TW202029214A

TW202029214A - 分散式監控系統及方法

Info

Publication number: TW202029214A
Application number: TW108101948A
Authority: TW
Inventors: 徐理智; 蔡宗輝
Original assignee: 友達光電股份有限公司
Priority date: 2019-01-18
Filing date: 2019-01-18
Publication date: 2020-08-01
Also published as: TWI679653B; CN110428894B; CN110428894A

Abstract

一種分散式監控系統及方法。分散式監控系統包括：雲端伺服器、客戶端系統、醫療系統以及第三方驗證機構。雲端伺服器自醫療系統接收經過運算與加密後的多筆醫療資料，並且自客戶端系統接收監控資料。在雲端伺服器自客戶端系統接收到監控資料之後，傳送對應監控資料的識別金鑰至客戶端系統。第三方驗證機構自雲端伺服器下載監控資料以及醫療資料，並基於醫療資料來判斷監控資料是否異常而產生判斷結果，之後傳送判斷結果至雲端伺服器。而雲端伺服器在自客戶端系統接收到識別金鑰之後，傳送對應識別金鑰的判斷結果至客戶端系統。

Description

分散式監控系統及方法

本發明是有關於一種人工智慧監控系統及方法，且特別是有關於一種分散式監控系統及方法。

隨著整體人口結構快速趨向高齡化，使得長期照顧需求的人數也越來越多。高齡狀態的變化其實牽涉到很多複雜的元素，可能是一般慢性疾病，可能是失能、失智等身心功能衰退，也可能受到家庭社會資源的影響。因此，造成個人與家庭的照顧壓力日益加重，進而衍生社會與經濟問題。此外，不僅高齡者的建康問題值得關注，現代人工作壓力大，亦容易在未注意的情況下自身健康已亮起紅燈卻不自知。因此，需要利用科技的力量來協助監控使用者的建康問題。

本發明提供一種分散式監控系統及方法，將加密後的醫療資料上傳至雲端伺服器，並提供第三方驗證機構來進一步判斷客戶端系統的監控資料是否異常，藉此可確保醫療資料的隱私權。

本發明的分散式監控系統，包括：雲端伺服器、客戶端系統、醫療系統以及第三方驗證機構。客戶端系統耦接至雲端伺服器，其用以上傳使用者的監控資料至雲端伺服器。醫療系統耦接至雲端伺服器，其基於類神經網路將多個患者的多筆病理資料運算與加密後而獲得多筆醫療資料，並上傳這些醫療資料至雲端伺服器。經運算與加密後的醫療資料不包括患者的身份資料而包括多個閾值與多個權重。第三方驗證機構耦接至雲端伺服器，其自雲端伺服器下載監控資料以及經運算與加密後的醫療資料，並基於經運算與加密後的醫療資料來判斷監控資料是否異常而產生判斷結果，之後傳送判斷結果至雲端伺服器。在雲端伺服器自客戶端裝置接收到監控資料之後，雲端伺服器傳送對應監控資料的識別金鑰至客戶端系統。在雲端伺服器自客戶端系統接收到識別金鑰之後，雲端伺服器傳送對應識別金鑰的判斷結果至客戶端系統。

在本發明的一實施例中，上述醫療系統將患者各自的性別、病症程度以及年紀作為類神經網路的多個輸入節點，並將各患者的診斷結果作為類神經網路的輸出結點，進而自類神經網路的多個隱藏節點獲得所述閾值與所述權重。

