TW202307866A

TW202307866A - 用於顫抖管理的系統及方法

Info

Publication number: TW202307866A
Application number: TW110128429A
Authority: TW
Inventors: 敦輝翁; 統吉許; 尤瑟夫亞伯拉罕; 艾利略貝克斯特; 高登麥可貝; 保羅迪帕尼斯; 強巴雷內切亞卡拉斯科
Original assignee: 英商盛世有限公司
Priority date: 2021-08-02
Filing date: 2021-08-02
Publication date: 2023-02-16
Also published as: TWI832075B

Abstract

本揭示內容是關於一種顫抖分析系統，其配置以接收一代表患者之動作的動作訊號，並分析該動作訊號以辨識一顫抖，以及控制一顫抖減緩裝置用以基於該辨識到的顫抖減緩該病患的該顫抖。

Description

用於顫抖管理的系統及方法

本揭示內容是關於一種顫抖分析系統，以及用以控制或管理顫抖的方法、電腦程式與非暫態電腦可讀媒體。

顫抖是身體的部分或四肢，無意識且不可控制的規律性動作。顫抖可以是間歇性或是連續性的，且可以是獨立發生或表示一潛在的健康問題(舉例來說：神經性障礙、神經退化性疾病或缺陷)。顫抖可藉由物理性檢測進行診斷，並可利用電腦斷層造影檢查或磁振造影影像檢測腦部的結構性缺陷或退化，以及血液/尿液試驗檢測任何缺陷或代謝問題，以確認其潛在的發生原因。然而，前述診斷方法通常與治療裝置或方法分開。大部分嘗試恢復患者一般日常生活的治療在都未能提供一種可滿足患者、照護人員及主治醫生之需求的解決方法，同時允許提供對減少顫抖具有正面效益的輔助硬體。對顫抖以及與顫抖相關症狀的治療不足會降低一個體的生活品質。

本發明的多種態樣提供如發明申請專利範圍所界定的系統、方法及非暫態電腦可讀媒體。

以下結合所附圖式，揭示本發明多種詳細實施例；然而，當可理解的是，揭示的實施例僅為本發明說明性示例。此外，與本揭示內容多個實施例相關之實例旨在提供說明性示例，並非旨在設限。

本說明書中，除非上下文明確地定義，否則以下詞彙具有與此處定義相同明確的含義。在此「在一實施例中」及「在某些實施例中」一詞非必要地代表相同實施例。此外，「在其他實施例中」及「在某些其他實施例中」一詞非必要地代表不同的實施例。因此，下文所述的多種實施例皆涵蓋在本揭示內容的範圍內。

本揭示內容為利用訊號處理以追蹤及分析移動的系統及方法，也可包含機器學習技術。以下實施例提供可克服涉及非動態控制及顫抖管理裝置的領域中的技術性問題、缺陷及/或解決方式及改善方式。如下文詳述，此處的技術性解決方法及改善方法包含改善訊號處理技術，及改善利用啟發式分析及機器學習技術，以利用動態裝置控制訊號及裝置建議，改善顫抖減緩裝置的功能。基於這類技術特徵，使用者及操作者可進一步受惠於這些系統及方法，包含陀螺儀裝置或其他顫抖減緩裝置的智能適應。此外，也對本揭示內容的技術的不同具體應用進行描述，進一步提供使用者及操作者具體的好處，也是本領域中新穎且有用的改善。當可理解的是，在與顫抖有關的不同情況下(像是顫抖減緩裝置)，使用「減緩」(mitigate) (mitigating) (mitigation)一詞包含管理、控制、減少、減緩或修正顫抖。

以下參考所附圖示提供用以管理或控制顫抖的系統、裝置、方法、電腦程式及非暫態電腦可讀媒體的實施例之詳細描述。

第1圖繪示一顫抖分析系統110的實施例。顫抖分析系統可為軟體模組、硬體或兩者的組合。顫抖分析系統110配置以接收代表患者動作的動作訊號234，並且分析該動作訊號以辨識一顫抖，以及基於辨識到的顫抖，控制顫抖減緩裝置以緩和患者的顫抖。顫抖減緩裝置可為任一適用於降低患者顫抖的裝置；例如，該裝置可為提供機械性阻尼(mechanical dampening)的陀螺儀、提供震動刺激及/或電刺激的裝置。顫抖減緩裝置可為硬體、軟體或兩者的組合。舉例來說，顫抖減緩裝置可以是可用於任一身體部位(像是，手、腳、腿、脖子、手臂或手指)的可穿戴式裝置，或僅為產生刺激以減緩顫抖的硬體。可基於動作訊號234，藉由產生及傳送控制訊號至顫抖減緩裝置的顫抖分析系統110，或藉由傳送指令至處理電路(processing circuit)，以產生及傳送控制訊號至顫抖減緩裝置的顫抖分析系統110來控制顫抖減緩裝置。控制訊號帶有如何操作該顫抖減緩裝置的指令。下文描述如何操作一陀螺儀以減緩顫抖的實施例。

以下對選擇性特徵做進一步的描述，並以虛線繪示於第1圖。

在一實施例中，顫抖分析系統包含一嚴重性模組111配置以基於動作訊號234確認顫抖的嚴重性。嚴重性模組111可配置以基於該動作訊號234的振幅及/或頻率來確認顫抖的嚴重性。該顫抖的嚴重性表示顫抖的強度。舉例來說，相較於中度顫抖(或低嚴重性顫抖)，高強度或高嚴重性的顫抖具有較高的頻率及/或振幅。

在另一實施例中，嚴重性模組111配置以基於數據確認顫抖的嚴重性，該數據包含形成動作訊號234之部分的歐拉角、四元數及向量之至少一者。在此實施例中，可接收來自一加速計(例如，慣性量測組(inertial measurement unit, IMU))的動作訊號，且嚴重性模組配置以利用加速計數據的歐拉角、四元數及/或向量數據計算顫抖的嚴重性，並在歐拉角情況下藉由計算整個數據樣本的均方根在乘以二的平方根，以形成動作訊號的基礎。由於顫抖可能具有繞著三個軸向的旋轉振幅，因此可將x、y及z軸的顫抖振幅以度為單位結合成向量總和。然而，也可以其他如前述的方式評估(例如：基於振幅及頻率的計算)。

在一實施例中，基於其他動作訊號234的度量確認或計算顫抖的嚴重性。舉例來說，峰值特徵(最小值及最大值)、分散度特徵(標準偏差及方差(variance))、幅度特徵(幅度區域及向量幅度)的平均值/中位數/模式、零點交叉、訊號能量、訊號幅度區域及相位角(phase angle)。

在一實施例中，嚴重性模組111配置以接收動作訊號234及辨認經過一段時間後一顫抖的至少一種特性。據此，嚴重性模組111可記錄或儲存經辨認經過一段時間後的特性，以建立可協助確認顫抖觸發因素(例如，環境、外在因素、食物及/或睡眠)的顫抖模式。同時，可監控一段時間後顫抖的嚴重性(例如嚴重性是否增加或降低)，也可在患者沒有穿戴配置以測量或感測顫抖的加速計、陀螺儀或其他裝置時，用以評估嚴重性的改變。顫抖的該至少一種特性可以是基於該動作訊號的任意度量或數值，舉例來說，振幅、頻率、移動軸、峰值特徵(最小值及最大值)、分散度特徵(標準偏差及方差)、幅度特徵(幅度區域及向量幅度)的平均值/中位數/模式、零點交叉、訊號能量、訊號幅度區域及相位角。

經紀錄的至少一種特性可儲存於嚴重性模組111的記憶體117內或一外接記憶體。所述一段時間可以是一天、多天、月或更長。為了減少數據儲存量，只有經辨認的顫抖的至少一種特性會被記錄，而非連續的動作訊號的至少一種特性。

在一實施例中，嚴重性模組111配置以基於經辨認經過一段時間後的顫抖的至少一種特性，確認一顫抖模式的轉移，用以辨識患者的顫抖變化。顫抖模式的轉移可被傳送至一外部裝置做進一步的檢測，例如，透過臨床醫生或軟體檢測，以確認造成顫抖模式轉移的原因。造成轉移的可能原因可以是患者健康狀況的惡化，或顫抖減緩的改善。

在一實施例中，嚴重性模組111配置以基於經過一段時間後的顫抖模式，確認造成一特徵(像是，嚴重性、長度或顫抖發作)改變的因子。所數因子可為患者的位置、睡眠模式或運動或其他可能的外部因子。在一實施例中，嚴重性模組配置以接收代表一因子的額外資訊。舉例來說，嚴重性模組可自GPS接收位置資訊，提供患者所在或曾到過的地方的地理資訊。該位置資訊可以是連續或間歇地傳送。若是間歇地傳送，該位置資訊可包括患者於一段時間的資訊。在一實施例中，嚴重性模組111可接收表示睡眠週期及/或運動週期的資訊。該資訊可基於心率及動作感測。基於經確認的因子，可提供患者如何避免顫抖發生或惡化的資訊(例如，增加睡眠及運動，或避免某些地點)。

在一實施例中，嚴重性模組111更配置以接收來自生理感測器的生理數據，且顫抖分析系統配置以基於該生理數據預測顫抖的發生及/或顫抖特徵。舉例來說，嚴重性模組111可基於動作訊號及來自生理感測器的額外輸入(例如：心率監測、脈搏血氧(pulse oximetry)、膚電活動(electrodermal activity)、血壓、體溫或其他)，分析顫抖模式。在某些實施例中，嚴重性引擎使用機器學習模組以分析數據，包含，例如：基於完成活動或分組微任務的一段時間完成活動的定義，或是顫抖嚴重性的其他時間週期(像是，每日、每週或每月)模式。生理數據也可包括指出使用者在給定時間內是否使用過顫抖管理裝置11的數據。因此，嚴重性引擎311將顫抖嚴重性與裝置使用模式配對(match)。

在一實施例中，顫抖分析系統配置以基於經預測發生的顫抖或顫抖特徵，傳送控制訊號至顫抖管理裝置，以減緩顫抖及/或向患者指出預期發生的顫抖。

在一實施例中，嚴重性模組111更配置以接收使用者生活方式的資訊，以確認使用者生活方式及顫抖特徵(例如：顫抖嚴重性、持續時間或發作時間)之間的關聯性。使用者生活方式的資訊可經由使用者介面傳送至嚴重性模組，其中使用者可於使用者介面輸入像是食物、飲料、服用的藥物、進行的活動、睡眠評估及行為資訊。使用者生活方式的資訊是一種表示使用者生活方式的資訊。

在一實施例中，嚴重性模組基於動作訊號、生理數據、一因子及前述的使用者生活方式資訊控制顫抖減緩裝置。

在一實施例中，顫抖分析系統包含一照護者警示模組112配置以分析動作訊號，以偵測患者的墜落動作，以及若偵測到一墜落動作，照護者警示模組配置以傳送一指示該患者需要協助的警示訊息。該警示訊息可被傳送至顫抖減緩裝置、患者的其他裝置或其他使用者(例如：照護者)的裝置，以警示照護者或周圍的人該患者需要協助。在一實施例中，基於接收至穿戴或附加於患者的加速計的加速計數據偵測一墜落動作。在一實施例中，基於動作訊號234偵測一墜落動作，其中該動作訊號可基於如下所述的加速計數據。在一實施例中，基於原始的加速計數據及/或動作訊號234，該照護者警示模組112可使用啟發式演算法(heuristic algorithm)、墜落偵測機器學習演算法或以上兩者，以確認與墜落相關的移動。在某些實施例中，啟發法(heuristics)包含辨識指示顫抖管理裝置開啟及由患者穿戴但未移動的加速計數據。

在其他實施例中，啟發法設計以尋找加速計數據中指示墜落動作的特徵，並透過延伸確認墜落的嚴重性。在某些實施例中，機器學習模組用以分類加速計數據的片段，作為指示墜落動作的特徵。

在一實施例中，顫抖分析系統110配置以藉由設定一閾值來確認顫抖減緩裝置的有效性，若指示一顫抖的動作訊號超出該閾值，接著顫抖分析系統配置以傳送控制訊號至顫抖管理裝置，用以調整所述裝置以減緩顫抖。在一實施例中，由裝置有效性模組113確認顫抖減緩裝置的有效性。如下文所述，當一陀螺儀用於減緩顫抖，該陀螺儀也可用以將其有效性回饋至顫抖分析系統110，例如，於抵消顫抖時該陀螺儀會繞著其進動軸進動。進動的幅度及/或頻率可接著與非顫抖狀態的靜止動作(非進動)比較，可用以提供裝置移動及有效性的其他數據點及加速度數據的其他處理。下文描述如何基於該有效性控制顫抖管理裝置(包含陀螺儀)的多個實施例。

在一實施例中，裝置有效性模組113可利用動作訊號234數據以推導出顫抖抑制參數。舉例來說，顫抖抑制參數表示顫抖減緩裝置用於減緩顫抖的有效性。可以1減掉有無刺激的顫抖之強度的比率評估顫抖抑制的程度，因此，數值接近1表示完全抑制；數值接近0表示顫抖強度不變；數值為負表示與基準相比顫抖增強。可於不同刺激(例如：機械性、震動刺激或電刺激)條件下預估每個個體平均的顫抖抑制程度，以優化裝置的有效性。可依照時間追蹤個體的顫抖抑制參數，以及顫抖抑制減弱的週期(天/週)可藉由裝置有效性模組113進行標記以警示患者、照護者或照護機構。

在一實施例中，顫抖分析系統包含裝置故障模組114配置以基於動作訊號234確認顫抖減緩裝置是否故障，若顫抖減緩裝置故障則傳送依警視訊息至顫抖減緩裝置及/或外部裝置。當可理解「故障」(Faulty)是指顫抖減緩裝置未如預期的發揮功能。在一實施例中，動作訊號234包含加速計數據，包含至少一源自加速計的加速計數值，若加速計數值超出閾值，裝置故障模組114配置以確認顫抖減緩裝置故障。該裝置故障模組114也可配置以接收感測器數值，包含至少一源自感測器的感測器數值，確認該感測器數值是否落至範圍外，若該數值落至範圍外，確定該顫抖減緩裝置故障。該感測器可以是測量溫度的溫度感測器、測量濕度的濕度感測器或測量電壓的電壓感測器。於下文描述更多實施例的實施細節。在一實施例中，若顫抖減緩裝置被判定為故障，原因可能是使用未經授權的硬體或未經授權的軟體修改。

為了描述動作訊號234的更多細節，該動作訊號234包含指示患者移動的資訊。動作訊號可由任一可偵測患者動作的裝置的顫抖分析系統110接收，並即時輸出四元數、歐拉角及/或向量表示一動作。該裝置可為一加速計，包含IMU、MEMS加速計、壓電加速計、地磁儀、陀螺儀或以上的組合。動作訊號234一開始可包含原始動作數據，例如：原始加速計數據。此動作數據可根據第8、9A及/或9B圖所述的任一步驟及操作進行預處理。作為預處理的一部份，數據在由前述各種顫抖分析系統的實施例分析之前可進行歸一化(normalize)及標準化(standardize)。在一實施例中，動作訊號是基於偵測患者動作的裝置產生的原始動作數據，且該原始動作數據已經過預處理，過濾或辨認與顫抖相關的數據。表示與顫抖不相關的動作的數據會被捨棄，且不被顫抖分析系統分析。在一實施例中，原始動作數據已被預處理成隨時監改變頻率或振幅的訊號。在一實施例中，動作訊號是基於包含歐拉角(關於x、y、z軸或其他坐標系統)、四元數及或向量的加速計數據。

在一實施例中，顫抖分析系統110配置以分析動作訊號234，以辨認一顫抖，並控制或管理一顫抖減緩裝置基於經辨認的顫抖即時減緩患者的顫抖。亦即，顫抖分析系統是連續地或間歇地分析傳入的動作訊號以偵測顫抖。分析一樣本或一部分的動作訊號，以確認患者是否正在經歷顫抖。一但偵測到顫抖，將傳送一控制訊號至顫抖減緩裝置以抵消顫抖。接著，顫抖分析系統110可繼續分析傳入的動作訊號，以如上下文所述確認顫抖減緩裝置的有效性。

當可理解，顫抖分析系統可包含一處理電路(processing circuit)以分析前述動作訊號。顫抖分析系統亦可包含一溝通介面118，用於接收動作訊號及傳送控制訊號。在一替代性實施例中，顫抖分析系統是一系列可由處理器執行的指令。

在一實施例中，顫抖減緩裝置包含顫抖分析系統110，使動作訊號分析可於顫抖減緩裝置內執行。

在一實施例中，顫抖管理系統包含前述的顫抖分析系統。該顫抖管理系統包含處理電路及用於儲存指令的記憶體，其中該指令可由處理電路執行。該處理電路可配置以利用如第8、9A及9B圖所述的任一種操作及其組合，接收及預處理原始動作數據，並額外地但選擇性地歸一化及標準化該數據，以產生透過前述顫抖分析系統處理的一動作訊號或一顫抖訊號。

第2圖是描述一種控制顫抖減緩裝置的方法200。可由顫抖分析系統、伺服器或電腦實施該方法。

方法200包含接收一代表患者的動作的動作訊號234 (步驟201)，分析該動作訊號以辨認顫抖(步驟202)，以及基於經辨識的顫抖控制顫抖減緩裝置以減緩患者的顫抖(步驟203)。

在一實施例中，該方法200包含基於動作訊號234確認顫抖的嚴重性。該方法可更包含基於動作訊號的振幅及頻率確認顫抖嚴重性。在一實施例中，該方法包含基於形成動作訊號234之部份的歐拉角、四元數及向量之至少一者的數據，確認顫抖嚴重性。

在一實施例中，該方法200包含接收動作訊號234及辨識於一段時間內一顫抖的至少一種特性。該方法也可包含基於該經辨認的一段時間內一顫抖的至少一種特性確認顫抖模式的轉移，以辨識患者顫抖的改變。

