送觸發訊息，使得連動觸發第一、第二或更多使用者終端裝置傳送即時感測的生理數據，或是一個時間內暫存的生理數據，如步驟S905，由雲端系統接收多個使用者終端裝置傳送的生理數據，執行標註，如步驟S907，表示這些裝置產生的數據之間具有一關聯，能執行後續分析，還能以機器學習方法優化生理預測模型。
以下列舉運用揭露書所提出的生理數據智能處理方法與系統的情境範例，這裡提出在職場上工作的人員配戴了可以連線上述健康雲的範例，例如公車駕駛，實現此健康雲的雲端系統已經建立大數據並經機器學習後建立的人工智能，還可包括關於此公車駕駛人員個人化的歷史生理數據，此範例並非用來限定揭露書提出之生理數據智能處理方法與系統的應用範圍。
情境一：公車駕駛人員在行進當中，突然發現身上有一些異常的狀況，隨即通過第一使用者終端裝置（如健康手環）上面的觸發介面發出訊息，如一種設於健康手環的按鈕，此時，其中通訊功能將手環中儲存的訊息前後一段時間（如30秒）的生理數據傳送至雲端系統，而駕駛仍可繼續原先的工作。這時，雲端系統接收到此第一使用者終端裝置產生的生理數據，並建立相關註記，以及適時進行人工智能分析，這時可能判斷出駕駛人員的生理狀態有急迫性的威脅，即刻發送訊息給此駕駛人員，如通過手機連線雲端系統，或是相關主管人員進行相關的協助。
情境二：公車駕駛人員在行進當中突然發生異常狀況，即刻使用所穿戴的第一使用者終端裝置註記，同時也將前後一段時間內的生理數據傳送到雲端系統作後續分析，經過雲端系統中處理程序評估後判斷尚無立即風險，即通過駕駛人員的通訊裝置（如手機）通知駕駛人員，並請其駕駛人員自行注意健康狀況變化，並於近日至醫療院所進行後續評估及通知相關主管人員，進行後續關懷。但同一時間雲端系統仍繼續記錄相關訊息，並待後續處置結果加以記錄並比對。
情境三：公車駕駛員人員在工作中並未感到任何不適，但通過通訊技術驅動駕駛人員穿戴的第二使用者終端裝置（如智慧衣）擷取駕駛人員的生理數據，例如心率資訊，並上傳至雲端系統，經雲端系統中軟體程序分析心率資訊後，顯示出在公車駕駛人員的心臟出現缺血性的變化，雲端系統即通過通訊方法相關主管做後續必要之因應，例如可以臨時置換駕駛人員及緊急送醫。
情境四：公車駕駛人員未穿戴第二使用者終端裝置（如智慧衣），僅穿戴了第一使用者終端裝置（如健康手環），於駕駛途中，駕駛人員未感到任何的不適，但第一使用者終端裝置持續收集生理數據並上傳至雲端系統，經其中軟體程序分析後，當在特定時刻判斷疑似缺血性心臟病的急性發作，此時雲端系統通過通訊方法自動通知駕駛人員即刻將車輛靠邊停駛，並通知主管人員即刻派遣人員做後續的接替動作及安排緊急就醫，甚至包含同時通知救護單位醫院救護人員進行緊急救護。若經過急診判定為急性心肌梗塞，後經緊急支架置入，於休養後該員繼續執行駕駛工作。
情境五：此範例中，當公車駕駛人員預備出勤時，可先通過第一使用者終端裝置（如健康手環）進行初步檢測，例如按下健康手環的狀態確認的按鈕，將一段時間的生理數據上傳雲端系統，雲端系統通過通訊方法傳來的訊息是：昨夜睡眠狀況異常，導致自主神經系統紊亂、精神不濟，並包括五小時前甚至發生疑似暈倒的生理狀態等訊息，因此立即建議：應該請假休息，看診之後確定無礙，才能回任工作。
綜上所述，揭露書所提出的生理數據的智能處理方法與系統為通過建立雲端系統實現一種健康雲，其中藉由自各種醫療資訊來源接收完整的個人化或非個人化的生理數據，以及自各種使用者終端裝置接收到連續性或非連續性但卻為少量訊息的生理數據，建立資料庫，再利用大數據與機器學習的方式等人工智能學習建立生理預測模型，並隨時根據新增數據與回饋資訊優化生理預測模型，可以根據使用者端所提供的少量生理數據而預測使用者的生理狀態，所提出的系統更可以針對特定族群的使用者，依照該族群的使用者所處的環境背景與工作背景，提供準確而有效的預測模型。
以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。
10:網路 101:雲端系統 107:醫療院所 103:健康手環 105:智慧衣 20:網路 201:雲端系統 203:車輛 209:醫療院所 204, 205:使用者 a, b, c, d, e, f:終端感測裝置 30:雲端系統 303:機器學習 302:資料庫 304:生理預測模型 306:回饋系統 305:訊息處理 301:網路單元 31:使用者終端裝置 32:醫療機構 33:醫療衛生機構 34:環境資訊 4:雲端系統 40:人工智能模組 404:連續性數據 402:非連續性數據 405:少數訊息項目 403:多數訊息項目 401:機器學習 406:生理預測模型 41:個人化生理數據 42:非個人化生理數據 5:雲端系統 53:個人智慧裝置 51:第一使用者終端裝置 52:第二使用者終端裝置 6:雲端系統 60:網路 601:網路設備 602:個人智慧裝置 603:使用者 605:車輛 步驟S701～S715:生理數據的智能處理流程 步驟S801～S815:生理數據的智能處理流程 步驟S901～S907生理數據的智能處理流程
圖1顯示為生理數據的智能處理方法所運行的系統架構實施例圖；
圖2顯示另一生理數據的智能處理系統的實施例示意圖；
圖3顯示實現生理數據的智能處理方法的雲端系統功能模組的實施例示意圖；
圖4顯示雲端系統中人工智能技術的實施例示意圖；
圖5顯示應用生理數據的智能處理系統的實施例示意圖之一；
圖6顯示應用生理數據的智能處理系統的實施例示意圖之二；
圖7顯示生理數據的智能處理方法的實施例之一流程圖；
圖8顯示生理數據的智能處理方法的實施例之二流程圖；
圖9顯示生理數據的智能處理方法的實施例之三流程圖。
51:第一使用者終端裝置
52:第二使用者終端裝置
53:資料輸出入設備
5:雲端系統