在本發明的一實施例中，上述客戶端系統包括至少一感測器，其用以偵測生理訊息，以生理訊息作為監控資料。

在本發明的一實施例中，上述至少一感測器更用以偵測臉部特徵，利用臉部特徵來識別使用者，並且利用臉部特徵來獲得情緒訊息，並將情緒訊息搭配生理訊息來作為監控資料。

在本發明的一實施例中，上述至少一感測器更用以偵測聲音特徵，利用聲音特徵來識別使用者，並且利用聲音特徵來識別咳嗽訊息，並將咳嗽訊息搭配生理訊息來作為監控資料。

在本發明的一實施例中，上述至少一感測器更用以偵測環境訊息。

在本發明的一實施例中，上述至少一感測器設置在穿戴式裝置或家電中。

在本發明的一實施例中，上述第三方驗證機構利用深度學習來判斷該監控資料是否異常。

本發明的分散式監控方法，包括：於雲端伺服器中，自醫療系統接收經過運算與加密後的多筆醫療資料，並且自客戶端系統接收監控資料，其中醫療系統基於類神經網路將多個患者的多筆病理資料運算與加密後而獲得所述醫療資料，經運算與加密後的醫療資料不包括患者的身份資料而包括多個閾值與多個權重；在雲端伺服器自客戶端系統接收到監控資料之後，透過雲端伺服器傳送對應監控資料的識別金鑰至客戶端系統；由第三方驗證機構自雲端伺服器下載監控資料以及經運算與加密後的醫療資料，並基於經運算與加密後的醫療資料來判斷監控資料是否異常而產生判斷結果，之後傳送判斷結果至雲端伺服器；在雲端伺服器自客戶端系統接收到識別金鑰之後，透過雲端伺服器傳送對應識別金鑰的判斷結果至客戶端系統。

基於上述，於雲端伺服器中所儲存的醫療資料為運算過後的資料，而非原始數據，因此即便第三方驗證機構自雲端伺服器中取得了醫療資料，也無法得知這些醫療資料背後的隱私資料，可確保醫療隱私問題。另外，只有收到識別金鑰的客戶端系統才能獲得最後的判斷結果，因此也可確保使用者的隱私。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是依照本發明一實施例的分散式監控系統的方塊圖。請參照圖1，分散式監控系統100包括醫療系統110、雲端伺服器120、客戶端系統130以及第三方驗證機構140。醫療系統110、客戶端系統130以及第三方驗證機構140分別耦接至雲端伺服器120。

在本實施例中，醫療系統110例如為診所、醫院、醫療中心等所使用的伺服器，其用以儲存多個患者的醫療資料。醫療系統110基於類神經網路將多個患者的多筆病理資料運算與加密後而獲得多筆醫療資料，之後，將經運算與加密後的醫療資料上傳至雲端伺服器120。而加密後的醫療資料只會存在被打散的數據，而不會包括患者的身份資料。例如，醫療系統110會對病理資料進行訓練，而學習過後的資料已非是原始資料。

因此，上傳至雲端伺服器120的醫療資料已經是被處理過，而不會包括患者的個人訊息，因此可充分確保患者的隱私。也就是說，醫療資料並不是直接上傳患者的病理資料，而是對這些病理資料進行運算，將這些病理資料轉換成數位的數值（例如為由0、1組成的數值串），藉此將去除患者的個人訊息。並且，可進一步將這些病歷資料經過統整運算，依照病症、性別、年紀等來對醫療資料進行分類。醫療資料包括各種病症的特徵資料。

舉例來說，醫療系統110將多個患者的性別、病症程度（例如憂鬱症具有不同的嚴重程度）以及年紀作為類神經網路的多個輸入節點，並將每一個患者的診斷結果作為類神經網路的輸出結點，進而自類神經網路的多個隱藏節點獲得多個閾值與多個權重，而以這些閾值與權重來作為醫療資料。舉例來說，包括了如面部中的五官情緒特徵、一天當中不同時間記錄到的說話頻率與次數，透過例如類神經網路的深度計算，將該些記錄的特徵作為輸入層中的輸入結點，加入適當的隱藏層與結點，將醫療系統110的診斷結果當作輸出層的結果值，進而去計算與訓練得到較佳的輸入結點連結至隱藏層中的隱藏節點以及隱藏層中的隱藏節點與輸出層的結果之間的閥值與權重。醫療系統110將上述三個維度（年紀、病症程度以及性別）對應的臉部五官情緒特徵、嚴重程度以及性別透過計算與訓練得到較佳的輸入節點連結至隱藏層中的隱藏節點以及隱藏層中的隱藏節點與輸出層的結果之間的閾值與權重，視為一個計算後的結果，將隱藏層中合適的隱藏節點與輸入層以及輸出層之間的閾值與權重經過加密上傳至雲端伺服器120。