在一實施例中，該方法200包含基於一段時間內的顫抖模式確認造成一顫抖特徵的因子。

在一實施例中，該方法200包含自生理感測器接收生理數據，並基於該生理數據預測一顫抖的發生及/或一顫抖特徵。

在一實施例中，該方法包含基於經預測的顫抖發生及/或顫抖特徵，傳送一控制訊號至顫抖管理裝置，以控制該顫抖及/或指示患者一預期發生的顫抖。

在一實施例中，該方法200包含接收使用者生活方式的資訊，以及確認生活方式的資訊與顫抖特徵之間的關聯性。

在一實施例中，該方法200包含分析動作訊號以偵測患者的墜落動作，若偵測到墜落動作，傳送一指示該患者需要協助的警示訊息。

在一實施例中，該方法200包含透過設定閾值確認顫抖減緩裝置的有效性，若代表顫抖的動作訊號超過閾值，即傳送控制訊號至顫抖管理裝置以調整所述裝置來減緩顫抖。

在一實施例中，該方法200包含基於動作訊號234確認顫抖減緩裝置是否故障，若顫抖減緩裝置故障，則傳送一警示訊息至顫抖減緩裝置及/或一外部裝置。該外部裝置是可以實施該方法200的裝置。

在一實施例中，該動作訊號234包含加速計數據，其包含至少一源自加速計的加速計數據，若該加速計數據超過閾值，該方法200包含確認該顫抖減緩裝置故障。

在一實施例中，該方法200包含如第8、9A及9B圖所述的任一種前處理操作。此外，該方法也可包含於接收動作201及分析顫抖202前歸一化及標準化該數據。

在一實施例中，方法200可即時執行。

第3圖例示說明本揭示內容一種用於管理顫抖的方法300。該方法300包含由處理器接收源自附加於使用者的感測器裝置的加速計數據訊號(步驟301)。該加速計數據訊號具有由感測器裝置所偵測之隨時間改變頻率及隨時間改變的振幅。

該方法可更包含：由處理器至少一部分基於隨時間改變的頻率以及表示與顫抖相關的動作的顫抖頻率範圍，確認加速計數據訊號中的顫抖(步驟302)。接著，該方法包含由處理器在顫抖相關的一段時間內，基於加速計數據訊號確認顫抖的顫抖頻率及顫抖振幅(步驟303)。該方法更包含由處理器產生機械阻尼控制訊號至顫抖管理裝置，以使該裝置產生反向力、抵抗動作或以上兩者，用以回應該顫抖頻率及該顫抖振幅(步驟304)。接著，該方法包含由處理器於顫抖相關的一段時間內，至少一部分基於顫抖頻率及顫抖振幅確認顫抖嚴重性(步驟305)。該方法更包含由該處理器於顫抖相關的一段時間內，儲存顫抖頻率、顫抖振幅及顫抖嚴重性至顫抖嚴重性紀錄中(步驟306)，接著由處理器至少一部分基於嚴重性及根據該顫抖嚴重性記錄訓練的顫抖嚴重性模組的參數，訓練顫抖嚴重性模式辨識模組辨認至少一顫抖模式(步驟307)，以及由處理器將顫抖嚴重性模式辨識模組儲存於顫抖嚴重性引擎中(步驟308)。

該方法300更包含由該處理器接收包含行為記錄介面的至少一使用者介面中的使用者的選擇，其中，該使用者的選擇包含與使用者行為相關的日期、時間及行為類型；由該處理器產生使用者行為狀態紀錄輸入，記錄該使用者的選擇；由該處理器將該使用者行為狀態記錄輸入儲存於該使用者行為狀態記錄中；以及由該處理器訓練該顫抖嚴重性模式辨識模組，至少一部分基於根據該顫抖嚴重性紀錄及該使用者行為狀態記錄訓練的顫抖嚴重性模組的參數，辨認至少一種顫抖模式。該使用者行為狀態紀錄輸入可儲存於雲端。

該方法300可更包含由處理器利用顫抖嚴重性模式辨識模組，至少一部分基於加速計數據訊息、使用者的選擇及經訓練的顫抖嚴重性模組的參數，預測未來顫抖狀態；以及由處理器指示與使用者相關的至少一使用者裝置，以呈現顯示未來顫抖狀態的警示。

該方法300可更包含由處理器至少一部分基於顫抖嚴重性紀錄及使用者行為狀態紀錄訓練顫抖觸發辨識模組以辨認至少一種顫抖觸發行為，且由處理器至少一部分基於加速計數據訊號、使用者的選擇及經訓練的顫抖嚴重性模組的參數利用顫抖觸發辨識模組以預測一活動建議；其中，該活動建議包含至少一參與或不參與至少一活動的建議，避免至少一顫抖觸發行為；以及由處理器指示與使用者相關的至少一使用者裝置，以呈現指示該活動建議的警示。

該方法300可更包含由處理器至少一部分基於顫抖振幅及預設的風險振幅閾值，確認由顫抖造成的風險狀態；由處理器辨認至少一與使用者相關的照護者；以及由處理器指示至少一與該至少一的照護者相關的照護者裝置，以呈現顯示風險狀態的警示。

該方法300可更包含由處理器接收來自至少一生理感測器的生理感測器測量值，其中，該生理感測器測量值包含至少與使用者相關且隨時間改變的感測器測量值訊號；由處理器將生理感測器測量值儲存於使用者生物狀態記錄中；以及由處理器訓練顫抖嚴重性模式辨識模組，至少一部分基於嚴重性及根據顫抖嚴重性紀錄，及使用者生物狀態紀錄訓練的顫抖嚴重性模組的參數，辨認至少一種顫抖模式。

該方法300可更包含由處理器利用顫抖嚴重性模式辨識模組，至少一部分基於加速計數據訊號及經訓練的顫抖嚴重性模組的參數，預測未來顫抖狀態；由處理器至少一部分基於預測的未來顫抖狀態產生裝置使用建議，以表示顫抖管理裝置的建議使用時間；以及由處理器指示與使用者相關的至少一使用者裝置，呈現顯示裝置使用建議的警示。

第3圖所示的處理器可為控制系統的一部分，配置以控制顫抖管理裝置。該處理器可與機器學習環境溝通，配置以實施包含該顫抖嚴重性模式辨識模組的至少一機器學習模組。

第4圖繪示一種系統400包含一五層環境(five-layer environment)，其包含顫抖管理裝置401、使用者介面402、控制系統403、機器學習環境404及雲端405。該五層環境可配置以實施程式指令以執行方法300的各種操作。

在一實施例中，該控制系統403配置以控制顫抖管理裝置。在一實施例中，該機器學習環境404配置以執行包含顫抖嚴重性模式辨識模組的至少一機器學習模組。

在其他實施例中，該至少五層環境的系統400配置以執行程式指令，以實施接收至少一狀態的感官數據元件的步驟，該狀態包含與使用者相關的至少一顫抖狀態、與使用者相關的至少一生理狀態、與使用者相關的至少一環境狀態、與使用者相關的至少一使用者活動狀態、與顫抖管理裝置相關的至少一硬體狀態或以上的組合。將該五層環境進一步設置以執行程式指令，產生至少一與記錄在記憶體中的歷史顫抖減緩改善相關的可操作顫抖減緩動作，並於使用者運算裝置上，藉由使用者介面將該至少一可操作的顫抖減緩動作呈現予使用者、健康照護者或以上兩者。

一種具有軟體指令儲存於其上的非暫態電腦可讀媒體，該軟體指令配置以產生至少一處理器，以執行方法300的任一種操作。該處理器可為控制系統的一部分，配置以控制顫抖管理裝置。該處理器可與機器學習環境溝通，配置以執行包含顫抖嚴重性模是辨識模組的至少一機器學習模組。

此外，可在接收到合適的電腦可讀指令後，於電腦或伺服器上執行的電腦程式中實施前述方法200及300。該電腦或伺服器包含處理器及記憶體。該記憶體該處理器包含可執行的指令，以使該電腦或伺服器可操作以執行方法200及/或300。

以下說明如何執行該系統、方法、電腦程式及非暫態電腦可讀媒體的實施例。當可理解，本揭示內容中任何實施例的組合皆落入本發明的範圍內。

如上文所述，本揭示內容是關於控制或管理配置以減緩或降低顫抖的顫抖減緩裝置。舉例來說，顫抖減緩裝置可以是一提供機械性阻尼的陀螺儀、一提供震動刺激的裝置及/或一提供電刺激的裝置。為了使本揭示內容的敘述更加詳盡與完備，將陀螺儀使用於下文的多個實施例中，應可理解在本說明書中陀螺儀僅為例示性實例而非限制於陀螺儀。例如，下文將說明第5及6圖所示之陀螺儀。

陀螺儀是一種具有可旋轉圓盤的裝置，可繞著一軸線自由旋轉。在某些實施例中，陀螺儀試圖維持其旋轉軸的方向，並抵抗任何試圖導致方向改變的動作。因此，使用陀螺儀的理論為，當肌肉發生顫抖造成手部動作時，陀螺儀作用抵抗該動作，實質上減緩或抵消該顫抖。在某些實施例中，顫抖管理硬體或顫抖管理裝置可包含陀螺儀或其他包含用於穩定顫抖的陀螺儀的裝置。該顫抖管理裝置包含安裝於平衡環(gimbal)的可旋轉飛輪，該平衡環安裝於陀螺裝置的外殼體內的轉盤上。該轉盤配置僅是具有進動平衡環的陀螺儀裝置的其中一種實施方式的變化。該平衡環藉由繞著進動軸振盪進行進動，該進動可發生於單一平面或多個平面(轉盤配置)。該平衡環允許飛輪的進動，且該飛輪及平衡環可於轉盤上旋轉，以符合振動的方向。彈性阻尼器(elastomeric damper)提供以控制飛輪的進動。當圓盤旋轉時，陀螺儀會抵抗施加的耦合作用並傾向於維持一固定方向。若陀螺儀發生旋轉位移，則是透過使裝置圍繞與圓盤旋轉軸及裝置藉以移位之軸相互垂直的軸線進行章動(nutation)，以保持角動量。

陀螺儀會施加一迴轉力矩，該迴轉力矩與飛輪的慣性力矩、圓盤的角速度以及章動的角速度的大小成比例。迴轉力矩的方向向量與圓盤角速度與裝置的章動角速度的向量外積(vector cross product)成比例。

本揭示內容實施例的設備包含安裝於患者身體(例如：手腕、手部及其他身體部位)的陀螺儀裝置。在某些實施例中，該設備可包含複數個於使用該設備的身體上間隔設置的陀螺儀裝置。當身體的平衡狀態受到擾動(像是顫抖期間或旋轉位移期間)，該複數個陀螺儀裝置同時施加累積的淨迴轉力矩至身體，但是允許使用較小的陀螺儀，從而將陀螺儀的質量散佈至身體部位，使得該裝置更容易穿戴也減少設備的體積，且相較於具有較大陀螺儀的裝置以較小的程度阻礙身體的靈巧度及動作。

第5圖為一手套10形式之設備的實施例，該手套10具有安裝於其上並位於手部12的背面的顫抖管理裝置11。在所示的實施例中，手套10為開放式或無指式，以允許手指13以及拇指14的自由運動。優選地，可以織品製成手套10，以支撐陀螺儀裝置，藉由固定帶可附加於穿戴者的手腕、手指以及拇指，可採用黏扣帶(hook and loop，又稱魔鬼氈)類型的可調整鎖固裝置作為適合的固定帶。織品優選為軟質、舒適材料，可長時間舒適地穿戴。在優選的實施方式中，該織品為專利號WO2014/127291中描述的種類，其中在軟質聚矽氧纖維表面與穿戴者的皮膚之間形成的凡得瓦力(van der Waals force)可用以將織品固定到位。

第6圖為一例示性的陀螺儀裝置的橫截面圖。該陀螺儀包含一由無刷直流電(DC)馬達21驅動的可旋轉圓盤20，合適地為金屬圓盤(例如，銅盤)。在該實施例中，由以電池型態呈現的小型DC電源供應器驅動，且由控制電路23控制該陀螺。在某些實施例中，一加速計25包含控制電路23。在替選地配置中，該電源供應器及控制電路皆遠離陀螺儀裝置，且加速計25安裝於該陀螺儀上。

陀螺儀的馬達21安裝於陀螺儀座上，而該陀螺儀座安裝於進動鉸鍊上(未列示)，該進動鉸鍊則安裝於鉸鍊板上。鉸鍊板安裝於固定在該設備的手套10的轉盤31上。因此，在使用時，藉由進動鉸鍊及轉盤31的組合提供的固定的兩軸線，使該陀螺儀的軸線可進行進動。

進動及控制陀螺儀的進動軸確保該設備抵抗的合成向量(resultant vector)實質上與顫抖的向量相反。

彈性阻尼器位於鉸鍊板及陀螺儀座24之間以限制進動角度，使該角度介於陀螺儀的進動軸及垂直於鉸鍊板的軸之間。

在某些實施例中，將磁鐵使用於該陀螺儀裝置或每個陀螺儀裝置中，額外設置或取代裝置中的彈性阻尼器，以進一步控制陀螺儀的進動。舉例來說，設置一或多個磁性圓盤或圓環，或者一環形磁鐵於陀螺儀的圓盤20上，以控制陀螺儀進動。替選的配置(像是，彈簧及可變電磁鐵(variable electromagnet))也同樣適用於陀螺儀裝置。此外，可藉由像是步進馬達(stepping motor)及齒輪配置的方式控制轉盤的方向，以單一陀螺儀進一步控制多個顫抖軸。

在一實施例中，可附加於手套的外殼體32環繞該陀螺儀，提供一以開關的形式呈現的致動器，一開啟及關閉馬達。在某些實施例中，該開關或其他致動器可設置於遠離外殼體32，像是設置在手上或其他位置。舉例來說，該開關可能位於手臂上的任何位置且連接至該外殼體32，以控制該馬達的開啟或關閉。

第7A圖為繪示一顫抖管理系統的例示性實施例的方塊圖，闡述如何追蹤、診斷及分析以減緩顫抖，並根據一或多個本揭示內容實施例提供回饋以管理或控制顫抖。

顫抖管理系統包含用於分析動作訊號234的顫抖分析系統710其中該動作訊號234是接收自控制電路23。控制電路23配置以接收指示身體部位之動作的原始數據，其中該數據來自至少一加速計、感測器及陀螺儀，並轉傳至顫抖分析系統710。該顫抖管理系統也可包含提供額外輸入數據701至顫抖分析系統710的來源。該額外輸入數據701可以是顫抖管理裝置的使用者資訊703，例如，使用者人口統計及健康測量，以及使用者的使用者輸入。該額外輸入數據701可以是與使用者的記錄的資訊(像是，食物、飲用的飲料、服用的藥物與攝取劑量、進行的活動、睡眠評估及其他行為資訊)相關的記錄數據704。該額外輸入數據701也可包含臨床數據705 (例如：血壓及源自血液樣本的結果)。該額外輸入數據701也可以或替選地包含來自感測器的數據。

當如上文所述之一陀螺儀之顫抖管理裝置，可包含一陀螺儀或其他類似的裝置，該顫抖管理裝置11可包含一類似的回饋循環，於其他形式的顫抖管理裝置執行。前述顫抖管理裝置的實施例通常地傳遞機械性阻尼及/或外在刺激。因此，任意適合用以提供機械性阻尼、震動刺激、電刺激或其他外在刺激的裝置，皆可視為顫抖管理裝置11。在某些實施例中，顫抖管理裝置11可包含感測器的陣列包含，但不限於，加速計、定位感測器、心率監控器、血氧感測器、全球定位系統(global positioning system, GPS)感測器、環境感測器輸入(例如：家用恆溫器、溫度計、物聯網(Internet-of-Things, IoT)感測器或其他)。來自該些感測器的數據可藉由顫抖分析系統710處理，以產生不同診斷型態或理解穿戴者的狀態、行為、活動等。綜合該些資訊以提供一整體的狀態管理之解決方法，使評估、監控及治療該狀態可在單一裝置中完成。據此，該顫抖分析系統710包含不同模組電腦引擎協作以提供顫抖管理裝置11的使用者或穿戴者、照護者、醫師等提供整體的顫抖管理及理解。舉例來說，使用者的顫抖狀態及行為狀態可推斷自動作訊號234，且生物狀態可推斷自其他數據(例如：其他感測器數據702、使用者資訊703、記錄數據704及臨床數據705。每個顫抖分析系統710的引擎可利用該些數據以向使用者、照護者及臨床醫師的介面輸出有意義的資訊，並依照每個人在治療及顫抖相關疾病的管理上扮演的角色量打造，同時也提供顫抖管理裝置11遙測(telemetry)及治療建議，例如：透過個別的介面。

顫抖管理系統可更包含顫抖分析顯示系統720，其顯示或指示儀顫抖分析系統710的結果。舉例來說，該顫抖分析顯示系統可指示顫抖嚴重性、顫抖模式、任一經偵測緊急情況、裝置有效性評估、裝置故障偵測等。在某些實施例中，該顫抖分析顯示系統720可包含，例如：裝備用以於顯示器上呈現回饋的應用程式的行動裝置或電腦設備。

在某些實施例，顫抖分析系統710包含用以處理與額外數據相關的動作訊號234及發展與顫抖相關理解及回饋的組件，包含硬體組件、軟體組件及以上兩者的組合。在某些實施例中，該組件可包含基於邏輯或程式化的軟體引擎、機器學習引擎或以上的組合。

第8圖為根據一或多個本揭示內容實施例繪示一陀螺儀裝置的控制電路及加速計配置的例示性實施例的方塊圖，該實施例可以是控制系統及機器學習環境的一部份，用於前處理由顫抖產生的原始加速計數據。

在某些可以是控制系統及機器學習環境的一部份的實施例中，控制電路23與一例示性顫抖管理裝置11連接於顫抖管理裝置11上或是遠離的位置，以處理源自加速計25的數據，以及提供控制訊號給顫抖管理裝置11。因此，在某些實施例中，控制電路23可形成一訊號發散及/或收歛轂(hub)以控制顫抖管理裝置11的輸出及輸入。

在某些可以是控制系統及機器學習環境的一部份的實施例中，該控制電路23接收源自加速計25的加速計數據，包含任一適用的機械性移動遙測，例如：x-軸、y-軸及z-軸的歐拉角851。在某些實施例中，該加速計25可包含任一適合用於測量x-軸、y-軸及z-軸移動的裝置，像是一或多個慣性量測單元。舉例來說，在某些可以是控制系統及機器學習環境的一部份的實施例中，可利用多個IMU使用多重輸入結點(multiple input node)，加上源自每個IMU的機械性移動遙測作為供控制電路23使用的移動測量。舉例來說，加速計25可包含一或多個IMU，例如：一9-軸絕對方向感測器(Bosch BNO055)，然而，可使用任一特定的IMU，以使機械性遙測可被偵測。其他裝置預期包含一或多個加速計，例如：MEMS加速計、壓電加速計；例如：具有積體電路、地磁儀、陀螺儀及可即時輸出四元數、歐拉角或向量的高速處理器，以及其他組件及其組合。在某些可以是控制系統及機器學習環境的一部份的實施例中，可利用顫抖管理裝置11的陀螺儀提供機械性移動遙測，例如用以評估裝置於減緩顫抖的有效性。舉例來說，陀螺儀在抵抗顫抖時會繞著其進動軸進動。進動的幅度或頻率可與非顫抖狀態的靜止運動(未進動)比較，可用以提供其他指出裝置移動及有效性的數據，以及其他加速計數據的處理。