Claims (20)

  1. 一種生理數據智能處理系統，運行於一雲端系統中，包括： 一資料庫，用以儲存由各種使用者終端裝置所收集的個人化生理數據，形成一大數據； 一資料收集手段，用於接收各使用者端至少兩個使用者終端裝置傳送的連續性生理數據、由各使用者觸發各使用者終端裝置產生的非連續性生理數據，以及/或由該雲端系統觸發各使用者端的該至少兩個使用者終端裝置產生的非連續性生理數據，其中該連續性生理數據與該非連續性生理數據形成該資料庫中儲存的大數據之一部分； 一機器學習手段，根據該資料庫儲存的大數據進行分析後，建立用以預測各種生理狀態的生理預測模型； 一分析手段，根據各使用者端的該至少兩個使用者終端裝置傳送的連續性生理數據或非連續生理數據，經分析後對照所述生理預測模型，判斷一生理狀態； 一回饋手段，根據經分析該至少兩個使用者終端裝置傳送的連續性生理數據或非連續生理數據得出的該生理狀態，產生針對該連續性生理數據的回饋訊息，或是針對該非連續性生理數據的回饋訊息；依照各使用者終端裝置對應的識別與通訊資訊傳送該回饋訊息至各使用者的一通訊裝置。
  2. 如請求項1所述的生理數據智能處理系統，其中各使用者端的該至少兩個使用者終端裝置包括一第一使用者終端裝置，通過該第一使用者終端裝置感測到少數訊息項目的生理數據，形成傳送至該雲端系統的連續性或非連續性生理數據。
  3. 如請求項2所述的生理數據智能處理系統，其中，各使用者可以主動觸發該第一使用者終端裝置，取得該第一使用者終端裝置於一時間內感測到的少數訊息項目的生理數據，形成傳送至該雲端系統的非連續性生理數據。
  4. 如請求項2或3所述的生理數據智能處理系統，其中，於該第一使用者終端裝置被觸發，即同時觸發一第二使用者終端裝置或更多使用者終端裝置，使得該雲端系統同時接收該至少兩個使用者終端裝置產生的生理數據。
  5. 如請求項4所述的生理數據智能處理系統，其中該第一使用者終端裝置與該第二使用者終端裝置一併產生一段時間內的生理數據將被標註，使之具有一關聯性。
  6. 如請求項2或3所述的生理數據智能處理系統，其中各使用者端的該至少兩個使用者終端裝置更包括一第二使用者終端裝置，當該回饋手段針對該連續性生理數據或該非連續性生理數據產生傳送至各使用者的該通訊裝置的回饋訊息時，更觸發該第二使用者終端裝置，使該第二使用者終端裝置產生立即或於一段時間內感測產生的生理數據，並傳送至該雲端系統。
  7. 如請求項6所述的生理數據智能處理系統，其中觸發該第二使用者終端裝置產生一段時間內的生理數據將被標註，並與對應該回饋訊息的非連續性生理數據具有一關聯性。
  8. 如請求項7所述的生理數據智能處理系統，其中該第一使用者終端裝置與該第二使用者終端裝置為穿戴於該使用者的一智慧手環、一智慧項鍊、一智慧衣，或信號連結該使用者的一固定式生理感測裝置。
  9. 如請求項1所述的生理數據智能處理系統，其中該機器學習手段為根據該資料庫收集的大數據訓練得出用以預測多種生理狀態的生理預測模型，其中更根據每筆非連續性生理數據所對照的各使用者狀態以優化該生理預測模型。
  10. 如請求項9所述的生理數據智能處理系統，其中該分析手段為一人工智能，根據該至少兩個使用者終端裝置傳送的連續性生理數據或非連續性生理數據，對照預設多種生理狀態的生理預測模型，判斷出其中之一生理狀態。