前述只是舉一個例子，醫療系統能將不同的病理特徵、不同的資料以及不同的患者分布都依照前述所舉的例子，在加密之後上傳至雲端伺服器120前進行計算與訓練，取得的對應結果可以稱為一個特徵函數，是否有疾病的比較可以透過取得使用者的特徵加以比較就能得到結果。如此一來醫療系統110先經過計算，已經去除了患者的隱私資料，即便在上傳至雲端伺服器120的過程中資料外洩，取得的數值也無法還原回是屬於哪一位特定患者的病理資料。

雲端伺服器120例如為採用採用分散式的加密技術。雲端伺服器120包括多台主機，上傳至雲端伺服器120的資料會同時被儲存至每一台主機上。並且，這些被上傳的資料是不可被竄改的。隨著時間的經過，雲端伺服器120中的資料會不斷地被複製。這些資料會分散在不同的主機中，其機制類似於區塊鏈技術。例如，有三台主機A～C，主機A～C中皆儲存有資料n、資料n+1、資料n+2。在進行驗證時，倘若發現主機A的資料與主機B、C的資料不同，便判定主機A的資料被竄改。

而資料被上傳至雲端伺服器120之後，會先被加密。因此，當駭客侵入雲端伺服器120時，由於駭客不知道加密金鑰，因此無法獲得這些資料。另外，由於上傳至雲端伺服器120的資料皆是經過運算後的一組數值串，即便駭客獲得加密金鑰，也僅能獲得一組數值串，其並無法得知數值串所代表的意義。

客戶端系統130包括至少一感測器。透過感測器來偵測生理訊息、臉部特徵、聲音特徵、環境訊息等監控資料。底下舉例來說明。

圖2是依照本發明一實施例的客戶端系統的方塊圖。請參照圖2，客戶端系統130包括生理訊息取得模組210、環境訊息取得模組220、身份識別模組230以及醫療溝通模組240。

在此，生理訊息取得模組210、環境訊息取得模組220以及身份識別模組230可採用感測器來實施。醫療溝通模組240是針對雲端伺服器120用來收發資料，例如為網卡等通訊設備。

生理訊息取得模組210例如為生理訊息感測器，用以偵測使用者的心跳、血壓、情緒、體溫以及睡眠時間等生理訊息。生理訊息取得模組210可以配置在手錶、手環、頸環、頭盔等穿戴式裝置中，也可以配置在家電等非穿戴式裝置中。

環境訊息取得模組220例如為溫度感測器、濕度感測器等，用以偵測室內的溫度、濕度等。另外，環境訊息取得模組220也可利用互聯網來取得室外的環境訊息，例如今天的氣溫、濕度、空污指數等。可以進一步判斷室內、室外的環境訊息是否會影響使用者的生理訊息。

身份識別模組230例如為影像擷取裝置、收音裝置等，用以偵測使用者的臉部特徵以及聲音特徵至少其中一個。可利用臉部特徵以及聲音特徵至少其中一個來識別使用者。隨著使用者處於不同的位置，透過特徵的分析與學習，可以準確地識別使用者的身份。

舉例來說，藉由影像擷取裝置掃描臉部特徵，利用機器學習與大數據記錄來區分特定的使用者。例如，每秒擷取5次臉部的影像，在取得臉部特徵後進行運算。例如，利用類神經網路將心跳、血壓、臉部特徵等參數當作輸入節點，隱藏層使用輸入節點的1.3-3倍，將所有的臉部特徵的記錄累積成大數據。反覆將大數據的資料放入類神經深度學習模組中，直到準確率到達閾值（99.9%準確），之後將臉部特徵對應的使用者加以記錄。

另外，還可利用收音裝置收錄聲音（不需預分類不同的使用者），並且將音頻進行處理為數位檔案，適當將上述數位檔案高頻區域增強。之後，將增強高頻區域的數位檔案切分為多個幀（frame），每個幀可以是20-50ms，且每一個幀重疊區域可以為1/5~1/2。接著，對每個幀的端點進行處理，以利與前後幀連接。然後，進行傅立葉轉換，取得頻域信號，再利用梅爾濾波器來獲得梅爾頻率倒譜系數（Mel-Frequency Cepstral Coefficient，MFCC），藉此獲得聲音特徵。