在某些可以是控制系統及機器學習環境的一部份的實施例中，控制電路23藉由一合適的溝通系統接收源自加速計25的歐拉角851。舉例來說，控制電路23位於加速計25上，該控制電路可藉由一合適的電腦端口(像是，通用序列匯流排(universal serial bus, USB)、快捷週邊組件互連介面(peripheral component interconnect express, PCIe)、連接器(Thunderbolt ^TM)、處理器匯流排(processor bus)或處理器快取(processor cache)，或是其他有線或無線連接器或模擬連接接口)接收歐拉角851。在某些實施例中，該端口可以是連續或同時操作的一或多個數位端口，或以上兩者的結合。在某些實施例中，該電腦端口為一乙太網路通訊協定(Ethernet protocol)用以平衡組件選擇複雜度、串流安全性(stream security)及高帶寬(high bandwidth)，例如：一小時內每秒約3.6或更多百萬位元組(例如，12個通道，其中7個源自加速計25，5個源自控制電路23的診斷或其他處理裝置)。然而，USB可提供類似或較佳的表現。在某些實施例中，該控制電路23配置遠離加速計25，該控制電路23可藉由一合適的網路系統(像是，網路、WiFi網路、藍芽、區域網路、內部網路、蜂群網路(Zigbee network)、Z-波網路(Z-wave network)或是其他有線或無線網路連接)接收歐拉角851。如上所述，該網路可由一安全地容納複雜的數據串流的網路連接(例如：資料加密及高帶寬(如：乙太網路))實施。

在某些可以是介面及控制系統的一部份的實施例中，該控制電路23可包含至少一軟體組件及/或一至少一軟體組件的組合，以及至少一設計/成序話/配置以管理或控制其他軟體及或硬體組件(例如：程序庫、軟體開發套件、目標等)的硬體組件。

硬體元件可包含一處理器、微處理器、電路、電路元件(例如：電晶體、電阻器、電容器、電感器(inductor)等)、積體電路(integrated circuit)、特殊應用積體電路(application specific integrated circuits, ASIC)、可程式邏輯裝置(programmable logic devices, PLD)、數位信號處理器(digital signal processor, DSP)、場域可程式化邏輯閘陣列(field programmable gate array, FPGA)、邏輯閘(logic gate)、暫存器(register)、半導體裝置、晶片、微晶片、晶片組等。

在某些可以是硬體、控制系統及機器學習環境的一部份的實施例中，處理器可包含具有數據處理功能的任一類型的處理裝置，像是硬體邏輯電路(例如：ASIC及可程式邏輯)或電腦裝置(例如：包含可程式微處理器或機器學習核心(machine learning core, MLC))的微電腦或微控制器，其中以新的專用機器學習核心作為硬體區塊(例如：ST近期推出具有內建MLC的IMU))。在某些實施例中，該處理器可藉由微處理器具有數據處理功能，包含，例如：單一處理器、並聯處理器、巢狀處理器(nested processor)或其他用於負責裝置操作集數據處理的單一或多個處理串流運算裝置。在某些實施例中，該微處理一包含記憶體、處理、介面資源、控制器及計數器。若一實施例使用硬體邏輯電路，該硬體邏輯電路通常包含可操作前處理器831、振幅計算器832、頻率計算器833等其他組件的邏輯結構。

在某些可以是五層環境的一部份的實施例中，每個組件可包含硬體、軟體或以上兩者的組合。軟體的實例可包含軟體組件、程式、電腦程式、應用程式、系統程式、機器程式、操作系統程式、中介軟體(middleware)、韌體、軟體模組、常式(routine)、次常式(subroutine)、函數、方法、程序、軟體介面、應用程式介面(application program interface, API)、指令集、計算代碼(computing code)、代碼段(code segment)、電腦代碼段、文字、數值、符號或以上軟體的組合。可根據任一數量的因子(像是目標運算速率、功率程度、熱耐受性、處理週期預算(cycle budget)、數據輸入速度、數據輸出速度、記憶體資源、數據匯流排速度及其他設計或執行的限制)的不同，確認一實施例是否由硬體元件及/或軟體元件實施。

在某些實施例中，控制電路23可位於顫抖管理裝置11之上。然而，在某些可以是雲端的一部份的實施例中，控制電路23可在現場或異地的遠端以產生較多運算資源。在某些實施例中，控制電路23可包含多個處理單元(processing unite)，例如：給定數據串流的並聯處理。舉例來說，該控制電路23可位於一行動裝置、運算裝置、於下個計算單元的部份上，例如：跨越位於遠端伺服器、運算裝置或雲端平台上的網路。

舉例來說，控制電路23完全或部份遠離顫抖管理裝置11，該控制電路23可部份或完全包含或合併到運算裝置中，該運算裝置包含至少一個人電腦(personal computer, PC)、筆記型電腦、超級筆記型電腦(ultra-laptop computer)、平板(tablet)、觸控板、可攜式電腦、手持式電腦、掌上電腦、個人數位輔助(personal digital assistant, PDA)、行動電話、行動電話及PDA的組合、電視、智慧型裝置(例如：智慧型電話、智慧型平板或智慧型電視)、行動網路裝置(mobile internet device, MID)、訊息裝置、數據溝通裝置等。

相似地，在某些可以是介面及控制系統的一部份的實施例中，控制電路23可部份或完全包含或合併到行動裝置中，該行動裝置包含任一可或不可啟用位置追蹤功能(例如：媒體存取控制位址(MAC address)、網際網路協定(Internet Protocol, IP)或其他類似的追蹤功能)的可攜式電子裝置。舉例來說，行動電子裝置可包含，但不限於，行動電話、平板電腦裝置、智慧型電話、智慧型手錶或任一合理的行動電子裝置。

在某些可以是機器學習環境及控制系統的一部份的實施例中，前處理器831接收源自加速計25的歐拉角851，且清理及過濾數據以產生一包含與顫抖相關的振幅及頻率的顫抖訊號。據此，在某些實施例中，該前處理器831可施用一或多個過濾器以過濾掉噪音及非顫抖的移動數據，例如：低通濾波器(low-pass filter)、高通濾波器(high-pass filter)、帶通濾波器(band-pass filter)、帶阻濾波器(band-stop filter或band-reject filter)、缺口濾波器(notch filter)、梳形全通濾波器(comb all-pass filter)或其他線型及非線型濾波器。舉例來說，前處理器831可使用，例如：帶通濾波器以挑出與顫抖相關的加速計數據，同時過濾掉非與顫抖相關加速計數據，因此產生一顫抖訊號表示與顫抖相關的歐拉角。

然而，在某些可以是機器學習環境及控制系統的一部分的實施例中，可藉由頻率計算器833修飾顫抖訊號，以基於該顫抖訊號確認顫抖隨著時間改變的頻率訊號。在某些實施例中，可以一小段時間內帶通濾波器數據的轉換代表該隨著時間改變的頻率訊號，以產生表示隨時間改變的頻率訊號。在某些實施例中，該一小段時間的轉換可包含，例如：一傅立葉轉換(Fourier transform)，像是快速傅立葉轉換(Fast Fourier transform, FFT)或其他合適的傅立葉轉換或其他轉換。在某些實施例中，基於一小段時間的頻率訊號中峰值的位置，可作為出現峰值當下的顫抖振幅。

在某些可以是機器學習環境及控制系統的一部分的實施例中，振幅計算器832可產生顫抖的總振幅或整體振幅的代表。在某些實施例中，振幅計算器832可分析顫抖訊號或頻率訊號，並辨認出顫抖週期。舉例來說，振幅計算器832可辨認頻率訊號中連續頻率訊號的週期。替選地，該顫抖週期可以是任一給定的一小段時間，使得一小段時間內的顫抖週期振幅可被連續的計算以計算顫抖振幅。在其他實施例中，顫抖週期可以是收集的歐拉角851的整個的週期，例如：自最後一次顫抖、自最後一次重置、自最後一天或其他事件。在某些實施例，振幅計算器832可接著基於至少一部分或整體的歐拉角851樣本確認顫抖振幅訊號。舉例來說，與顫抖週期相關的歐拉角851樣本整體的均方根可用以確認振幅。在某些使用均方根的實施例中，均方根可接著乘以2的平方根。然而，其他振幅計算技術可用以代表任一給定時間內顫抖的強度。因為顫抖傾向於具有在三條軸線上的旋轉振幅分量(component)，將x、y及z軸的顫抖振幅合併作為向量總和。在某些實施例中，顫抖振幅是週期性或連續性地重新計算。舉例來說，顫抖振幅可根據一週期進行重新計算，例如：1秒、5秒、15秒、30秒、1分鐘、15分鐘、30分鐘、1小時、2小時、3小時、6小時、12小時、24小時或其他合適的週期。結果指出，可產生隨時間改變的顫抖振幅的訊號作為振幅訊號。

據此，控制電路23可產生包含頻率訊號及振幅訊號的顫抖訊號234。在某些實施例中，顫抖訊號234可接著被紀錄在數位或類比媒體(作為類比儲存，像是磁介質、取樣及保持電路(sample-and-hold circuit)、電容器等)，例如存於合適的儲存裝置，像是集中式或分散式資料庫、雲端儲存平台、分散系統、伺服器或伺服器系統、其他儲存系統中、或是硬碟、固態硬碟、快閃驅動(flash drive)或其他合適的儲存裝置、或隨機存取記憶體、快取、緩衝器、或其他合適的記憶體裝置、或任何數據儲存方法，或以上的組合。某些實施例中，也可以或替選地提供顫抖訊號234至分析系統以分析顫抖，用於例如：嚴重性追蹤、緊急狀況偵測(例如：與穿戴者或顫抖管理裝置11本身相關的不利條件)、裝置有效性追蹤、裝置故障追蹤、裝置校正或主動顫抖治療、顫抖減緩建議及其他分析。

在某些可以式控制系統的一部分的實施例中，可將顫抖訊號234反向提供給顫抖管理裝置11及/或使用者運算裝置，以提供回饋。藉由整合回報及裝置回饋的顫抖訊號234中的顫抖偵測，將該顫抖訊號234整合至用於指示及即時進行顫抖減緩及追蹤的治療裝置。因此，在某些實施例中，可即時分析顫抖及顫抖的趨勢，用於即時減緩顫抖，舉例來說，藉由調整顫抖管理裝置11產生的陀螺儀動量的大小及方向軸線。

第9A圖是根據本揭示內容一或多個實施例繪示前處理器的一例示性實施例的方塊圖，該前處理器用於前處理因顫抖產生的原始加速計數據。

在某些可以是機器學習環境、控制系統及顫抖管理裝置11的一部分的實施例中，前處理器831可接收源自加速計25的原始數據(步驟901)，包含像是手部、手臂及手腕的加速計數據。在某些實施例中，可連續地、單獨地或一起接收每隻手、手臂及手腕的訊號。然而，在某些實施例中，為了加速對原始數據901進行有意義的前處理，以準確地模擬身體動作，原始數據901經由加入參考框架及去除錯誤、不連續性、離群值及其他不準確數據進行調整。

在某些可以是機器學習環境的一部份的實施例中，可將原始數據自相對參考框架轉變為絕對參考框架(步驟902)。舉例來說，可將原始數據的四元數進行處理、角速度可進行整合或以其他技術將原始數據轉換為動作的絕對度量。

可接著調整該度量(步驟910)。所述調整包含隔離錯誤及偽像(artifact) (步驟911)。舉例來說，可利用如漢佩爾濾波器(Hampel filter)或其他用以移除可能會被視為是離群值或噪音的數據的濾波器，辨識及移除離群值數據。在時間序列(time-series)中的不連續代表該數據可被辨識且移除(步驟912)，以否定不連續性。舉例來說，數據訊號中定義跳躍的區域可被辨識並移除，也可使用如巴特沃斯濾波器(Butterworth filter)或其他合適的濾波器加上跳躍移除器過濾其他偽像的數據。數據調整也可包含分類身體動作(步驟913)。舉例來說，根據與一給定類型的身體動作(例如：顫抖或是像書寫、繪畫、進食、備餐等其他特定活動)相關聯的頻率及/或振幅的數據，可自數據中被隔離及抽出。舉例來說，數據調整可使用像是百分位截割(percentile clipping)、帶通濾波、或其他類型的身體動作的分類及抽出。

在某些可以是機器學習環境及雲端環境的一部份的實施例中，前處理器831可基於數據調整910產生經淨化、去噪(denoise)及分類的身體動作數據903。在某些實施例中，身體動作模擬數據903可包含將輸出訊號與給定的動作類型連結的身體動作模型，例如：像書寫、繪畫、飲水、進食、備餐、服藥或其他興趣行為。

第9B圖是根據一或多個本揭示內容的實施例繪示一前處理器的例示性實施例的方塊圖，該前處理器利用如第9A圖所示的前處理器的方法之實施例，前處理顫抖導致的原始加速計數據。

在某些可以是機器學習環境及雲端的一部份的實施例中，前處理器831自加速計25接收原始歐拉角851。在某些實施例中，加速計25可包含一或多個用於偵測及溝通的裝置，例如：原始的手部歐拉角921、原始的手臂歐拉角922及原始的手腕(進動)歐拉角923，分別對應使用者手部、手臂及手腕的歐拉角。如上所述，原始歐拉角可包含顫抖移動及其他屬於使用者的其他移動的資訊。因此，前處理器931可包含用於自原始歐拉角中隔離及抽出顫抖訊號的組件。在某些實施例中，該組件可包含，例如：IF函數924、漢佩爾濾波器925、跳躍移除器926、巴特沃斯帶通濾波器927及百分位截割器928等。

在某些可以是機器學習環境的一部份的實施例中，IF函數924可藉由搜尋兩個連續數據點之間大於正/負165度或是正/負330度的變化，以校正180至360度的不連續性。若搜尋到所述變化，藉由對數據點分別增加或減少(取決於步伐方向)180或360度來進行校正。

在某些可以是機器學習環境的一部份的實施例中，漢佩爾濾波器925可接著使用7-點移動平均線(7-point moving average) (中位數)及標準差以辨認數據中的離群值。移除任一距離中位數1.5個標準差(3個標準差，或任何合適的標準差距離的值)的數據點，並以中位數取代之。

在某些實施例中，跳躍移除器926可接著辨認及取代數據中因加速計25中的感測器問題造成的不連續性(像是再校正)，其造成原始數據中的像差(aberration)。當兩個連續數據點之間差異大於連續性差異閾值(例如：大於15度或10度(基於顫抖振幅擺動於12 Hz增加或減少20度且於100 Hz的速度下採樣))，則可定義發生不連續性。

在某些可以是機器學習環境及控制系統的一部份的實施例中，巴特沃斯帶通濾波器927可接著減弱由跳躍移除器926產生的訊號，該訊號的頻率高於或低於與顫抖相關的頻率範圍，例如：帕金森氏症的顫抖、癲癇性顫抖、癲癇發生的顫抖等其他顫抖。舉例來說，顫抖頻率範圍可位於例如約2 Hz至12 Hz之間。在某些實施例中，巴特沃斯帶通濾波器927也可集中數據，例如：在約0度上，儘管也可考慮其他中心。因此，巴特沃斯帶通濾波器927可根據預先確定與顫抖相關的頻率，來移除與顫抖無關的移動數據。

然而，在某些情況下，某些由穿戴顫抖管理裝置11的使用者進行的活動可導致歐拉角轉換為顫抖頻率範圍內的頻率。舉例來說，在某些情況下手寫可通過巴特沃斯帶通濾波器927。因此，在某些可以是機器學習環境及顫抖管理裝置11的一部份的實施例中，顫抖可解釋為傾向於姿勢性，不同姿勢誘發不同顫抖特徵。因此，在某些實施例中，基於顫抖管理裝置11的設定，可要求使用者於穿戴顫抖管理裝置11時做出一系列的姿勢，以訓練控制電路23及前處理器831。在做出這些姿勢的過程中，加速計25可收集於給定動作中描述使用者顫抖的歐拉角數據，及附屬至顫抖訊號或姿勢的顫抖訊號資料段的顫抖描述符。當使用顫抖管理裝置11以進行活動時，該些「顫抖描述」可被召回，並用以過濾原始歐拉角851，以隔離有意的動作。

在某些可以是機器學習環境的一部份的實施例中，百分位截割器928可分別以99.5百分位及0.5百分位的數據點的值，取代於所有數據點中大於99.5百分位及小於0.5百分位的數據點。可藉由所述取代移除與有意的動作相關的動作偽像的影響，所述有意的動作是沒有被巴特沃斯濾波器移除的動作。

結果指出，前處理器831產生經調整動作訊號，該動作訊號與穿戴顫抖管理裝置11的使用者顫抖的歐拉角相關。

如前述，前處理的方法可用以前處理原始動作數據。當可理解，以例示的顫抖分析系統分析前，可將數據歸依化及標準化。

為了開發一種整體顫抖管理的解決方法，經前處理、歸一化及標準化的訊號可如上文所述形成控制或顫抖訊號234，並由顫抖分析系統解讀，以追蹤、診斷及分析使用者的顫抖及顫抖模式，接著回饋給顫抖管理裝置11、使用者及與使用者相關用於管理、控制及/或減緩顫抖的患者照護專業人員。

回歸至在此描述的顫抖分析系統710，在某些可以是機器學習環境的一部份的實施例中，本發明例示性的顫抖分析系統710可配置以利用一或多個AI/機器學習技術選自，但不限於，提升決策樹(decision tree)、支援向量機(support-vector machine)、類神經網路(neural network)、最近相鄰者運算法(nearest neighbor algorithm)、貝氏演算法(Naïve Bayes)、引導聚集演算法(bagging)、隨機森林(random forest)或類似的技術。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，一例示性的類神經網路技術可以是，但不限於，前饋類神經網路(feedforward neural network)、徑向基底函數網路(radial basis function network)、遞歸類神經網路(recurrent neural network)、卷積網路(convolutional network) (例如：U網路(U-net))或其他合適的網路。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，例示性的類神經網路可依照以下方式執行。