  11. 一種生理數據智能處理方法，運行於一雲端系統中，包括： 自穿戴於各使用者的至少兩個使用者終端裝置接收連續性生理數據或非連續生理數據； 分析所述的連續性生理數據或非連續生理數據，對照該雲端系統中通過機器學習建立的生理預測模型，判斷一生理狀態； 根據經分析該至少兩個使用者終端裝置傳送的連續性生理數據或非連續生理數據得出的該生理狀態，產生針對該連續性生理數據的回饋訊息，或是針對該非連續性生理數據的回饋訊息； 通過一通訊網路，依照各使用者終端裝置對應的識別與通訊資訊回傳該回饋訊息至各使用者的一通訊裝置； 其中，於該雲端系統中設有一資料庫，用以儲存由該至少兩個使用者終端裝置所收集的個人化生理數據，包括所述連續性生理數據與非連續性生理數據，形成一大數據，之後，以機器學習技術根據該資料庫儲存的大數據分析後，建立用以預測各種生理狀態的生理預測模型。
  12. 如請求項11所述的生理數據智能處理方法，其中各使用者穿戴的該至少兩個使用者終端裝置包括一第一使用者終端裝置與一第二使用者終端裝置，或其他使用者終端裝置，通過該至少兩個使用者終端裝置感測到少數訊息項目的生理數據，形成傳送至該雲端系統的連續性或非連續性生理數據。
  13. 如請求項12所述的生理數據智能處理方法，其中，各使用者主動觸發該第一使用者終端裝置，取得該第一使用者終端裝置於一時間內感測到的少數訊息項目的生理數據，形成傳送至該雲端系統的非連續性生理數據。
  14. 如請求項11至13中任一項所述的生理數據智能處理方法，其中各使用者穿戴的該至少兩個使用者終端裝置包括一第二使用者終端裝置，當該回饋手段針對該連續性生理數據或該非連續性生理數據產生傳送至各使用者的該通訊裝置的回饋訊息時，更觸發該第二使用者終端裝置，使該第二使用者終端裝置產生立即或於一段時間內感測產生的生理數據，並傳送至該雲端系統。
  15. 如請求項14所述的生理數據智能處理方法，其中觸發該第二使用者終端裝置產生一段時間內的生理數據將被標註，並與對應該回饋訊息的非連續性生理數據具有一關聯性。
  16. 如請求項12所述的生理數據智能處理方法，其中，當該第一使用者終端裝置被觸發，即同時觸發該第二使用者終端裝置，或其他使用者終端裝置，使得該雲端系統取得該至少兩個使用者終端裝置於一時間內感測到的少數訊息項目的生理數據，形成傳送至該雲端系統的非連續性生理數據。
  17. 如請求項16所述的生理數據智能處理方法，其中該至少兩個使用者終端裝置之一被使用者主動觸發，即連動觸發該第二使用者終端裝置或其他使用者終端裝置，再傳送該時間內生理數據至該雲端系統。
  18. 如請求項16所述的生理數據智能處理方法，其中該至少兩個使用者終端裝置之一被該雲端系統根據連續性生理數據判斷為異常時所觸發，即連動觸發其他使用者終端裝置，再傳送該時間內生理數據至該雲端系統。
  19. 如請求項16至18中任一項所述的生理數據智能處理方法，其中觸發該至少兩個使用者終端裝置產生一段時間內的生理數據將被標註，並與對應該回饋訊息的非連續性生理數據具有一關聯性。
  20. 如請求項11所述的生理數據智能處理方法，其中以機器學習的方法為根據該資料庫收集的大數據訓練得出用以預測多種生理狀態的模型，其中更根據每筆非連續性生理數據所對照的各使用者狀態優化模型；以及，該分析手段為一人工智能，根據該至少兩個使用者終端裝置傳送的連續性生理數據或非連續性生理數據，對照預設多種生理狀態的模型，判斷出其中之一生理狀態。
TW108130282A 2018-08-24 2019-08-23 生理數據智能處理方法與系統 TWI709146B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862722589P 2018-08-24 2018-08-24
US62/722589 2018-08-24