在獲得聲音特徵之後，利用類神經網路聲音特徵當作輸入節點，隱藏層使用輸入節點的1.3-3倍，將所有的聲音特徵的記錄累積成大數據，反覆將大數據的資料放入類神經深度學習模組當中直到準確率到達閾值（99.9%準確），將聲音特徵對應的使用者連結，以利用在獲得多人聲音的情況下區別出特定的使用者的聲音。

另外，還可利用臉部特徵來獲得情緒訊息，利用聲音特徵來識別咳嗽訊息。例如，事先獲得具有各種情緒的大量臉部特徵，藉此來訓練出各種情緒對應的特徵模型。並且，透過資料收集、訓練來獲得咳嗽模型。藉此，可利用這些訓練後獲得的模型來判斷後續偵測到的臉部特徵或聲音特徵是否包括特定的情緒訊息或咳嗽訊息。所述動作可在第三方驗證機構140中執行，亦可在客戶端系統130中執行。即，在一實施例中，由客戶端系統130來判斷臉部特徵或聲音特徵是否包括特定的情緒訊息或咳嗽訊息，之後再將情緒訊息或咳嗽訊息作為是監控資料傳送至雲端伺服器120。而在另一實施例中，客戶端系統130也可以僅收集資訊（臉部特徵、聲音特徵），而由第三方驗證機構140來判斷臉部特徵或聲音特徵是否包括特定的情緒訊息或咳嗽訊息。

醫療溝通模組240是利用分散式加密技術將資料上傳至雲端伺服器120與自雲端伺服器120下載資料。

另外，客戶端系統130上傳的監控資料並不會被傳送到醫療系統110，只有在使用者前往醫療機構進行診療，其診療相關的病歷資料才會增加至醫療系統110中。因此，可確保客戶端系統130的使用者的隱私權。

圖3是依照本發明一實施例的分散式監控方法的流程圖。請參照圖1及圖3，在步驟S301、步驟S303中，雲端伺服器120自醫療系統110接收經過運算與加密後的多筆醫療資料，並且自客戶端系統130接收監控資料。在此，並不限定步驟S301、步驟S303的執行順序。監控資料包括生理訊息、情緒訊息、咳嗽訊息、環境訊息等。在雲端伺服器120自客戶端系統130接收到監控資料之後，在步驟S302中，雲端伺服器120傳送對應監控資料的識別金鑰至客戶端系統130。

在步驟S304中，第三方驗證機構140自雲端伺服器120下載監控資料以及醫療資料。並且，第三方驗證機構140基於醫療資料來判斷監控資料是否異常而產生判斷結果。之後，在步驟S305中，第三方驗證機構140傳送判斷結果至雲端伺服器120。

在步驟S306中，客戶端系統130傳送識別金鑰至雲端伺服器120，據以要求雲端伺服器120回傳對應於監控資料的判斷結果。在雲端伺服器120自客戶端系統130接收到識別金鑰之後，在步驟S307中，雲端伺服器120傳送對應識別金鑰的判斷結果至客戶端系統130。

雲端伺服器120可同時接收不同的客戶端系統所傳送的監控資料，並且據以傳送不同的識別金鑰給各個客戶端系統。而不同的客戶端系統便能夠藉由識別金鑰來獲得對應的判斷結果。

另外，客戶端系統130也可以同時上傳不同使用者的監控資料至雲端伺服器120。例如，於客戶端系統130中包括多個穿戴式裝置，這些穿戴式裝置分別配戴在不同的使用者身上。而雲端伺服器120會針對由不同的穿戴式裝置所發送的監控資料來產生多個不同的識別金鑰，藉此使不同的穿戴式裝置能夠藉由識別金鑰來獲得對應的判斷結果。

而客戶端系統130中設置穿戴式裝置與非穿戴式裝置能互相輔助達到數據的去除噪音的效果。圖4是依照本發明一實施例的量測位置的示意圖。在圖4中，使用者配戴著穿戴式裝置403，而在此實施例中分別設置了非穿戴式裝置401、402。例如，假設使用者配戴著穿戴式裝置403與非穿戴式裝置401之間存在有障礙物，可以利用非穿戴式裝置402來計算出穿戴式裝置403的位置。而較佳的是，同時利用非穿戴式裝置401、402，可更準確地獲得穿戴式裝置403的所在位置。