在某些實施例及選擇性地組合上文或下文描述的任一實施例中，該例示性經訓練的類神經網路模組可藉由至少一種類神經網路布局(neural network topology)、一系列的活化函數及連接權數(connection weight)指定一類神經網路。舉例來說，類神經網路的布局可包含配置類神經網路的結，以及結之間的連接。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，可指定一例示性經訓練的類神經網路模組以包含其他參數，包含但不限於，偏差值/函數(bias value/function)及/或聚合函數(aggregation function)。舉例來說，結的活化函數可為一步驟函數(step function)、正弦函數(sine function)、連續或分段線性函數、S形函數、雙曲線正切函數(hyperbolic tangent function)或其他代表節點活化閾值的數學函數類型。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，例示性聚合函數可以是結合輸入訊號至節點的數學函數(例如：總合、乘積等)。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，例示性聚合函數的輸出可作為例示性活化函數的輸入。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，偏差值可以是一常數或函數，聚合函數及/或活化函數可利用該偏差值使節點更加或較不活化。在某些實施例中，顫抖分析系統710可包含，例如：嚴重性引擎711、照護者警示引擎712、裝置有效性引擎713、裝置故障引擎714等，其他用於執行分析動作訊號234及額外數據301的軟體的引擎，以產生用於減緩顫抖及/或診斷顫抖及顫抖模式的顫抖回饋。在某些實施例中，每個嚴重性引擎711、照護者警示引擎712、裝置有效性引擎713、裝置故障引擎714可依序或同時利用基於邏輯分析、機器學習分析或以上兩者並用，以個別地產生嚴重性、緊急狀況、裝置有效性及裝置故障指示和模式，並自動化回覆。在某些實施例中，顫抖分析系統710是可增加或移除額外的顫抖分析引擎的模組，其中每個引擎都可使用加速計數據及其他健康及臨床數據，以提供智能回饋、裝置控制及使用者、照護者和臨床醫師警示。

在某些可以是機器學習環境的一部分的實施例中，顫抖分析系統710的軟體可在背景中連續地運作一回饋迴圈(feedback loop)，並產生控制系統解決方法，使顫抖患者、健康照護員或以上兩者可決定是否使用「新的」裝置操作參數變化。同時，在某些可以是控制系統及機器學習環境的一部分的實施例中，硬體及軟體的操作狀態為自動化系統，除了裝置啟動/關閉之外，限制使用者的參與及干涉。然而，對於突發狀況操作狀態的需求，像是建立機器學習環境的初始階段，從而基於較小的數據組及/或數據解析度的不足來推斷控制系統解決方法。

因此，在某些實施例中，使用包含軟體引擎及顫抖管理裝置11的本發明顫抖分析系統710利用動作訊號234，應產生一客觀的「顫抖嚴重性」的程度。在醫學領域「顫抖嚴重性」被視為是主觀的程度，此結果將可為顫抖及顫抖相關系統的開創性分析及治療提供客觀基礎。所述回饋迴圈應訓練產生出來的控制系統解決方法對「顫抖嚴重性」的認知與使用者及醫師一致，並進一步優化其針對人類主觀輸入的客觀功效。

在某些實施例中，顫抖分析系統710的每個引擎產生的回饋可提供至一或多個使用者運算裝置720，以指示顫抖嚴重性、顫抖模式、任一經偵測的緊急狀況、裝置有效性評估(例如：顫抖抑制)、裝置故障偵測等。在某些實施例中，使用者運算裝置720可包含，例如：具有用於顯示回饋於顯示器上的應用程式之行動裝置或運算裝置。在某些實施例中，該應用程式可藉由像是直接機載通信(direct on-board communication) (其中顫抖分析系統710被包含在一或多個使用者運算裝置720中)或應用程式設計介面(application programming interface, API)接收源自顫抖分析系統710的回饋，其中顫抖分析系統710及一或多個使用者運算裝置720彼此遠離以提供警示、顯示加速計數據的分析、確認顫抖管理裝置11的使用狀態(是否正穿戴使用中)等其他功能。在某些實施例中，一或多個使用者運算裝置720與穿戴顫抖管理裝置11的使用者相關，然而在某些實施例中，一或多個使用者運算裝置720可包含與治療穿戴顫抖管理裝置11之使用者的健康照護專業人員相關的裝置，或以上兩者。舉例來說，在某些實施例中，每個引擎可提供資訊至與穿戴者顫抖管理裝置11的使用者相關的穿戴者運算裝置721、與照護穿戴者的使用者相關的照護者運算裝置722、臨床醫師運算裝置723，及其他與照護的穿戴者相關的使用者。因此，顫抖分析系統710客觀的回饋，可藉由像是顫抖管理裝置11及使用者介面，以較佳地管理顫抖。

在某些實施例中，回饋包含裝置指示回饋(例如：可利用模組及/或調整因顫抖管理裝置11致動產生的陀螺儀力矩的強度與方向一致改善裝置有效性，或可確認即時顫抖管理裝置11致動以減緩當下的顫抖，顫抖分析系統710可包含回饋至顫抖管理裝置11的控制電路23，以控制顫抖管理裝置11致動)，及基於顫抖模式及顫抖管理建議的可操作的洞察(actionable insights)。

在某些實施例中，顫抖管理裝置11加上顫抖管理裝置11的智能控制，使用客觀回饋訊號及客觀顫抖測量值，透過的陀螺儀實現智能顫抖管理。所述顫抖管理可改善容易顫抖發生的人(像是患有癲癇症、帕金森氏症或其他疾病)整體的健康及生活品質。舉例來說，動作訊號可與陀螺儀進動訊號比較，以比較陀螺儀致動的強度以顫抖的強度，用以確認顫抖管理裝置11的有效性及控制策略。如其他實施例，調變(modulation)可用以確認陀螺儀裝置位被穿戴，因此提供回饋至顫抖管理裝置11以將其關閉。也可以是其他可能的回饋控制。在某些實施例中，控制電路23可藉由例如：直接機載通信自顫抖分析系統710接收回饋，其中控制電路23包含顫抖分析系統710，或藉由API，其中顫抖分析系統710及控制電路23彼此遠離。

在某些實施例中，前述控制系統可作為分支系統，使顫抖管理裝置11可被操作作為旋轉系統，以產生經控制的震動進而提供震動刺激。所述控制系統可源自於旋轉特徵的轉換但不限於1.初始轉子平衡等級、2.系統的自旋速度、3.轉子質量、4.馬達線圈定相(phasing)、5.馬達整流(commutation)、6.轉子質量密度分布、7.進動狀態、8.進動範圍、9.進動軸的方向及10.主軸支撐(main shaft support)。個別或串聯地操作所述控制元件，可用以在特定頻率產生震動，且透過轉子共振頻率的轉換控制振幅。首先藉由執行轉子組件的配置特徵，包含操作前述控制特徵1、3、4、7、8、9及10，接著動態操作控制特徵2、4、5及7。通過模擬及經驗進行的轉子動態分析，使動態調整與震動模式及頻率相關聯。因此，在所欲頻率下與相關的自旋速度結合的週期性激發，允許精確的高震動脈衝，通過震動模式選擇(扭轉、彎曲及諧波(harmonic))在平面上定向執行脈衝，產生某些對該平台控制。

在某些實施例中，前述控制系統可作為分支系統，使顫抖管理裝置11可被操作作為旋轉系統，以產生經控制的震動進而提供震動刺激。所述控制系統可源自於旋轉特徵的轉換但不限於1.初始轉子平衡等級、2.系統的自旋速度、3.轉子質量、4.馬達線圈定相(phasing)、5.馬達整流(commutation)、6.轉子質量密度分布、7.進動狀態、8.進動範圍、9.進動軸的方向及10.主軸支撐(main shaft support)。個別或串聯地操作所述控制特徵，可用以在特定頻率產生震動，且透過轉子共振頻率的轉換控制振幅。首先藉由執行轉子組件的配置特徵，包含操作前述控制特徵1、3、4、7、8、9及10，接著動態操作控制特徵2、4、5及7。通過模擬及經驗進行的轉子動態分析，使動態調整與震動模式及頻率相關聯。因此，在所欲頻率下與相關的自旋速度結合的週期性激發，允許精確的高震動脈衝，通過震動模式選擇(扭轉、彎曲及諧波(harmonic))在平面上定向執行脈衝，產生某些對該平台控制。

在某些實施例中，調諧質量阻尼(tuned mass-dampener)系統，包含必要的質量(captive mass)及偏壓元件，再一或多個動作軸線上基於該質量運作的偏壓元件，可用以抵抗身體部位的週期性移動。調諧質量阻尼系統通常設計以藉由針對特定頻率轉換受到激發力的系統的動態。為了轉移系統的共振頻率而改變其動態至更理想的值，也改變所述共振頻率的震動模式，以利於上述質量的動作，而非安裝該系統的主要身體部位。發生於該頻率的效應常為窄頻帶(narrow band)，該窄頻帶不適用於減緩發生在寬範圍的頻率顫抖。質量阻尼系統的動態控制通過前述偏壓元件不同的彈簧率(spring rate)，允許對發生減緩效果的控制。使用可執行於可穿戴裝置的回饋迴圈可監控身體部位的動作狀態，且自動調整調諧質量阻尼系統的調諧，以針對週期性動作將其視為對正常肢體動作是有害的。前述陀螺儀阻尼系統可用以形成調諧質量阻尼系統，其中飛輪為必要的質量且進動偏壓元件作為質量偏壓元件。串連地控制進動軸及偏壓元件彈簧率可產生可調諧的調諧質量阻尼效應作為輔助或獨立功能。為了達到調諧質量阻尼效應使飛輪不自旋。

陀螺儀阻尼系統可為一速度依賴型的動作阻尼器，依動作速度的比例產生阻力抵消該動作。將該速度依賴型抵消效應用於減緩陀螺儀動作的旋轉動作。可通過機械性傳遞及將線性動作轉換為繞著陀螺儀元件作動軸的旋轉動作，線性地應用相同的效應。動作速率及產生的阻力大小之間的比例影響阻尼系統的性能，其中控制所述比例可在較廣的情況下改善減緩顫抖的性能，像是由多個不同使用者或相同使用者於進行不同活動時的經歷。在基於陀螺儀的系統中，透過改變陀螺儀的飛輪旋轉速率等特徵，可輕易地改變動作速率及產生的阻力大小之間的比例。

流體阻尼器(Fluidic dampener)為使用類似的速度相關的動作抵消系統的相似電阻器。流體阻尼器也可作用於旋轉或線型動作，然而最簡單的實施例僅限於線型動作。大部分實施例由黏性流體作用於其上的活塞組成。該液體及活塞位在一密閉空腔中。可藉由使用具有不同可變黏度的流體(例如：磁流變(magneto rheological))及不同的幾何活塞/汽缸特徵控制阻力。其他速率相關的現象可用於包含於非鐵金屬中的磁感應、界膜阻力(boundary-film resistance)及氣動系統(pneumatic system)。此現象可控制可與動作測量裝置耦合的抵消率以自動對不需要的動作做出回應。速率相關的動作阻力也可透過使用持續的阻力元件達成。該些元件可使用在具有主動阻力控制的基於磨擦的運動抵消系統(例如：索煞車(cable brake)、碟式煞車(disc brake))中。將主動阻力控制導入回饋系統中，藉由使用動作測量系統及相應地做出反應，以模擬速率相關的動作阻尼。在此情況下，動作抵抗力及動作速率(線型或旋轉的)的比例可直接在軟體中有效率且有效地進行調整。值得注意的是，在多段式或多腔式流動中使用多種流體類型(例如：氣態的(空氣、氮氣、氦氣)、液體(礦物油、水)、幫浦類型(微型齒輪、葉片等))，為可由套裝軟體存取的控制參數，其中該套裝軟體可以是控制系統的一部份。結果指出，在某些顫抖管理裝置11及控制系統的實施例中，透過以上的延伸，可以在跨越人體的關節的情況下具有顯著的效果。在某些可以是介面、機器學習環境及雲端的一部分的實施例中，該些三層(three layers)可被融入其他顫抖管理系統中的回饋迴圈，並視為顫抖管理裝置11的擴展。在擴展的顫抖管理裝置11的某些實施例中，該系統可以式輔助用的，或是在暴露於刺激的初始階段時，對於顫抖具有故意延遲但持續的效果。延遲治療的實施例可以是經由電脈衝、震動刺激或暴露於電磁場等經皮刺激(transcutaneous stimulation)。如上文所述，陀螺儀裝置可傳遞周圍刺激，因此可藉由改變刺激特徵以達成自傳遞模式化的刺激至身體的側向瞭解產生控制系統，其中該特徵不限於1.在身體上定位或單點或多點刺激；2.在身體上以時間間隔或同時多個活化的刺激；3.在身體上線型或非線型接近刺激點的依序活化。因此，個別地或串聯地操作控制元件可用以在利用機器學習環境的特定脈衝產生刺激模式，以完成反應性回饋及控制迴圈。

在為使用者提供有意義的介面的某些實施例中，使用者運算裝置720可配置以解釋：接收/處理使用者的聲音命令，並非只對核心裝置有效，也提供多種方法使患者、照護者及臨床醫師/科學家可互動/溝通，以使顫抖的使用者可基於顫抖分析系統710進行聲控。顫抖的患者通常會因為他們的健康狀況，難以與數位介面互動或輸入資訊。如打字、書寫或選擇按的活動也都具有挑戰性。因此，提出一種基於言語的介面應用於具有顫抖的患者。

在為使用者提供有意義的介面的某些實施例中，使用者運算裝置720，包含穿戴者運算裝置721，可提供記錄功能或記錄介面，使陀螺儀裝置的穿戴者可提供記錄數據704。舉例來說，使用者可記錄攝取的食物及飲料、服用的要物及劑量、進行的活動、睡眠評估等其他行為資訊。因此，記錄介面提供合併的使用者生活方式的平均值至顫抖分析系統710，以藉由與使用者活動及行為相關的顫抖的分析引擎進行更整體的分析。所述資訊可與其他使用者數據(像是臨床數據705 (例如：由臨床醫師透過臨床醫師運算裝置提供、來自如可穿戴是健康追蹤器及其他感測器的感測器數值302(例如：心率、血壓、心率變異性、燃燒卡路里、健身活動、腳步、血氧含量等)))結合。在某些可以是雲端能力的一部分的實施例中，應該將記錄數據分享並可供使用者及健康照護員查看。

此外，為了方便使用使用者運算裝置720，使用者運算裝置720可進一步配置自補償(self-compensating)使用者介面，例如：基於動作訊號234，其中該介面移動或閃頻以補償因使用者顫抖造成的位移。

在某些可以是機器學習環境的一部分的實施例中，運算裝置可利用使用者活動包含如預定或已知的未來活動及事件，以減少可能觸發顫抖的焦慮及緊張。舉例來說，運算裝置可將個人行事曆與感測器數值302結合以辨識可能引發焦慮或緊張的個人事件(像是約會或會議)。其他可能觸發顫抖的事件類型或情緒也可被偵測以預期可能誘導顫抖的場景。作為回應，運算裝置可包含如：提醒使用者使用顫抖管理裝置11、採取減緩顫抖的步伐或運動或其他用以降低顫抖風險的策略的功能。在某些可以是雲端能力的一部分的實施例中，應該將記錄數據分享並可供使用者及健康照護員查看。在某些可以是介面及機器學習環境的一部分的實施例中，健康照護員可做出生活方式改變的建議，或藉由直接撰寫記錄資料庫推動使用者的行為，或編碼限制機器學習產生的建議。

在某些實施例中，顫抖分析系統710可包含不同引擎，該些引擎可以是用於分析與疾病相關的顫抖，以及顫抖管理裝置11遙測與狀況的不同態樣的機器學習環境的一部份。機器學習環境的引擎於下文進行描述。該些不同引擎(也可只模組)可個別或協作地操作，例如：分享數據及分析，可輸入各種數據，包含動作訊號234及額外數據301以辨識整體與顫抖相關及與顫抖不相關的穿戴者度量，用於分析使用者的整體狀況。所述引擎可包含，例如：顫抖嚴重性引擎711、照護者警示引擎712、裝置有效性引擎713、裝置故障引擎714等。該些引擎也可指顫抖嚴重性模組711、照護者警示模組712、裝置有效性模組713及裝置故障模組714。

A. 顫抖嚴重性引擎711

在某些可以是機器學習環境的一部分的實施例中，嚴重性引擎711可分析顫抖嚴重性，包含追蹤顫抖嚴重性及顫抖嚴重性模式，以及追蹤與顫抖相關的疾病或健康狀況。與顫抖相關的健康狀況屬於退化性健康狀況，因此顫抖會隨時間惡化。一般來說，由臨床醫師監測其進程，但這類的探視較不頻繁(6-12個月一次)且醫療資源受限。在某些實施例中，嚴重性引擎711可用於任一使用者或病患，然而，以上(年齡大於約65歲)使用者或病患可能具有顫抖症狀，傾向於增加醫院或醫生探視的次數。因此，針對用於該些年齡大於65歲的長者的嚴重性引擎711，對其最大的影響可能是減少就診次數，因此減少使旅行方式受限的併發症、對個人照護者的需求或減少限制資源的其他困難。反而顫抖分析系統710可用以追蹤顫抖狀態及/或顫抖降解(tremor degradation)。舉例來說，在某些實施例中，顫抖嚴重性引擎711可使用顫抖嚴重性的度量，以匯集成臨床評估量表(例如：類似統一帕金森氏症評估量表(Unified Parkinson’s Disease Rating Scale))，及類似用於帕金森氏症、癲癇及其他與顫抖相關的疾病的量表。據此，嚴重性引擎711可利用動作訊號234推測顫抖狀態，及額外數據301，包含使用者提供的記錄數據704，因此提供各種數入參數(包含擴展的紀錄作為回饋及輸入)至智能顫抖管理。

在某些可以是機器學習環境的一部分的實施例中，嚴重性引擎711可計算，例如：可在應用程式內或裝置上計算顫抖振幅及頻率，而不需要任何複雜且需要大量資源的機器學習，或傳送至外部伺服器。在某些實施例中，嚴重性引擎711可隨時間追蹤顫抖嚴重性。顫抖可能因為像是壓力、焦慮、疲勞及飢餓等因子以及進行特殊活動，而隨時間推移劇烈變化，影響其嚴重性。這樣的變異性使患有顫抖的患者難以評估本身執行任務或維持社會承諾的能力。因此，藉由嚴重性引擎711於一段時間內的追蹤，加上其他因子，透過使用者運算裝置720可幫助提供有用的資訊，以協助管理患者的健康狀況。