Publications (2)

Publication Number Publication Date
TW202025173A true TW202025173A (zh) 2020-07-01
TWI709146B TWI709146B (zh) 2020-11-01

Family

ID=69591374

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108130282A TWI709146B (zh) 2018-08-24 2019-08-23 生理數據智能處理方法與系統

Country Status (6)

Country Link
US (1) US20210174920A1 (zh)
JP (1) JP2021533971A (zh)
KR (1) KR102522039B1 (zh)
CN (1) CN111819585A (zh)
TW (1) TWI709146B (zh)
WO (1) WO2020038471A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI765354B (zh) * 2020-09-18 2022-05-21 國立臺灣海洋大學 個人化生理監測方法及其系統
TWI812404B (zh) * 2022-08-16 2023-08-11 國立陽明交通大學 即時生理訊號的情緒辨識系統

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220180725A1 (en) * 2020-12-04 2022-06-09 Wearable Technologies Inc. Smart wearable personal safety devices and related systems and methods
EP4320630A1 (en) * 2021-04-08 2024-02-14 BIOTRONIK SE & Co. KG Ai based patient assessment

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8388530B2 (en) * 2000-05-30 2013-03-05 Vladimir Shusterman Personalized monitoring and healthcare information management using physiological basis functions
JP2006122610A (ja) * 2004-10-29 2006-05-18 Ipsquare Inc 健康管理システム
US20070004969A1 (en) * 2005-06-29 2007-01-04 Microsoft Corporation Health monitor
CN101504696A (zh) * 2008-02-05 2009-08-12 周常安 互动式生理分析方法
CN102043894B (zh) * 2009-10-13 2014-09-17 北京大学 一种生理数据监测系统及方法
CN102068239A (zh) * 2010-12-08 2011-05-25 浙江大学 一种体域网的智能采集生理信息方法
TW201349160A (zh) * 2012-05-23 2013-12-01 Accton Technology Corp 生理監控系統與生理監控方法
CN103778312B (zh) * 2012-10-24 2017-05-10 中兴通讯股份有限公司 远程家庭保健系统
US20190038148A1 (en) * 2013-12-12 2019-02-07 Alivecor, Inc. Health with a mobile device
GB201402728D0 (en) * 2014-02-17 2014-04-02 Pousach Ltd Phone
EP3182888A1 (en) * 2014-08-22 2017-06-28 Koninklijke Philips N.V. Method and apparatus for measuring blood pressure using an acoustic signal
CN104523263B (zh) * 2014-12-23 2017-06-20 华南理工大学 基于移动互联网的孕产妇健康监护系统
WO2016107607A1 (en) * 2015-01-04 2016-07-07 Vita-Course Technologies Co.,Ltd System and method for health monitoring
CN104873186B (zh) * 2015-04-17 2018-05-18 中国科学院苏州生物医学工程技术研究所 一种可穿戴的动脉检测装置及其数据处理方法
CN104796485B (zh) * 2015-04-30 2019-09-10 深圳市全球锁安防系统工程有限公司 一种老龄人云安康服务平台及大数据处理方法
CN105078445B (zh) * 2015-08-24 2018-11-02 华南理工大学 基于健康服务机器人的老年人健康服务系统
CN105160175A (zh) * 2015-08-31 2015-12-16 西安交通大学 一种远程医疗监护系统
CN105125221B (zh) * 2015-10-26 2017-11-10 重庆理工大学 云服务实时摔倒检测系统及方法
KR102431455B1 (ko) * 2015-12-14 2022-08-12 삼성전자주식회사 인체 통신을 이용하여 헬스 정보를 송수신하는 방법 및 장치
US10407078B2 (en) * 2016-04-26 2019-09-10 Sivalogeswaran Ratnasingam Dynamic learning driving system and method
FR3051656B1 (fr) * 2016-05-31 2019-03-22 Ellcie Healthy Dispositif connecte de suivi comportemental d'un individu et permettant la detection et/ou la prevention d'une anomalie
CN106295986A (zh) * 2016-08-08 2017-01-04 赵宏杰 基于智能移动终端的健康检测管理系统
US20180137247A1 (en) * 2016-11-16 2018-05-17 healthio Inc. Preventive and predictive health platform
CN106940757B (zh) * 2017-03-14 2019-06-18 深圳蓝奥声科技有限公司 基于物联网的健康监护服务方法和协同主机系统
CN107194191A (zh) * 2017-06-20 2017-09-22 北京时代科华科技有限公司 一种健康看护智能生态系统
CN107529645B (zh) * 2017-06-29 2019-09-10 重庆邮电大学 一种基于深度学习的心音智能诊断系统及方法
CN107833635A (zh) * 2017-11-02 2018-03-23 佛山鑫进科技有限公司 一种基于大数据分析的智能手环监测装置
TWM562102U (zh) * 2018-01-31 2018-06-21 Golden Smart Home Tech Corp 雲端生理數據收集系統
CN108538405A (zh) * 2018-04-23 2018-09-14 刘仲 一种基于大数据云服务的智能实时监护仪及监护系统
CN108717678B (zh) * 2018-05-25 2021-12-21 青岛联合创智科技有限公司 一种智慧养老系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI765354B (zh) * 2020-09-18 2022-05-21 國立臺灣海洋大學 個人化生理監測方法及其系統
TWI812404B (zh) * 2022-08-16 2023-08-11 國立陽明交通大學 即時生理訊號的情緒辨識系統