底下舉例說明上述實施例的實際應用情形。

當使用者早上起床刷牙時，客戶端系統130可透過設置在鏡子上的影像擷取裝置來獲得使用者的臉部特徵，並且自臉部特徵來獲得情緒訊息，之後將情緒訊息加密後上傳至雲端伺服器120。第三方驗證機構140在自雲端伺服器120中下載了情緒訊息之後，利用大數據的深度學習來判斷情緒訊息與憂鬱症特徵是否相符。之後，將判斷結果透過雲端伺服器120傳送給客戶端系統130。

另外，假設使用者於客廳中，客戶端系統130可透過設置在客廳內的收音裝置來獲得使用者的聲音特徵，並將聲音特徵透過雲端伺服器120傳送至第三方驗證機構140。倘若使用者的聲音特徵出現非常規的高頻訊號且存在喘不過氣的特徵時，經由第三方驗證機構140的比對後，便能夠透過雲端伺服器120來發出警告訊息至客戶端系統130。

又例如，客戶端系統130可利用穿戴式裝置來偵測使用者的生理資訊（心跳、血壓等）、利用收音裝置來偵測使用者的聲音資訊，之後，將生理資訊與聲音資訊透過雲端伺服器120傳送至第三方驗證機構140。經由第三方驗證機構140的比對後，發現使用者的靜止心率（Resting Heart Rate）異常飆高且整天未說話，其代表使用者可能出現重度憂鬱的症狀，因而透過雲端伺服器120來發出警告訊息至客戶端系統130。

在此，基於使用者的隱私，雲端伺服器120不會主動去通知醫療機構。然，在其他實施例中，亦可在雲端伺服器120中設定一主動求救機制，當使用者處於命危情形時，可由雲端伺服器120主動發出求救訊息至醫療機構，例如，主動撥打求救電話等。

綜上所述，上述實施例利用分散式的加密技術來達成保密。並且，上述實施例可應用於遠端居家照護，減少人員看護，不僅適用於療養院、醫院等，亦適用於一般家庭。而上述實施例可以透過大數據與深度學習使得各種特殊對應特定人的特殊問題，能得到精準的結果。並且，利用上述實施例可以減少人力定時去取得使用者的生理訊息。另外，利用識別金鑰可確保自己的判斷結果只會回傳給自己，可充分確保隱私問題。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100:分散式監控系統 110:醫療系統 120:雲端伺服器 130:客戶端系統 140:第三方驗證機構 210:生理訊息取得模組 220:環境訊息取得模組 230:身份識別模組 240:醫療溝通模組 S301～S307:分散式監控方法各步驟 401、402:非穿戴式裝置 403:穿戴式裝置

圖1是依照本發明一實施例的分散式監控系統的方塊圖。圖2是依照本發明一實施例的客戶端系統的方塊圖。圖3是依照本發明一實施例的分散式監控方法的流程圖。圖4是依照本發明一實施例的量測位置的示意圖。