在某些可以是機器學習環境的一部分的實施例中，嚴重性引擎711可於一段時間(例如：一段長的時間週期，包含以月為單位的時間週期)使用機載加速計數據，顫抖嚴重性引擎711可接收動作訊號及記錄一段時間內的顫抖特性。在某些實施例中，顫抖嚴重性引擎711可利用如：繪圖、表格、陣列或其他表示方法，記錄顫抖特性像是，振幅、頻率、軸位移及其他表示顫抖訊號(例如：峰值特徵(最小值及最大值)、分散度特徵(標準偏差及方差)、幅度特徵(幅度區域及向量幅度)的平均值/中位數/模式、零點交叉、訊號能量、訊號幅度區域及相位角等數據。當使用者沒有穿戴該裝置時，嚴重性引擎711可利用該些數據評估顫抖嚴重性的變化。

在某些可以是機器學習環境的一部分的實施例中，嚴重性引擎711可利用一段時間週期(例如：一段長的時間週期，包含以月為單位的時間週期)的機載(onboard)感測器數值、記錄一段時間的顫抖特徵。在某些實施例中，顫抖嚴重性引擎711可利用如：繪圖、表格、陣列或其他表示方法，記錄顫抖特徵(像是振幅、頻率、軸位移及其他於動作訊號中的數據)。當使用者沒有穿戴該裝置時，嚴重性引擎711可利用該些數據評估顫抖嚴重性的變化。在某些實施例中，該裝置可使用一或多個儲存方式以記錄動作訊號及顫抖特徵，像是一裝置儲存裝置 (例如：固態儲存裝置、隨機存取記憶體、快閃儲存、硬碟或其他裝置)，或利用如雲端儲存、一或多個資料庫及/或伺服器的遠端儲存裝置，或其他遠端儲存方法，或以上的組合。

在某些可以是機器學習環境的一部分的實施例中，顫抖嚴重性引擎711基於紀錄顫抖特徵及顫抖抑制程度確認模式的轉移。在某些實施例中，舉例來說，顫抖嚴重性引擎711可辨識顫抖嚴重性轉移的發生及標示該轉移用於進一步的分析。舉例來說，顫抖嚴重性引擎711使顫抖嚴重性轉移與其他使用者資訊703相關及/或感測器數值702相關，以使異常顫抖模式與特定行為相關。在某些實施例中，所述顫抖模式可包含於使用者未穿戴該裝置時推測該顫抖，例如：基於經學習的模式及時間、任一事件及未穿戴裝置時的動作訊號。因此，顫抖嚴重性引擎711可藉由使用先前穿戴該裝置學習的顫抖模式，於使用者未穿戴該裝置時推測顫抖嚴重性。

然而，在某些可以是機器學習環境的一部分的實施例中，嚴重性引擎711可替選地或額外分析源自加速計輸入及任一額外的輸入(像是生理感測器(像是心率監測器、動脈血氧濃度測定儀(pulse oximetry)、膚電活動、血壓、體溫或其他))的模式。在某些實施例中，嚴重性引擎711使用機器學習模組以分析數據包含，例如：基於完成活動的一小段時間或完成指定活動分組微任務的時間週期，或任一其他時間週期，像是在顫抖嚴重性中每日、每周或每月的模式。類似的模組也可利用額外數據701輸入，尋找與顫抖嚴重性相關的模式。舉例來說，額外的有效數據輸入可包含藉由裝置中的感測器測量，或藉由第三方可穿戴式裝置收集的感測器數值702像是心率、血氧含量及睡眠模式，。事實上，額外數據701也可包含指出使用者是否於給定時間週期內使用顫抖管理裝置11的數據。因此，嚴重性引擎711可符合裝置使用模式的顫抖嚴重性。

此外，嚴重性引擎711可藉由智慧型手機的GPS數據或機載的GPS數據來定位。舉例來說，在某些實施例中，基於額外數據301，嚴重性引擎711可預測或預期顫抖發生，及相關顫抖嚴重性，以例如：提供預期的顫抖減緩訊號以模擬顫抖管理裝置11，或藉由使用者運算裝置720警告使用者(例如：藉由在裝置或使用者或照護者的個人運算裝置(例如：電話、平板等能夠產生回饋的方式)上找到的顯示/聲音/觸覺回饋)。

在某些可以是機器學習環境的一部分的實施例中，機器學習模組可利用例如：顫抖評分問卷及完成活動的度量，訓練一段時間以符合使用者生活方式或活動。舉例來說，問卷可包含，例如：對顫抖嚴重性的認知、發生顫抖時正從事何種活動(例如：書寫、繪畫、打字、與觸控螢幕互動、進食、備餐等其他活動)，以及客觀和主觀量化該裝置對顫抖患者有效性的其他輸入。舉例來說，機器學習模組可經訓練以辨識，例如：特定社交活動、食物或活動(例如：駕駛、運動、公開演講等)，更可能觸發給定程度的顫抖。據此，當藉由連續接收活動資訊且將該活動與顫抖嚴重性配對，當使用者的生活方式隨時間改變或演變，可不斷地訓練嚴重性引擎711。

在某些可以是機器學習環境的一部分的實施例中，嚴重性引擎711可基於例如，動作訊號234的幅度及頻率，評估顫抖的嚴重性。在某些實施例中，嚴重性引擎711利用由手部的IMU輸出的加速計數據的歐拉角數據評估嚴重性，藉由例如：計算樣本整體的均方根並乘以二的平方根。因為顫抖可能具有繞著三個軸的旋轉振幅分量，以度為單位將x、y及z的顫抖振幅合併作為向量總和。然而，也可能其他以其他方式估計，像是計算基於振幅及頻率，計算中的方差。振幅/頻率以外的其他訊號度量包含：峰值特徵(最小值及最大值)、分散度特徵(標準偏差及方差)、幅度特徵(幅度區域及向量幅度)的平均值/中位數/模式、零點交叉、訊號能量、訊號幅度區域及相位角。

在某些可以是機器學習環境的一部分的實施例中，藉由嚴重性引擎711基於顫抖嚴重性及顫抖嚴重性模式確認及記錄，該嚴重性引擎711可基於所發現使用者顫抖嚴重性中的模式，提供可操作的洞察或預測。舉例來說，在特定地形的位置、於週間的特定時間或睡眠不足時，可發現使用者的顫抖會惡化，無論使用者使用顫抖管理裝置11的頻率是否表示嚴重性增加或減少等。接著，可立即提供給使用者測試在特定地點或時間發生甚麼事，導致症狀惡化(藉由裝置或第三方裝置)或提醒他們(例如)早點睡覺以避免症狀惡化。

在某些可以是機器學習環境的一部分的實施例中，將由嚴重性引擎711自動產生可操作的洞察，並個別地呈現於使用者及臨床醫師的使用者運算裝置720上。舉例來說，使用者可能連接應用程式，該應用程式會詢問使用者是否增加裝置的速度(亦即強度)。

在某些可以是機器學習環境及介面的一部分的實施例中，可操作的洞察可藉由像是應用程式呈現於總結中，總結在一小段給定的時間內嚴重性模式及嚴重性與其他因子之間經建議的關聯性，像是例如：一天、一週、兩週或一個月，使得使用者可依照生活方式的決定及活動做出選擇。舉例來說，可操作的洞察可呈現一天或一週中顫抖最嚴重的時間、指出何種活動或事件可能造成症狀改善或惡化(包含在一給定的週期中，使用者使用顫抖管理裝置11的頻率)，以及該裝置有效性的指示。在某些實施例中，可操作的洞察可以通知的型式呈現，以提醒使用者正處在當天或當週顫抖最嚴重的時刻，以採取減緩症狀的行動或採取其他行動。

在某些可以是機器學習環境及介面的一部分的實施例中，顫抖嚴重性模式可與使用者可輸入使用者資訊703的使用者紀錄合併。舉例來說，使用者可記錄到過的地方、做過的事、吃過的食物、喝了多少水、服用多少藥物及服用何種藥物、藥物的處方劑量、睡眠時間多長以及其他資訊。使用者紀錄可接著配合顫抖嚴重性模式以指出使用者行為及顫抖嚴重性之間的關聯性。在某些實施例中，使用者紀錄可為數位記錄或方便使用者(患者)及登錄於相同使用者配置/文件的照護者(臨床醫師或輔助者/護士/家庭成員)多方取得的使用者輸入。在某些可以是介面的一部分的實施例中，在穿戴者運算裝置721中的患者及在照護者運算裝置722中的家庭成員/輔助者，可以查看及有限制地修改呈現的資訊。在某些實施例中，臨床醫師/護士可在臨床醫師運算裝置723上的查看且可自由利用收集的數據進行診斷。在兩種情況下，使用者及照護者可要求活動/消耗紀錄的可視化/表格紀錄。

在某些可以是機器學習環境及介面的一部分的實施例中，使用者紀錄用以確認顫抖偵測或顫抖嚴重性，舉例來說：訓練機器學習模組或其他運算法。當然，使用者紀錄可作為顫抖嚴重性的人工標記資料庫，其中該顫抖嚴重性經由嚴重性引擎711確認，包含使用者對顫抖嚴重性評估。在某些實施例中，可將嚴重性引擎711與使用者資訊703合併，使用者資訊包含與使用者相關的健康照護員資訊至顫抖實際上是如何產生，及顫抖可能與什麼相關的完整資訊，包含一段時間內使用者服用的其他特定藥物或接受的其他治療。在可以是機器學習環境的一部分的實施例中，在醫學及非醫學因素的角度，嚴重性引擎711可提供顫抖實際上是如何在這個用戶的生活方式中運行的完整地圖。因此，藉由圖像化使用者介面提供者可看見患者看見的所有資訊，加上給臨床醫師的額外資訊，例如像是：於規定時間週期內完全分解顫抖、或圖像化顯示所有顫抖嚴重性數據、分解以進行分析等其他資訊及以上的組合。然而，在某些可以是機器學習環境及介面的一部分的實施例中，嚴重性引擎711可額外地或替選地藉由例如：基於聲音的介面、擴增或虛擬實境介面，或其他適合用於呈現顫抖與使用者的生活方式、活動及行為之間完整地圖的介面提供資訊。

該些資訊可提供一更加完整的症狀管理平台，不僅是辨認症狀，也藉由提供使用者及健康照護員對導致顫抖發生及惡化的因子的了解，協助降低症狀的嚴重性及發生次數。在某些實施例中，使用者受惠於不需要臨床醫師額外探訪，即可準確地監測自身疾病進程展。有鑒於目前全球面臨COVID-19的挑戰，因此強迫且不建議近距離接觸的情況下，更凸顯本發明的優點。

B. 照護者警示引擎712

在某些可以是機器學習環境及介面的一部分的實施例中，顫抖分析系統710可包含照護者警示引擎712，以偵測使用者定義表示需要協助的狀況及自動警示負責照護使用者的人員，例如：藉由使用者運算裝置720。舉例來說，通常是具有較高的墜落、突發疾病及受傷風險的年長者使用顫抖管理裝置11。該些使用者通常由其親屬看顧，導致其親屬不得不在照護責任、工作、小孩等之間取捨。長期照護病患不僅耗時且會對照護者造成壓力。因此，當使用者在緊急狀況時，照護者警示引擎712可自動偵測，且自動警示該照護者或一組預設的照護者。在某些可以是機器學習環境及介面的一部分的實施例中，照護者警示引擎712可使用一系列照護者功能流程用於事件警示，例如：基於位置、可用性的指示或其他照護者可用性的確認。因此，照護者警示引擎712可依序警示每位照護者，其中該順序是基於最有可能的可用照護者的確認。

在某些可以是機器學習環境的一部分的實施例中，照護者警示引擎712基於加速計數據偵測墜落。舉例來說，許多使用者可能是年長者或容易因墜落受傷，像是受傷或其他可導致慢性併發症的併發症或受傷。在某些可以是機器學習環境的一部分的實施例中，照護者警示引擎712可利用動作訊號234辨認墜落，然而，控制電路23可能已經過濾掉表示墜落的加速計數據。在某些實施例中，基於原始加速計數據及/或動作訊號234，照護者警示引擎712利用如：啟發式運算法或墜落偵測機器學習運算法，或以上兩者以將數據及墜落指示相關聯。在某些實施例中，啟發法可包含辨識指示顫抖管理裝置11為開啟且未移動的加速計數據訊號。然而，此方法可能產生許多偽陽性。因此，在某些可以是機器學習環境的一部分的實施例中，啟發法設計以在表示墜落的加速計數據中尋找特徵，且藉由擴展確認墜落的嚴重性。在某些實施例中，機器學習模組用以分類表示墜落的加速計數據的資料段作為特徵。在某些可以是機器學習環境及介面的一部分的實施例中，可基於墜落偵測傳送警示至經辨認的照護者，例如：在額外數據301中當指示可能墜落的緊急狀況時，與使用者相關的照護者。在某些可以是機器學習環境及介面的一部分的實施例中，照護者警示也可包含其他健康狀況的警示，像是例如：與其他感測器數值302及臨床數據705相關的健康狀況的警示。在使用者具有經測量的生物統計參數的實施例中，例如：由醫生或可穿戴式健康追蹤裝置測量，落在閾值條件外的參數可產生一警示傳送至照護者。舉例來說，在使用者的血壓或脈搏低於或高於閾值實，照護者警示引擎712可向照護者發出警示。因此，照護者警示引擎712可，例如：將警示傳送至遠端照護者相關的照護者運算裝置722，例如：藉由有線或無線網路連接(例如：以WiFi連接至網路)，或經由網路將經警示自使用者的穿戴者運算裝置721傳送至照護者運算裝置522。類似的警示也可傳送至臨床醫師運算裝置給臨床醫師。

C. 裝置有效性引擎713

在某些可以是機器學習環境的一部分的實施例中，裝置有效性引擎713可用以追蹤使用者的裝置有效性，例如：由前述嚴重性引擎711提供的顫抖嚴重性模式。因為多種影響顫抖的因子及裝置有效性，通常難以評估使用者在甚麼情況下會對顫抖管理裝置11作出良好的反應。因此，裝置有效性引擎713可隨時間及在不同情況下(不同活動、藥物狀態等)追蹤裝置的有效性。

在某些可以是硬體、控制系統及機器學習環境的一部分的實施例中，顫抖管理裝置11可包含追蹤穿戴者手部於空間中的動作及位置的機載加速計及位置感測器。在某些實施例中，裝置有效性引擎713可使用動作訊號234 (包含手套開啟使用中加速計數據)以追蹤顫抖嚴重性，及陀螺儀震盪、當穿戴著裝置但沒有陀螺儀輸出的額外校正數據(例如：使用者自經認可或臨床認證的問卷等提供的資訊)、當天的時間、由使用者執行經辨認的活動，及使用者資訊302，例如包含：健康狀況、年齡、體重、身高及其他與使用者相關的健康及生理數據。

在某些可以是機器學習環境的一部分的實施例中，顫抖管理裝置11可評估或利用該些參數以確認顫抖嚴重性是否低於預估的顫抖基準(未使用顫抖管理裝置11減緩顫抖的使用者顫抖嚴重性)。在某些可以是機器學習環境的一部分的實施例中，裝置有效性引擎713類似嚴重性引擎711可確認使用者的活動模式或顫抖嚴重性模式在穿戴顫抖管理裝置11一段時間(例如：一週、一個月、兩個月、三個月、六個月、一年等)後，是否產生改變，例如：若使用者可在較長的時間週期內執行較多的活動。裝置有效性引擎713可使用動作訊號數據234以產生如本說明書第[0040]段所述之顫抖抑制參數(指數)，當數值為1表示完全抑制，數值接近0表示顫抖強度沒有改變，而數值為負數表示相較於基準增加顫抖程度。藉由裝置有效性引擎713，可隨時間追蹤個體的顫抖抑制參數以及標示顫抖抑制減弱的週期(天/週)，以警示使用者/照護者/照護機構。

在某些可以是控制系統及機器學習環境的一部分的實施例中，為了確認是否有效地減緩顫抖嚴重性(例如：低於預估的基準)，及活動模式及/或顫抖嚴重性模式是否受到改善，裝置有效性引擎713可使用有效性機器學習模組將動作訊號234與改善的度量相關聯。在某些實施例中，可根據來自使用者標示的動作訊號訓練有效性機器學習模組，以裝置有效(增加顫抖抑制)或無效(不變或降低顫抖抑制)或以上兩者標示每個動作訊號。在某些實施例中，有效性機器學習模組可利用如前述與原本的使用者相關的每個動作訊號的度量及特徵、對裝置的回應及經辨認的特徵當時的情況(像是執行活動等)，以及與高裝置有效性相關的情況。在某些實施例中，可以1減掉有/無刺激時的顫抖強度之間的比例預估顫抖抑制的程度，因此數值接近1表示完全抑制，數值接近0表示顫抖強度沒有改變，數值為負表示表示相較於基準增加顫抖程度。每個個體平均的顫抖抑制程度可在不同刺激條件下進行預估，以優化裝置有效性。

因此，在某些可以是控制系統及機器學習環境的一部份的實施例中，提供使用者的未標示動作訊號234及額外數據301於有效性機器學習模組，使有效性機器學習模組可將使用者特徵及使用者情況(例如：活動、位置、天氣等)與預期的及/或觀察到的裝置有效性相關聯。接著可進一步訓練有效性機器學習模組，例如：在使用者運算裝置720利用使用者輸入回應由裝置有效性引擎713指示的裝置有效性。舉例來說，使用者可指出利用動作訊號234數據偵測倒的顫抖事實上為使用者在握手。如另一個實施例，使用者可指出低裝置有效性指示事實上是由顫抖發作導致。基於使用者輸入，可計算出一誤差，併進行交叉驗證，將誤差反向傳送至有效性機器學習模組。

因此，在某些可以是機器學習環境的一部分的實施例中，裝置有效性引擎713可分析顫抖及顫抖管理裝置11數據以確認有效模式，可輸出至臨床醫師運算裝置723，以通知臨床醫師在何種情況下顫抖管理裝置11有最大的效益。在某些實施例中，裝置有效性引擎713可提供，例如：裝置有效性評估。然而，在某些可以是控制系統及機器學習環境的一部份的實施例中，裝置有效性引擎713可額外地或替選地提供臨床醫師顫抖管理裝置11的陀螺儀的動作訊號描述，及使用者的動作訊號描述(參見第7B圖)，陀螺儀的高速運動加上使用者的低速運動表示有效，而陀螺儀的高速或低速運動加上使用者的高速運動表示無效(請參見第7B圖，上方的訊號屬於陀螺儀，下方的訊號屬於使用者的手部)。