Also Published As

Publication number Publication date
CN111819585A (zh) 2020-10-23
WO2020038471A1 (zh) 2020-02-27
KR20210046056A (ko) 2021-04-27
US20210174920A1 (en) 2021-06-10
TWI709146B (zh) 2020-11-01
JP2021533971A (ja) 2021-12-09
KR102522039B1 (ko) 2023-04-14

Similar Documents

Publication Publication Date Title
TWI709146B (zh) 生理數據智能處理方法與系統
US20210035067A1 (en) Method to increase efficiency, coverage, and quality of direct primary care
US10602964B2 (en) Location, activity, and health compliance monitoring using multidimensional context analysis
US11288708B2 (en) System and method for personalized preference optimization
US20170319063A1 (en) Apparatus and method for recording and analysing lapses in memory and function
Bavaresco et al. Design and evaluation of a context-aware model based on psychophysiology
JP7487872B2 (ja) 医療システム及びそれを実行する方法
Spoladore et al. Semantic and virtual reality-enhanced configuration of domestic environments: the smart home simulator
Linkous et al. Health monitoring in smart homes utilizing internet of things
Nalluri et al. AUTONOMOUS HEALTH MONITORING AND ASSISTANCE SYSTEMS USING IOT
Mohan et al. Artificial Intelligence and IoT in Elderly Fall Prevention: A Review
TWI772762B (zh) 照護系統與自動照護方法
Bakkes et al. Telemonitoring for independently living elderly: Inventory of needs & requirements
US20230294514A1 (en) System and method for monitoring a state of a driver
Sharma et al. Gerontechnology—The study of alzheimer disease using cloud computing
Deng et al. A machine Learning-Based monitoring system for attention and stress detection for children with autism spectrum disorders
Patil et al. Heart Disease Prediction Using Machine Learning and Data Analytics Approach
Kaur et al. The interoperability of fog and IoT in healthcare domain: Architecture, application, and challenges
Varsha et al. IoT in modern healthcare systems focused on neuroscience disorders and mental health
AU2021103601A4 (en) System and method for monitoring post covid patient using machine learning and block chain
Bej et al. A cost-effective alertness-rating tool to enable situational awareness among on-duty static security guards in Covid-19 pandemic
US11806130B2 (en) Predicting the probability of a brain injury of a subject resulting from a fall
Hardani et al. Autumn leaves: Automatic fall detection, alert and assessment to improve pre-hospital emergency care response
Andreou et al. Active life coach: towards a framework for holistic care of citizens as they age
CN117238533A (zh) 基于智能穿戴和实时诊断以及知识图谱的医疗护理系统