100:分散式監控系統

110:醫療系統

120:雲端伺服器

130:客戶端系統

140:第三方驗證機構

Claims

一種分散式監控系統，包括：一雲端伺服器；一客戶端系統，耦接至該雲端伺服器，上傳一使用者的一監控資料至該雲端伺服器；一醫療系統，耦接至該雲端伺服器，基於一類神經網路將多個患者的多筆病理資料運算與加密後而獲得多筆醫療資料，並上傳該些醫療資料至該雲端伺服器，其中經運算與加密後的該些醫療資料不包括該些患者的身份資料而包括多個閾值與多個權重；一第三方驗證機構，耦接至該雲端伺服器，自該雲端伺服器下載該監控資料以及經運算與加密後的該些醫療資料，並基於經運算與加密後的該些醫療資料來判斷該監控資料是否異常而產生一判斷結果，之後傳送該判斷結果至該雲端伺服器；其中，在該雲端伺服器自該客戶端裝置接收到該監控資料之後，該雲端伺服器傳送對應該監控資料的一識別金鑰至該客戶端系統；在該雲端伺服器自該客戶端系統接收到該識別金鑰之後，該雲端伺服器傳送對應該識別金鑰的該判斷結果至該客戶端系統。
如申請專利範圍第1項所述的分散式監控系統，其中該醫療系統將該些患者各自的一性別、一病症程度以及一年紀作為該類神經網路的多個輸入節點，並將每一該些患者的診斷結果作為該類神經網路的輸出結點，進而自該類神經網路的多個隱藏節點獲得該些閾值與該些權重。
如申請專利範圍第1項所述的分散式監控系統，其中該客戶端系統包括：至少一感測器，偵測一生理訊息，以該生理訊息作為該監控資料。
如申請專利範圍第3項所述的分散式監控系統，其中該至少一感測器更用以偵測一臉部特徵，利用該臉部特徵來識別該使用者，並且利用該臉部特徵來獲得一情緒訊息，並將該情緒訊息搭配該生理訊息來作為該監控資料。
如申請專利範圍第3項所述的分散式監控系統，其中該至少一感測器更用以偵測一聲音特徵，利用該聲音特徵來識別該使用者，並且利用該聲音特徵來識別一咳嗽訊息，並將該咳嗽訊息搭配該生理訊息來作為該監控資料。
如申請專利範圍第3項所述的分散式監控系統，其中該至少一感測器更用以偵測一環境訊息。
如申請專利範圍第3項所述的分散式監控系統，其中該至少一感測器設置在一穿戴式裝置或一家電中。
如申請專利範圍第1項所述的分散式監控系統，其中該第三方驗證機構利用一深度學習來判斷該監控資料是否異常。
一種分散式監控方法，包括：於一雲端伺服器中，自一醫療系統接收經過運算與加密後的多筆醫療資料，並且自一客戶端系統接收一監控資料，其中該醫療系統基於一類神經網路將多個患者的多筆病理資料運算與加密後而獲得該些醫療資料，經運算與加密後的該些醫療資料不包括該些患者的身份資料而包括多個閾值與多個權重；在該雲端伺服器自該客戶端系統接收到該監控資料之後，透過該雲端伺服器傳送對應該監控資料的一識別金鑰至該客戶端系統；由一第三方驗證機構自該雲端伺服器下載該監控資料以及經運算與加密後的該些醫療資料，並基於經運算與加密後的該些醫療資料來判斷該監控資料是否異常而產生一判斷結果，之後傳送該判斷結果至該雲端伺服器；以及在該雲端伺服器自該客戶端系統接收到該識別金鑰之後，透過該雲端伺服器傳送對應該識別金鑰的該判斷結果至該客戶端系統。
如申請專利範圍第9項所述的分散式監控方法，其中該醫療系統將該些患者各自的一性別、一病症程度以及一年紀作為該類神經網路的多個輸入節點，並將每一該些患者的診斷結果作為該類神經網路的輸出結點，進而自該類神經網路的多個隱藏節點獲得該些閾值與該些權重。
如申請專利範圍第9項所述的分散式監控方法，更包括：在該客戶端系統中，透過至少一感測器來偵測一生理訊息，以該生理訊息作為該監控資料。
如申請專利範圍第11項所述的分散式監控方法，更包括：在該客戶端系統中，透過該至少一感測器偵測一臉部特徵，利用該臉部特徵來識別該使用者，並且利用該臉部特徵來獲得一情緒訊息，並將該情緒訊息搭配該生理訊息來作為該監控資料。
如申請專利範圍第11項所述的分散式監控方法，更包括：在該客戶端系統中，透過至少一感測器來偵測一聲音特徵，利用該聲音特徵來識別該使用者，並且利用該聲音特徵來識別一咳嗽訊息，並將該咳嗽訊息搭配該生理訊息來作為該監控資料。
如申請專利範圍第11項所述的分散式監控方法，更包括：在該客戶端系統中，透過至少一感測器來偵測一環境訊息。
如申請專利範圍第11項所述的分散式監控方法，其中該至少一感測器設置在一穿戴式裝置或一家電中。
如申請專利範圍第9項所述的分散式監控方法，其中該第三方驗證機構利用一深度學習來判斷該監控資料是否異常。