使得使用者可最小化對其舒適度及健康影響較小的不必要的裝置使用，以最大化有效性。延長顫抖管理裝置11穿戴的時間週期確實非使用者的首選。因此，最大限度減少裝置的使用，只在最有利的情況下使用可改善使用者的經驗及對裝置的接受度。此外，指出不需要使用顫抖管理裝置11的情況，可減少不必要的使用，藉由最小化「毫無幫助」的使用，增加顫抖管理裝置11的使用壽命。

D. 裝置故障引擎714

在某些可以是介面、控制系統及機器學習環境的一部分的實施例中，手部顫抖的患者於完成日常生活的活動時已面臨巨大的挑戰，因此有必要對有缺陷的裝置進行完備的改善。在某些可以是機器學習環境的一部分的實施例中，顫抖分析系統710可利用裝置故障引擎714辨認裝置損壞事件，其中顫抖管理裝置11已損壞。作為一機械工具，陀螺儀裝置可包含需要維修的組件，像是承軸掉落後可能需要更換，或是電池隨著時間失去電力。因此，在某些可以是介面、控制系統及機器學習環境的一部分的實施例中，裝置故障引擎714與使用者運算裝置720溝通以警示使用者，提供使用者解決問題的指引(也可知對簡單事件提供患者簡單的解決問題的步驟)，警示使用者的健康照護專家或其他照護者，提供尋求科技支援或尋求進一步維修或診斷，以及有關損壞事件問題及其組合的其他通知。

在某些可以是機器學習環境的一部分的實施例中，裝置故障引擎714可分析加速計數據，像是直接來自加速計的動作訊號234或歐拉角。基於加速計數據，裝置故障引擎714可用於監測大的加速度值，例如像是：等於或大於重力加速度的加速度。所述加速度可表示爆震或脫落。在某些實施例中，加速計數據可藉由第二數據302的震動感測器數值增強或取代，以偵測影響顫抖管理裝置11的震動。當發現數值等於或大於重力加速度，則記錄為可能的故障指示，且產生一警示以在使用者運算裝置720警示使用者或健康照護員。在某些實施例中，例如：100倍重力加速度(100 g)的加速度，馬達的承軸可能已經損壞。此外，裝置故障引擎714可隨時間追蹤大的加速度讀值，以追蹤可能損壞及推測顫抖管理裝置11的劣化。

在某些可以是機器學習環境的一部分的實施例中，裝置故障引擎714也可藉由感測器數值703中的溫度讀值來監控溫度。裝置故障引擎714可推測溫度對陀螺儀裝置造成的損壞，其中在陀螺儀裝置中辨識到極端溫度，例如：超出顫抖管理裝置11一般操作條件，例如像是：低於約華氏22度(攝氏-5度)或高於華氏175度(攝氏80度)，或基於顫抖管理裝置11的馬達操作說明書的其他溫度範圍(例如：使用者將陀螺儀裝置設置於北極或南極的天氣，或將顫抖管理裝置11置於烘爐或衣物烘乾機)。裝置故障引擎714可接著產生及記錄可能故障的指示，並產生警示以於使用者運算裝置720警示使用者或健康照護員。

在某些可以是機器學習環境的一部分的實施例中，裝置故障引擎714也可藉由感測器數值703中濕度或濕氣的讀值來監控濕氣。其中經辨認的濕氣，例如：在顫抖管理裝置11包裝中(例如：使用者將顫抖管理裝置11掉落於水體、浴缸、水槽或其他水中)，裝置故障引擎714可推測濕氣對顫抖管理裝置11造成的損壞。裝置故障引擎714可接著產生及記錄可能故障的指示，並產生警示以於使用者運算裝置720警示使用者或健康照護員。

在某些可以是控制系統及機器學習環境的一部分的實施例中，裝置故障引擎714也可藉由感測器數值703中電壓讀值監控電池電壓。電池電流下降至低於電流閾值。舉例來說，可隨時間追蹤電流消耗且隨時間變得更加完整，以確認總電流，例如：在充電循環中(放電至特定百分比，例如：20%)，一旦總電流下降至低於原本的或正常電流的特定百分比，例如：低於約80百分比，則確認該電池劣化。裝置故障引擎714可接著產生及記錄可能故障的指示，並產生警示以於使用者運算裝置720警示使用者或健康照護員。

類似地，在某些可以是控制系統及機器學習環境的一部分的實施例中，裝置故障引擎714也可藉由感測器數值703中電壓讀值以監控電池電壓，用於由回流電動勢(backflow electromotive force, EMF)造成的電壓突波(voltage spike)。舉例來說，馬達在錯誤的方向旋轉、電池電壓不足以旋轉陀螺儀的馬達或於充電電纜中插入反向或不正確的極性，即可偵測到回流。回流可造成電池及其他組件的損壞。因此，在電壓突波的情況下，裝置故障引擎714可接著產生及記錄可能故障的指示，並產生警示以於使用者運算裝置720警示使用者或健康照護員。然而，在某些實施例中，顫抖管理裝置11可裝備針對所述故障模式的安全設備，以降低裝置故障引擎714辨認與電壓突波(voltage surge)相關的故障的風險。舉例來說，用以充電的電氣連接可以是單向可連接，使得只有電纜正確的一端可插入電池中充電，或霍爾效應(Hall effect)感測器特定極性的磁鐵可插入連接器，僅將連接器機械性連接至合適的埠(port)，並直接向處理器提供正確或不正確連接的回饋。

在某些可以是控制系統及機器學習環境的一部分的實施例中，裝置故障引擎714也可透過軟體安全掃描器及權限監控軟體滲透。舉例來說，裝置故障引擎714辨識停止未授權的韌體影像/代號的側面裝載，辨識軟體安全或軟體滲透故障。裝置故障引擎714可接著產生及記錄可能故障的指示，並產生警示以於使用者運算裝置720警示使用者或健康照護員。

據此，在某些可以是介面、控制系統及機器學習環境的一部分的實施例中，及早使用者故障或維修需求，確保顫抖管理裝置11最佳的運作。

E. 顫抖管理建議引擎

在某些可以是介面、控制系統及機器學習環境的一部分的實施例中，管理建議引擎可在使用者運算裝置720為使用者提供智能顫抖管理。將針對個別的顫抖患者發展個人應對策略或管理技術以處理他們的顫抖。以上常被分享於支援團隊或通過其他個人連結。然而，具有顫抖的個體經常與其他患者隔離，無法取得這些支援系統。因此，由嚴重性引擎711基於顫抖嚴重性模式的分析及疾病進程的模式及其他使用者顫抖特徵確認，可基於源自其他使用者的數據確認管理策略。顫抖症狀可因使用者與疾病(像是非自願性顫抖及帕金森氏症)而異。據此，當患者可在較短/較長的活動持續週期內，獨立完成需要較高/較低程度的精細馬達控制的活動時，解決該些不同的症狀有助於恢復獨立性。

在某些可以是控制系統及機器學習環境的一部分的實施例中，源自於動作訊號234的顫抖振幅及頻率可輸入顫抖管理機器學習模組，以顫抖觀禮策略取代每個個體動作訊號進行標示。在某些實施例中，經標示的數據可用以訓練自主學習模組，例如像是：叢集演算法(clustering algorithm)可聚集顫抖特徵至顫抖管理策略的分類，藉此便於辨認不同動作訊號234的最佳顫抖處理策略。舉例來說，基於動作訊號234或動作訊號234的部分，管理建議引擎可基於已學習顫抖管理的機器學習模組，產生符合動作訊號234的特徵的顫抖管理策略。

舉例來說，管理建議引擎基於以學習的處理及/或行為策略提供建議，像是呼吸運動、進食及飲水模式、任務的微管理及其他警示或使用以管理顫抖嚴重性的行為。舉例來說，冥想/正念練習可包含練習心智運動(例如：專注、正念或其他練習)的建議，以發展對每個微小移動及完成活動或任務的程序步驟的認知。舉例來說，使用者可建議攝取更多或更少的給定物質，像是酒精及咖啡因。舉例來說，可能建議使用者攝取酒精包含，例如：於午餐或晚餐時喝一杯酒以最小化酒精對身體產生搖晃的初始影響。舉例來說，呈現與任務微管理相關的建議像是，例如：泡茶時，首先確認掌握乾燥/冷的成分，接著加入茶、牛奶及糖至杯中，最後再加入熱水。

F. 額外的引擎

在某些可以是控制系統及機器學習環境的一部分的實施例中，顫抖分析系統710也可包含用以執行額外的顫抖分析的引擎，額外增加或取代前述引擎。在某些實施例中，每個額外的引擎可彼此協作，例如：利用不同引擎的輸出作為特定引擎的輸入。

舉例來說，在可以是介面、控制系統及機器學習環境的一部分的實施例中，可將活動辨認及追蹤引擎使用以標示可能只是較多健康問題的顯著行為改變。

在某些可以是控制系統及機器學習環境的一部分的實施例中，可利用健康狀況診斷引擎診斷隱藏於患者顫抖下的健康狀況，並縮減可能的診斷途徑的範圍，以基於顫抖特徵搜尋。

在某些可以是控制系統及機器學習環境的一部份的實施例中，可使用攝取引擎以追蹤物質攝取量及在不需要使用者輸入的情況下，提供物質的影響說明(像是酒精對顫抖嚴重性的影響)。可使用說明評估引擎以使用源自已存在的裝置使用者的表現及效率數據，以辨認將來可對裝置產生良好反應的患者。

在某些可以是介面、控制系統及機器學習環境的一部份的實施例中，可使用正念引擎以引導使用者通過簡單的正念或冥想練習，包含例如：以緩慢、有節奏的觸覺脈動，使呼吸與節奏一致。

在某些可以是五層環境的一部分的實施例中，顫抖治療擴增引擎可用以負責其他治療及藥物，以額外地減緩顫抖。

在某些可以是介面、控制系統及機器學習環境的一部分的實施例中，活動辨識及調整引擎可用以自動辨認加速計數據中的特定活動，且調整顫抖管理裝置11以便於執行該些活動。

類似地，在某些可以是介面、控制系統及機器學習環境的一部分的實施例中，顫抖嚴重性追蹤及調整引擎可基於顫抖嚴重性模式用以調整顫抖管理裝置11，以預測及減緩顫抖發作。

類似地，在某些可以是五層環境的一部分的實施例中，可個別地或同時處理活動辨認、顫抖嚴重性追蹤及其他生理感測器數值，以產生等同於指紋的生理「指紋」。在某些可以是介面、機器學習環境及雲端的一部分的實施例中，可應用該「指紋」作為數位系統中的認證因子，類似於軟體產生用以獲取許可以確保軟體應用程式的安全金鑰。患有身體顫抖的患者通常難以進行精細的馬達控制，且不易使用小按鈕及相對小的接觸點以獲得許可產生上述安全金鑰(例如：Yubikey、Google身分驗證器、DUO身分驗證器、微軟身分驗證器、物理性金鑰生成鏈(Physical Secure Key Generation Fob))。

在某些可以是介面及機器學習環境的一部份的實施例中，感測器平台安裝於機身外，可用以隨著人體移動獲取數據。可採用感測器嵌於顫抖管理裝置11內的形式或藉由間隙材料層(像是網眼織物、穿孔的氯丁烯橡膠或直接作為模組插件附加在衣服口袋中)安裝於身體上。在某些可以是介面及機器學習網路的一部份的實施例中，機身可直接作為感測器平台，藉由擴展視為顫抖管理裝置11的一部份，提供引導電流通過身體的能力，以此種控制方法在電路網路或平均脈寬調變程序中作為開關或閘門。在本發明的機器學習環境的輔助下，有利於藉由聚集及/或組織身體動作至辨識符標籤更精準地推測活動監控結果。

第10圖是根據本揭示內容一或多個實施例繪示電腦相關的系統及平台1200的例示性實施例的方塊圖。然而，在執行一或多個實施例時並非所有組件都是必要的，在不悖離本揭示內容實施例之範圍的情況下，可針對組件的配置及類型進行改變。在某些可以是機器學習環境及雲端的一部分的實施例中，例示性的電腦相關的系統及平台1200的例示性運算裝置及運算組件可配置以管理大量如此處詳述的元件及併發異動。在某些實施例中，例示性的電腦相關的系統及平台1200可基於可擴展的電腦及網路結構，其中該網路結構包含用於評估數據、高速存取、搜尋及/或資料庫連接共用的各種策略。一可擴展結構的實例是可操作多個伺服器的結構。

在某些可以是機器學習環境及雲端的一部份的實施例中，如第10圖所示，例示性的電腦相關的系統及平台1200的構件裝置1202-1204(例如：客戶)可包含任何實值上可透過網路(例如：雲端網路) (像是網路1205)接收來自其他運算裝置的訊息，及傳送訊息至其他運算裝置(像是伺服器1206及1207)的運算裝置。在某些實施例中，構件裝置1202-1204可為個人電腦、多處理器系統、微處理器相關或可程式的家用電子產品、只提供網路連線的個人電腦及其類似裝置。在某些實施例中，構件裝置1202-1204中一或多個構件裝置可包含通常以無線通訊媒體連接的運算裝置，像是手機、智慧型手機、呼叫器對講機、射頻(radiofrequency, RF)裝置、紅外線(infrared, IR)裝置、CB、結合一或多個箝制裝置的整合裝置，或實質上任一運算裝置及其類似的裝置，在某些實施例中，構件裝置1202-1204中一或多個構件裝置可以是以有線或無線通訊媒體連接的裝置，像是PDA、口袋型個人電腦、可穿戴式電腦、筆記型電腦、平板、桌上型電腦、影音遊戲裝置、呼叫器、智慧型手機、超行動個人電腦(ultra-mobile personal computer, UMPC)及/或任一其他裝備以透過有線及/或無線通訊媒體(例如：NFC、RFID、NBIOT、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、衛星、蜂群等)通訊的裝置。在某些實施例中，構件裝置1202-1204中一或多個構件裝置可包含可運行一或多個應用程式，像是網際網路瀏覽器、行動應用程式、視訊電話、影音遊戲、視訊會議及電子郵件等。在某些實施例中，構件裝置1202-1204中一或多個構件裝置可配置以接收及傳送網頁等。在某些實施例中，本揭示內容例示性經特殊編程的瀏覽器可配置以接收及顯示圖像、文字、多媒體等、使用實質上任一基於語言的網頁，該語言包含，但不限於，標準通用標示語言(Standard Generalized Markup Language, SMGL)，像是超文件標示語言(HyperText Markup Language, HTML)、無線應用協定(wireless application protocol, WAP)、手執設備標示語言(Handheld Device Markup Language, HDML)，像是無線標示語言(Wireless Markup Language, WML)、WMLScript、XML、JavaScript及類似的語言。在某些實施例中，構件裝置1202-1204中的構件裝置可藉由Java、Net、QT、C、C ⁺⁺及/或其他適合的程式語言進行特殊編程。在某些實施例中，一或多個構件裝置1202-1204中的構件裝置可經特殊編程以包含或執行應用程式，用以執行各種可能的任務，像是，但不限於，訊息功能、瀏覽、搜尋、播放、串流或呈現不同形式的內容，包含局部地儲存或上傳訊息、影像及/或影片及/或遊戲。

在某些可以是機器學習環境及雲端的一部份的實施例中，例示性網路1205可提供網路許可、數據傳輸及/或其他服務至與其連接的任一運算裝置。在某些實施例中，例示性網路1205可包含及執行至少一特殊的網路結構，該網路結構至少一部份基於一或多個由，例如但不限於：全球行動通信系統(Global System for Mobile communication, GSM)組織、網際網路工程任務編組(internet engineering task force, IETF)及全球微波連接互通(Worldwide Interoperability for Microwave Access, WiMAX)論壇，所設定的標準。在某些實施例中，例示性網路1205 可執行GSM架構、通用封包無線服務(General Packet Radio Service GPRS)架構、通用移動電信系統(Universal Mobile Telecommunications System, UMTS)架構及UMTS的演進(稱為長期演進技術(Long Term Evolution, LTE))的一或多個。在某些實施例中，例示性網路1205的包含及執行由WiMAX論壇定義的WiMAX架構，且可替選或結合以上一或多個。在某些實施例及選擇性地組合上文或下文描述的任一實施例中，例示性網路1205也可包含，舉例來說，至少一區域網路(local area network, LAN)、廣域網路(wide area network, WAN)、網際網路、虛擬區域網路(virtual LAN ,VLAN)、企業區域網路、第3層虛擬專用網路(virtual private network ,VPN)、企業IP網路或以上的組合。在某些實施例中及選擇性的在任一上文或下文描述的實施例的組合中，至少一利用例示性網路1205的電腦網路通訊可至少部份基於更多通訊模式來傳輸，例如但不限於：NFC、RFID、窄頻帶物聯網(Narrow Band Internet of Things, NBIOT)、蜂群、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、衛星及以上任一的組合。在某些實施例中，例示性網路1205也可包含大容量儲存，像是網路附接儲存器(network attached storage, NAS)、儲存器區域網路(storage area network, SAN)、內容遞送網路(content delivery network, CDN)或其他形式的電腦或機器可讀媒體。

在某些可以是機器學習環境及雲端的一部份的實施例中，例示性伺服器1206或例示性伺服器1207可以是運作網路操作系統的網頁伺服器(或一系列的伺服器)，其實施例可包含但不限於Microsoft Windows Server、Novell NetWare或Linux。在某些實施例中，例示性伺服器1206或例示性伺服器1207可用於及/或提供雲端及/或網路運算。僅管為顯示於第10圖，在某些實施例中，例示性伺服器1206或例示性伺服器1207可與外部系統連接像是電子郵件、SMS訊息、文字訊息、廣告內容供應商等。任一例示性伺服器1206的特徵都可建置於例示性伺服器1207，反之亦然。

在某些可以是機器學習環境及雲端的一部分的實施例中，可對一或多個例示性伺服器1206及1207的進行特殊編程以執行構件裝置1201-1204，非限制性實施例像是驗證伺服器、搜尋伺服器、電子郵件伺服器、社群網路服務的伺服器、SMS伺服器、IM伺服器、MMS伺服器、交換伺服器、照片分享服務的伺服器、器廣告提供伺服器、金融/銀行相關服務的伺服器、旅遊伺服器或其他類似適合使用者的服務相關的伺服器。

在某些可以是機器學習環境及雲端的一部份的實施例，及選擇性地組合上文或下文描述的任一實施例中，舉例來說，一或多個例示性運算構件裝置1202-1204、例示性伺服器1206及/或例示性伺服器1207可包含一特殊編程的軟體模組，配置以透過劇本式語言(scripting language)、遠程程序呼叫(remote procedure call)傳送、電子郵件、鳴叫(tweet)、短訊息服務(Short Message Service, SMS)、多媒體訊息服務(Multimedia Message Service, MMS)、瞬時通信話(instant messaging, IM)、網路閒聊(internet relay chat, IRC)、mIRC、Jabber、應用程式設計介面、簡單物件存取協定(Simple Object Access Protocol, SOAP)方法、公用物件代理請求架構(Common Object Request Broker Architecture, CORBA)、超文件傳送協定(Hypertext Transfer Protocol, HTTP)、表示狀態傳送(Representational State Transfer, REST)或以上的組合處理及接收訊息。

第11圖是根據本揭示內容一或多個實施例繪示其他例示性的電腦相關的系統及平台1300的方塊圖。然而，在執行一或多個實施例時並非所有組件都是必要的，在不悖離本揭示內容實施例之範圍的情況下，可針對組件的配置及類型進行改變。在某些實施例中，構件運算裝置1302a、1302b至1302n顯示每個至少包含一個在電腦可讀媒體，像是隨機存取記憶體(random-access memory, RAM) 1308與處理器1310或快閃記憶體連接。在某些實施例中，處理器1310可執行電腦可執行程式指令儲存於記憶體1308中。在某些實施例中，處理器1310可包含微處理器、ASIC及/或狀態機。在某些實施例中，處理器1310可包含媒體或可與媒體通訊，舉例來說，當由處理器1310執行用以儲存指令的電腦可讀媒體，可使處理器1310執行一或多個在此描述的步驟。在某些實施例中，電腦可讀媒體的實例可包含，但不限於，電子的、光學的、磁的或其他儲存裝置，或可提供處理器且具有電腦可讀指令的傳輸裝置，像是客戶1302a的處理器1310。在某些實施例中，其他合適的媒體的實例可包含，但不限於，磁片、CD-ROM、DVD、磁碟、記憶晶片、ROM、RAM、ASIC、經配置的處理器、所有光學媒體、所有磁帶或其他磁性媒體，或任一可透過電腦處理器讀取指令的其他媒體。此外，其他不同形式的電腦可讀媒體可透過有限及無限的方式傳輸或攜帶指令至電腦，包含路由器、私人或公共網路、或其他傳輸裝置或通道。在某些實施例中，指另包含源自任一電腦程式語言的代碼，電腦程式語言，包含例如：C、C ⁺⁺、Visual Basic、Java、Python、Perl、JavaScript等。

在某些可以是介面、機器學習環境及雲端的一部分的實施例中，構件運算裝置1302a至1302n也可包含一些外部或內部裝置，像是滑鼠、CD-ROM、DVD、實體或虛擬鍵盤、顯示器或其他輸入或輸出裝置。在某些實施例中，構件運算裝置1302a至1302n(例如：客戶)的實例可以是任一類型處理器相關的平台，其連接至網路1306像是，但不限於，個人電腦、數位助理、個人數位助理、智慧型手機、呼叫器、數位平板電腦、筆記型電腦、網際網路器具及其他基於處理器的裝置。在某些實施例中，構件運算裝置1302a至1302n可由一或多個應用程式根據一或多個在此描述的原則/方法進行特殊編程。在某些實施例中，構件運算裝置1302a至1302n可於任一操作系統上操作，能夠支援瀏覽器或啟用瀏覽器的應用程式，像是Microsoft ^TM、Windows ^TM及/或Linux。在某些實施例中，構件運算裝置1302a至1302n可包含，舉例來說，執行瀏覽器應用程式(像是微軟公司的Internet Explorer ^TM、Apple電腦公司的Safari ^TM、Mozilla火狐及/或Opera)的個人電腦。在某些實施例中，使用者1302a至1302n可透過構件運算客戶裝置1302a至1302n及/或其他與網路1306連接的裝置，於例示性網路1306彼此連接及/或與其他系統連接。如第11圖所示，例示性伺服器裝置1304及1313也可與網路1306連接。在某些實施例中，一或多個構件運算裝置1302a至1302n可以是行動客戶端。

在某些可以是機器學習環境及雲端的一部分的實施例中，例示性資料庫1307及1315的至少一資料庫可為任一類型的資料庫，包含藉由資料庫管理系統(database management system, DBMS)管理資料庫。在某些實施例中，由例示性DBMS管理的資料庫可被特殊編程為一控制結構、儲存、管理及/或分別在資料庫中恢復數據的引擎。在某些實施例中，由例示性DBMS管理的資料庫可被特殊編程以提供查詢、備份及複製、執行規則、提供安全性、運算、執行變更及取得記錄，及/或自動優化的功能。在某些實施例中，由例示性DBMS管理的資料庫可選自Oracle資料庫、IBM DB2、適應伺服器企業、FileMaker資料庫系統、Microsoft Access資料庫軟體、微軟SQL Server資料庫管理系統、MySQL、PostgreSQL資料庫系統及NoSQL。在某些實施例中，由例示性DBMS管理的資料庫可被特殊編程以在例示性DBMS中，根據本揭示內容特定資料庫模式分別定義每個資料庫的綱目，可包含階層式模型(hierarchical model)、網路模型、關連式模型、物件模型或某些可造成一或多個可應用的數據結構的合適結構，可包含欄(field)、記錄、檔案及/或物件。在某些實施例中，由例示性DBMS管理的資料庫可被特殊編程以包含與經儲存的數據相關的元數據(metadata)。

在某些可以是機器學習環境及雲端的一部份的實施例中，本揭示內容例示性與電腦相關的系統及平台可被特殊配置以在雲端運算/結構中操作，像是，但不限於，基礎設施即服務(infrastructure a service, IaaS)、平台即服務(platform as a service, PaaS)及/或軟體即服務(software as a service, SaaS)。第12圖及第13圖說明在本揭示內容例示性與電腦相關的系統及平台中，雲端運算/結構的例示性實施的圖示，可被特別配置以操作。

本揭示內容中，「基於」(based on)一詞除非上下文明確地定義，否則不排除且允許基於其他未被述及的因子。此外，在本說明書中，「一」(a) (an)、「該」(the)涵蓋該其的複數型。本說明書中，「在…之中」(in)一詞涵蓋「在…之中」(in)及「在…之上」(on)的意思。

當可理解，在此描述的多種實施例的至少一種態樣/功能可被即時及/或動態地執行。本揭示內容中，「即時」(real-time)一詞是指在時間上可立即或幾乎立即發生的事件/行為。舉例來說，「即時處理」(real-time processing)、「即時運算」(real-time computation)及「即時執行」(real-time execution)都和相關的物理程序(例如：使用者與行動裝置上的應用程式互動)發生的實際時間內的運算表現相關，為了使運算的結果可用以引導該物理程序。

本揭示內容中，「動態地」(dynamically)及「自動地」(automatically)一詞及其邏輯的及/或語言的關係詞及/或衍生詞是指特定事件及/或動作，可在沒有人為干涉的情況下被觸發及/或發生。在某些實施例中，根據本揭示內容事件及/或動作可以是即時的及/或基於至少一預設的週期：每奈秒(nanosecond)、幾奈秒、每毫秒(millisecond)、幾毫秒、每秒、幾秒、每分鐘、幾分鐘、每小時、幾小時、每天、幾天、每週、每月等。

本揭示內容中，「運行時間」(runtime)一詞與任一在其執行軟體應用程式或至少軟體應用程式的一部份時，被動態地確認的行為相關。

在某些可以是機器學習環境及雲端的一部分的實施例中，例示性發明的，經特殊編程的運算系統及平台與相關的裝置是配置以在分散式網路環境下操作，透過一或多個合適的數據通訊網路(例如：網際網路、衛星等)相互通訊，且利用一或多個合適的數據通訊協定/方法像是，但不限於，IPX/SPX、X.25、AX.25、AppleTalk(TM)、TCP/IP (例如：HTTP)、近場無線通訊(near-field wireless communication, NFC)、RFID、NBIOT、3G、4G、5G、GSM、GPRS、WiFi、WiMax、CDMA、衛星、蜂群(ZigBee)及其他適合的通訊模式。在某些實施例中，NFC可代表短程無線通信技術，其中支援NFC的裝置以「滑動」、「碰撞」、「點擊」或其他方式靠近以進行通訊。在某些實施例中，NFC可包含一組短程無線通信技術，通常要距離10公分或更短。在某些實施例中，NFC可在ISO/IEC 18000-3 無線介面中以13.56 MHz進行操作，且速度範圍介於每秒106千位元至每秒424千位元。在某些實施例中，NFC可包含啟動器及目標，該啟動器主動地產生RF場可驅動被動目標。在某些實施例中，使NFC的目標可採用不需要電池且非常簡單的形式，像是標籤、貼紙、鑰匙圈或卡片。在某些實施例中，當複數個支援NFC的裝置(例如：智慧型手機)彼此靠近時，可進行NFC的對等網絡通信(peer-to-peer communication)。

本文所揭示的資料可在軟體或韌體或兩者的組合中實施，或是可做為儲存於機器可讀媒體的指令，藉由一或多個處理器讀取及執行之。機器可讀媒體可包含任一媒體及/或機制，用於以機器(例如：運算裝置)可讀取的形式儲存或傳遞資訊。舉例來說，機器可讀媒體可包含唯讀記憶體(read only memory, ROM)、RAM、磁碟儲存媒體、光儲存媒體、快閃記憶體裝置、電子的、光學的、音響的或其他形式的傳播訊號(例如：載波(carrier wave)、紅外線訊號、數位訊號等)，以及其他機器可讀媒體。

本揭示內容中，「電腦引擎」(computer engine)及「引擎」(engine)辨識至少一軟體組件及/或至少一軟體組件的組合，以及至少一設計/編程/配置以管理/控制其他軟體及或硬體組件的硬體組件(像是資料庫、軟體開發套件(software development kit, SDK)、物件等)。

硬體元件的實例可包含處理器、微處理器、電路、電路元件(例如：電晶體、電阻器、電容器、電感器等)、積體電路、ASIC、PLD、DSP、FPGA、邏輯閘、暫存器、半導體裝置、晶片、微晶片、晶片組等。在某些實施例中，一或多個處理器可以作為複雜指令集電腦(Complex Instruction Set Computer ,CISC)或精簡指令集電腦(Reduced Instruction Set Computer, RISC)處理器、x86指令集兼容處理器、多核心或任一微處理器或中央處理單元(central processing unit, CPU)。在不同實施方式中，一或多個處理器可為雙核心處理器、雙核心行動處理器等。

本揭示內容中，與電腦相關的系統、電腦系統及系統，包含任一硬體及軟體的組合。軟體的實例可包含軟體組件、程式、應用程式、操作系統軟體、中介軟體、韌體、軟體模組、常式、次常式、函數、方法、程序、軟體介面、API、指令集、電腦代碼、代碼段、電腦代碼段、文字、數值、符號或以上軟體的組合。可根據因子(像是，目標運算速率、功率程度、熱耐受性、處理週期預算(cycle budget)、數據輸入速度、數據輸出速度、記憶體資源、數據匯流排速度及其他設計或執行的限制)的數量不同，確認實施例是否利用硬體元件及或軟體元件實施。

至少一實施例的一或多個態樣可藉由儲存在機器可讀媒體中的代表性指令實施，機器可讀媒體代表在處理器中不同的邏輯，當由機器讀取時，導致機器編造邏輯以執行在此描述的技術。這類的呈現稱為「智慧財產權核」(IP cores)可儲存於有形的機器可讀媒體及提供給不同消費者或製造設施以安裝入產生邏輯及處理器的加工機器中。值得注意的是，在此描述的不同實施例可利用任一適當的硬體及/或運算軟體語言(例如：C ⁺⁺、Objective-C、Swift、Java、JavaScript、Python、Perl、QT等)實施。

在某些實施例中，本揭示內容一或多個例示性電腦相關的系統及平台可包含，或部份或整體併入至少一PC、筆記型電腦、超級筆記型電腦、平板、觸控板、可攜式電腦、手持式電腦、掌上電腦、PDA、行動電話、行動電話及PDA的組合、電視、智慧型裝置(例如：智慧型電話、智慧型平板或智慧型電視)、行動網路裝置MID、訊息裝置、數據溝通裝置等。

本揭示內容中，應可理解「伺服器」(server)一詞是指提供處理、數據及通訊設備的服務端。藉由實施例，但不限於，「伺服器」一詞可指具有相關的通訊集數據儲存及資料庫設施之單一的實體處理器，或可指一個網路化或集群化的處理器複合體及相關的網路和儲存裝置，以及操作軟體及藉由伺服器提供服務的一或多個資料庫系統及應用程式軟體。例如雲端伺服器。

在某些可以是機器學習環境及雲端的一部分的實施例中，在此詳述的本揭示內容一或多個與電腦相關的系統可獲取、操作、傳送、儲存、產生及/或輸出任一數位物件及/或數據單位，例如：自特定應用程式的內部及/或外部)，可以任一適合的形式，像是，但不限於，檔案、接頭、任務、電子郵件、訊息、地圖、整個應用程式(例如：計算機)、數據點及其他合適的數據。在某些實施例中，在此詳述的本揭示內容一或多個與電腦相關的系統可於一或多個不同的電腦平台之間實施，其中該電腦平台像是，但不限於：(1) Linux、(2) Microsoft Windows、(3) OS X (Mac OS)、(4) Solaris、(5) UNIX、(6) VMWare、(7) Android、(8) Java Platforms、(9) Open Web Platform、(10) Kubernetes或其他適合的電腦平台。在某些實施例中，本揭示內容例示性與電腦相關的系統及平台可配置以利用硬連線電路(hardwired circuitry)取代或結合軟體指式，以實施與本揭示內容原則一致的特徵。因此，與本揭示內容原則一致的實施方式不限於任一特定硬體電路及軟體的組合。舉例來說，不同實施例可以許多不同的方式作為軟體組件來體現，像是，但不限於，獨立套裝軟體、套裝軟體的組合，或可以是由套裝軟體在一大的軟體產品中作為「工具」進行協作。

舉例來說，根據本揭示內容一或多個經特殊編程的例示性軟體可以是可自網路上(例如：網頁)下載的獨立產品或插件用於安裝自存在的軟體應用程式。舉例來說，根據本揭示內容一或多個原則進行特殊編程的例示性軟體可作為客戶伺服器軟體應用程式，或作為支援網頁的軟體應用程式。舉例來說，根據本揭示內容一或多個原則進行特殊編程的例示性軟體也可作為套裝軟體實施並安裝於硬體裝置上。

在某些可以是介面、機器學習環境及雲端的一部分的實施例中，本揭示內容的例示性與電腦相關的系統及平台可配置以同時處理多個使用者，可以是，但不限於，至少100 (例如：但不限於100-999)、至少1,000 (例如：但不限於1,000-9,999)、至少10,000 (例如：但不限於10,000-99,999)、至少100,000 (例如：但不限於100,000-999,999)、至少1,000,000 (例如：但不限於1,000,000-9,999,999)、至少10,000,000 (例如：但不限於10,000,000-99,999,999)、至少100,000,000 (例如：但不限於100,000,000- 999,999,999)、至少1,000,000,000 (例如：但不限於1,000,000,000-999,999,999,999)等。

在某些可以是介面、機器學習環境及雲端的一部分的實施例中，本揭示內容例示性與電腦相關的系統及平台可配置以輸出至本揭示內容不同的、經特殊編程的圖像式使用者介面的實施方式(例如：桌面、網路應用程式等)。在本揭示內容不同的實施方式中，最終輸出可顯示於顯示幕上，該顯示幕可以是，但不限於，電腦螢幕、行動裝置螢幕或類似的顯示幕。在不同實施方式中，該顯示器可以是全像式顯示器。在不同實施方式中，該顯示器可以是可接收視覺投影的透明表面。所述投影可傳達不同形式的資訊、影像或物件。舉例來說，所述投影可以是行動式擴增實境(mobile augmented reality, MAR)應用軟體的視覺疊加。

在某些可以是介面、機器學習環境及雲端的一部分的實施例中，可將本揭示內容例示性與電腦相關的系統及平台配置以在不同應用程式中使用可包含，但不限於，遊戲、行動裝置遊戲、視訊、視訊會議、視訊直播、及/或擴增實境應用、行動裝置訊息應用或其他合適的與電腦相關的應用。

本揭示內容中，「行動電子裝置」(mobile electronic device)一詞或類似的術語，可以指有或沒有位置追蹤功能(例如：媒體存取控制位址、IP位址或其他類似位置追蹤功能)的攜帶式電子裝置。舉例來說，行動電子裝置可包含，但不限於，行動電話、PDA、Blackberry ^TM、呼叫器、智慧型手機或任一其他合理的行動電子裝置。

本揭示內容中，「接近偵測」(proximity detection)、「定位」(locating)、「位置數據」(location data)、「位置資訊」(location information)及「位置追蹤」(location tracking)一詞是指任一形式的位置追蹤技術或定位方法，可至少部分基於一或多個跟蹤技術及裝置，但不限於：加速計、陀螺儀、GPS、利用Bluetooth ^TM進入GPS、利用任一合理形式的無線及非無線通訊進入GPS、WiFi ^TM伺服器位置數據、基於Bluetooth ^TM的位置數據、三角剖分(triangulation) (例如：但不限於，基於網路的三角剖分、基於WiFi ^TM伺服器資訊的三角剖分、基於小區標識(Cell Identification)的三角剖分、基於增強的小區標識的三角剖分、基於上行鏈路-到達時間差(Uplink-Time difference of arrival, U-TDOA)的三角剖分、基於到達時間差(Time of arrival, TOA)三角剖分、基於到達角(Angle of arrival, AOA)的三角剖分)、利用地理坐標系的技術及系統(例如：但不限於，基於經緯度、大地高、直角坐標(Cartesian coordinate))、無線射頻識別(Radio Frequency Identification, RFID) (像是，但不限於，遠程RFID、近程RFID)、利用任一RFID標籤(像是，但不限於，主動RFID標籤、被動RFID標籤、電池輔助被動RFID標籤)或是任一其他合理的確認位置的方法，用以提供例如：特定運算裝置、本揭示內容的系統或平台及任一相關的運算裝置的位置。為了方便瞭解及閱讀，有時未列出或僅列出部分上述變異，但並非作為限制。

本揭示內容中，「雲端」(cloud)、「網際網路雲端」(Internet cloud)、「雲端運算」(cloud computing)、「雲端結構」(cloud architecture)及相當於下列至少一項的類似術語：(1)透過即時通訊網路連接的大量電腦(例如：網際網路)；(2) 提供同時在連接的許多電腦上運作程式或應用程式的能力 (例如：實體機器、虛擬機器(virtual machines, VM))；(3)基於網路服務，該服務看似由實體伺服器硬體提供，但實際上是由虛擬硬體(例如：虛擬伺服器)進行，且藉由在一或多個實體機器上運行的軟體進行刺激 (例如：在不影響終端使用者的情況下，可自由移動及即時的放大(或縮小))。

在某些可以是介面、機器學習環境及雲端的一部分的實施例中，本揭示內容例示性與電腦相關的系統及平台可配置利用一或多個資料保密(encryption)技術(例如：私人/公共金鑰對、三重資料加密演算法(Triple Data Encryption Standard, 3DES))、區塊加密演算法(block cipher algorithm) (例如：IDEA、RC2、RC5、CAST及Skipjack)、密碼雜湊演算法(cryptographic hash algorithm) (例如：MD5、RIPEMD-160、RTR0、SHA-1、SHA-2、Tiger (TTH)、WHIRLPOOL、RNGs)，以安全地儲存及/或傳遞數據。

前述實施例皆為例示性而非限制性實施例。

本揭示內容中，「使用者」(user)是指至少一使用者。在某些實施例中，「使用者」(user)、「訂閱者」(subscriber)、「消費者」(consumer)或「顧客」(customer)應可理解為使用本揭示內容所述之應用系統的使用者及/或由提供數據者提供的數據消費者。根據實施例，但不設限，「使用者」或「訂閱者」是指接收自數據或伺服器提供者透過網路於瀏覽器會話(browser session)中提供的數據的人，或者可以是一接收、儲存及處理數據的自動軟體應用程式。

本揭示內容中，「及」(and)以及「或」(or)一詞可交互使用，其是指一組物品的連接及分離以包含對該物品的完整描述。藉由實施例，一組物品可以分離的「或」，或以連接的「及」列示。在任一情況下，該組物品將被解釋為將每個物品單獨作為替代品，以及所列示的物品的任何組合。

藉由引用公開文獻將其整體併入本說明書中。當針對本揭示內容一或多個本揭示內容實施例進行描述時，當可理解的是該些實施例僅為例示性的描述，並非用以限定本發明，本發明所屬技術領域中具有通常知識者，在不悖離本發明之原理與精神的情形下，當可對其進行各種更動與修飾，包含創新的方法的不同實施例，本說明書的例示性系統、平台及裝置可彼此任意組合使用。此外，不同步驟可以所欲的任意順序執行(且可加入及/或移除任意所欲的順序)。

10:手套 11:顫抖管理裝置 12:手部 13:手指 14:拇指 110:顫抖分析系統 111:嚴重性模組 112:照護者警示模組 113:裝置有效性模組 114:裝置故障模組 117:記憶體 118:溝通介面 1200、1300:電腦相關的系統及平台 1202-1204:裝置 1205、1306:網路 1206、1207:伺服器 1302a-1302n:構件運算裝置 1308:隨機存取記憶體 1304、1313:伺服器裝置 1307、1315:資料庫 1310:處理器 20:圓盤 21:馬達 23:控制電路 24:陀螺儀座 25:加速計 200、300:方法 201-203:步驟 234:動作訊號 30:鉸鍊板 31:轉盤 32:外殼體 301-308:步驟 311:嚴重性引擎 400:系統 401:顫抖管理裝置 402:使用者介面 403:控制系統 404:機器學習環境 405:雲端 523:臨床醫師運算裝置 700:顫抖管理系統 701:額外輸入數據 702:感測器數據 703:使用者資訊 704:記錄數據 705:臨床數據 710:顫抖分析系統 711:嚴重性引擎 712:照護者警示引擎 713:裝置有效性引擎 714:裝置故障引擎 720:顫抖分析顯示系統 720:使用者運算裝置 721:穿戴者運算裝置 722:照護者運算裝置 723:臨床醫師運算裝置 831:前處理器 832:振幅計算器 833:頻率計算器 851:歐拉角 901、902、903、910-913:步驟 921:原始手部歐拉角 922:原始手臂歐拉角 923:原始手腕歐拉角 924:IF函數 925:漢佩爾濾波器 926:跳躍移除器 927:巴特沃斯帶通濾波器 928:百分位截割器

可藉由所附圖式進一步解釋本揭示內容的多種實施例，其中在不同圖式間，以相同或相似的元件符號來指稱相似的結構。所附圖式並未依比例繪製，其繪製方式是為了說明本揭示內容的原則。因此，本說明書揭示之特定結構及功能相關之細節僅針對本新型的實施態樣與具體實施例提出說明性的描述，不應將其視為本發明的唯一形式。為讓本發明的上述與其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：

第1圖為根據一顫抖分析系統的實施例繪示的示意圖；

第2圖為根據一方法的實施例的流程圖；

第3圖為根據本揭示內容另一實施例的方法的流程圖；

第4圖為根據本揭示內容一系統的實施例繪示的示意圖；

第5圖繪示一具有顫抖管理裝置的設備；

第6圖繪示一陀螺儀裝置；

第7A圖為根據一顫抖管理系統的實施例所繪示的示意圖；

第7B圖繪示一動作訊號；

第8圖為一控制電路的實施例的示意圖

第9A圖為預處理的實施例的示意圖；

第9B圖為預處理的實施例的示意圖；

第10圖為一網路、伺服器及客戶端裝置的示意圖；

第11圖為一網路、伺服器、客戶端裝置及雲端運算架構的示意圖；

第12圖為一雲端運算架構的示意圖；以及

第13圖為一雲端運算架構的示意圖

110:顫抖分析系統

111:嚴重性模組

112:照護者警示模組

113:裝置有效性模組

114:裝置故障模組

117:記憶體

118:溝通介面

234:動作訊號

Claims

一種顫抖分析系統(110, 710)，配置以接收一代表一患者之一動作的動作訊號(234)；分析該動作訊號以辨認一顫抖；以及基於該辨認的顫抖，控制一顫抖減緩裝置(tremor mitigation device)用以減緩該患者的該顫抖。
如請求項1所述之顫抖分析系統，包含一嚴重性模組(severity module) (111)係配置以基於該動作訊號(234)確認一顫抖的嚴重性。
如請求項2所述之顫抖分析系統，其中該嚴重性模組(111)係配置以基於該動作訊號(234)的振幅及頻率以確認一顫抖的嚴重性。
如請求項2所述之顫抖分析系統，其中該嚴重性模組(111)係配置以基於數據確認一顫抖的嚴重性，其中該數據包含形成該動作訊號(234)之部份的一歐拉角(Euler angle)、一四元數(quaternion)及一向量之至少一者。
如請求項2至4任一項所述之顫抖分析系統，其中該嚴重性模組(111)係配置以接收該動作訊號(234)及辨認經過一段時間後一顫抖的至少一種特性。
如請求項5所述之顫抖分析系統，其中該嚴重性模組(111)係配置以基於該經辨認經過一段時間後該顫抖的該至少一種特性，確認一顫抖模式的轉移，藉以辨認一患者的顫抖的改變。
如請求項2至6任一項所述之顫抖分析系統，其中該嚴重性模組(111)係配置以基於經過一段時間後一顫抖模式確認造成一顫抖特徵變化的一因子。
如前述請求項任一項所述之顫抖分析系統，其中該嚴重性模組(111)更配置以接收源自一生理感測器的生理數據，且該顫抖分析系統係配置以基於該生理數據預測一顫抖及/或一顫抖特徵的發生。
如請求項8所述之顫抖分析系統，其中基於該預測到的顫抖或顫抖特徵的發生，該顫抖分析系統係配置以傳送一控制訊號至一顫抖管理裝置以控制該顫抖及/或向該患者指示預期會發生一顫抖。
如請求項2至9任一項所述之顫抖分析系統，其中該嚴重性模組(111)更配置以接收使用者生活方式的資訊，以及確認該使用者生活方式及一顫抖特徵之間的關聯性。
如前述請求項任一項所述之顫抖分析系統，包含一照護者警示模組(112)配置以分析該動作訊號，以偵測該患者的一墜落動作；若偵測到一墜落動作，該照護者警示模組配置以傳送一指示該患者需要協助的警示訊息。
如前述請求項任一項所述之顫抖分析系統，更配置以藉由設定一閾值，確定該顫抖減緩裝置的有效性；若該動作訊號指出一顫抖超出該閾值，該顫抖分析系統配置以傳送一控制訊號至該顫抖管理裝置，以調整該顫抖管理裝置以減緩該顫抖。
如前述請求項任一項所述之顫抖分析系統，更包含一裝置故障模組(device failure module) (114)配置以基於該動作訊號(234)確定該顫抖減緩裝置是否故障；以及若故障，傳送一警示訊息至該顫抖減緩裝置及/或一外部裝置。
如請求項13所述之顫抖分析系統，其中該動作訊號(234)包含加速計數據，其包含至少一源自一加速計的加速計數值，若該加速度數值超過一閾值，則該裝置故障模組(114)配置以確定該顫抖減緩裝置故障。
如請求項14所述之顫抖分析系統，其中該裝置故障模組(114)配置以接收感測器數據，其包含至少一源自感測器的感測值，以確定該感測值是否落到一範圍外；若是落到該範圍外，則確認該顫抖減緩裝置故障。
如前述請求項任一項所述之顫抖分析系統，其中該動作訊號(234)是基於經預處理以過濾與一顫抖相關的數據的原始動作數據。
如前述請求項任一項所述之顫抖分析系統，其中該動作訊號(234)是基於包含歐拉角、四元數及/或向量的加速計數據。
如前述請求項任一項所述之顫抖分析系統，其中該動作訊號(234)是基於一MEMS加速計、一壓電式加速計、一磁力計及一陀螺儀中的任一種加速計產生的數據。
如前述請求項任一項所述之顫抖分析系統，係配置以分析該動作訊號以辨認一顫抖，以及基於該辨認到的顫抖即時控制一顫抖減緩裝置以緩和該患者的該顫抖。
一種顫抖減緩裝置，包含如請求項1至19任一項所述之顫抖分析系統。
一種如請求項20所述之顫抖減緩裝置，其中該顫抖減緩裝置為一陀螺儀。
一種非暫態(non-transitory)電腦可讀媒體，包含可於操作時使一計算設備的處理器分析表示一患者一動作的一動作訊號，以辨認一顫抖；以及基於該辨認到的顫抖控制一顫抖減緩裝置以減緩該患者的該顫抖的指令。
一種方法，包含：由一處理器接收來自與一使用者連接的感測裝置的一加速計數據訊號，該加速計數據訊號具有由感測器裝置所偵測之一隨時間改變的頻率及一隨時間改變的振幅；由該處理器至少一部份基於該隨時間改變的頻率以及表示與顫抖相關的動作的一顫抖頻率範圍，確認加速計數據訊號中的一顫抖；由該處理器在該顫抖相關的一段時間內，基於加速計數據訊號確認該顫抖的一顫抖頻率及一顫抖振幅；由該處理器產生一機械阻尼控制訊號至一顫抖管理裝置，以使該裝置產生一反向力、抵抗動作或以上兩者，用以回應該顫抖頻率及該顫抖振幅；由該處理器於該顫抖相關的一段時間內，至少一部分基於該顫抖頻率及該顫抖振幅確認一顫抖嚴重性；由該處理器於該顫抖相關的一段時間內，儲存該顫抖頻率、該顫抖振幅及該顫抖嚴重性至一顫抖嚴重性紀錄中；由該處理器至少一部分基於該嚴重性及根據該顫抖嚴重性記錄訓練的顫抖嚴重性模組的參數，訓練一顫抖嚴重性模式辨識模組(tremor severity pattern recognition model)辨認至少一顫抖模式；以及由該處理器將該顫抖嚴重性模式辨識模組儲存於一顫抖嚴重性引擎(tremor severity engine)中。
如請求項23所述之方法，更包含：由該處理器接收至少一使用者介面中的一使用者的選擇，包含一行為記錄介面，其中，該使用者的選擇包含與一使用者行為相關的一日期、一時間及一行為類型；由該處理器產生一使用者行為狀態紀錄輸入(user behavioral state log entry)，記錄該使用者的選擇；由該處理器將該使用者行為狀態記錄輸入儲存於該使用者行為狀態記錄中；以及由該處理器訓練該顫抖嚴重性模式辨識模組，至少一部分基於根據該顫抖嚴重性紀錄及該使用者行為狀態記錄訓練的顫抖嚴重性模組的參數，辨認至少一種顫抖模式。
如請求項24所述之方法，其中該使用者行為狀態紀錄輸入儲存於一雲端。
如請求項24所述之方法，更包含：由該處理器利用該顫抖嚴重性模式辨識模組，至少一部分基於該加速計數據訊息、該使用者的選擇及該經訓練的顫抖嚴重性模組的參數，預測一未來顫抖狀態；以及由該處理器指示與該使用者相關的至少一使用者裝置，以呈現一顯示該未來顫抖狀態的警示。
如請求項24所述之方法，更包含：由該處理器訓練一顫抖觸發辨識模組，至少一部分基於該顫抖嚴重性紀錄及該使用者行為狀態紀錄，以辨認至少一顫抖觸發行為；由該處理器利用該顫抖觸發辨識模組，至少一部分基於該加速計數據訊號、該使用者的選擇及該經訓練的顫抖嚴重性模組的參數，以預測一活動建議，其中，該活動建議包含至少一參與或不參與至少一活動的建議，以避免該至少一顫抖觸發行為；以及由該處理器指示與該使用者有關的至少一使用者裝置，以呈現一顯示該活動建議的警示。
如請求項23所述之方法，更包含：由該處理器至少一部分基於該顫抖振幅及一預設的風險振幅閾值，確認由該顫抖造成的風險狀態；由該處理器辨認至少一與該使用者相關的照護者；以及由該處理器指示至少一與該至少一的照護者相關的照護者裝置，以呈現一顯示該風險狀態的警示。
如請求項23所述之方法，更包含：由該處理器接收來自至少一生理感測器的生理感測器測量值(physiological sensor measurement)，其中，該生理感測器測量值包含至少一與該使用者相關且隨時間改變的感測器測量值訊號；由該處理器將該生理感測器測量值儲存於使用者生物狀態記錄(user biological state log)中；以及由該處理器訓練該顫抖嚴重性模式辨識模組，至少一部分基於該嚴重性及根據該顫抖嚴重性紀錄，及該使用者生物狀態紀錄訓練的該顫抖嚴重性模組的參數，辨認至少一顫抖模式。
如請求項23所述之方法，更包含：由該處理器利用該顫抖嚴重性模式辨識模組，至少一部分基於該加速計數據訊號及該經訓練的顫抖嚴重性模組的參數，預測一未來顫抖狀態；由該處理器至少一部分基於該預測的未來顫抖狀態產生裝置使用建議，以表示該顫抖管理裝置的一建議使用時間；以及由該處理器指示與該使用者相關的至少一使用者裝置，呈現一顯示該裝置使用建議的警示。
如請求項23所述之方法，其中該處理器為一控制系統的一部分，配置以控制該顫抖管理裝置。
如請求項23所述之方法，其中該處理器與一機器學習環境溝通，配置以實施包含該顫抖嚴重性模式辨識模組的至少一機器學習模組。
一種系統，包含：至少一五層環境(five-layer environment)，包含 i)顫抖管理裝置； ii)一使用者介面； iii)一控制系統； iv)一機器學習環境；以及 v)一雲端；其中該五層環境配置以實施程式指令以執行以下步驟：接收來自與使用者相關的一感測器裝置的一加速計數據訊號，該加速計數據訊號具有由該感測器裝置所偵測之一隨時間改變的頻率及一隨時間改變的振幅；至少一部分基於該隨時間改變的頻率及表示與顫抖相關的動作的一顫抖頻率範圍，確認加速計數據訊號中一顫抖；基於與該顫抖相關的一段時間內的該加速計數據訊號，確認該顫抖的一顫抖頻率及一顫抖振幅；產生一機械阻尼控制訊號至一顫抖管理裝置，用以使該裝置產生一反向力或一抵抗動作或兩者，以回應該顫抖頻率及該顫抖振幅；至少一部分基於該顫抖的一段時間內該顫抖頻率及該顫抖振幅確認一顫抖嚴重性；將該顫抖的一段時間內的該顫抖頻率、該顫抖振幅及該顫抖嚴重性儲存於一顫抖嚴重性記錄中；訓練一顫抖嚴重性模式辨識模組至少部分基於該嚴重性及根據該顫抖嚴重性記錄訓練的顫抖嚴重性模組的參數辨認至少一顫抖模式；以及將該顫抖嚴重性模式辨識模組儲存於一顫抖嚴重性引擎中。
如請求項33所述之系統，其中該五層環境更配置以實施程式指令，以執行以下步驟：接收至少一使用者介面中一使用者的選擇，該使用者介面包含一行為記錄介面，其中該使用者的選擇包含與一使用者行為相關的一日期、一時間及一行為類型；產生一使用者行為狀態記錄輸入以記錄該使用者的選擇；於使用者行為狀態記錄中儲存該使用者行為狀態記錄輸入；以及訓練該顫抖嚴重性模式辨識模組至少一部分基於該嚴重性，及根據該顫抖嚴重性記錄及該使用者行為狀態記錄訓練的該顫抖嚴重性模組的參數，辨認至少一顫抖模式
如請求項34所述之系統，其中該使用者行為狀態記錄式儲存於雲端。
如請求項34所述之系統，其中該五層環境更配置以實施程式指令，以執行以下步驟：利用該顫抖嚴重性模式辨識模組以至少一部分基於該加速計數據訊號、該使用者的選擇及該經訓練的顫抖嚴重性模組的參數來預測一未來顫抖狀態；以及指示至少一與該使用者相關的使用者裝置，以呈現一顯示該未來顫抖狀態的警示。
如請求項34所述之系統，其中該五層環境更配置以實施程式指令，以執行以下步驟：至少一部分基於該顫抖嚴重性記錄及該使用者行為狀態記錄來訓練一顫抖觸發辨識模組辨認至少一顫抖觸發行為；該顫抖觸發辨識模組至少一部分基於該加速計數據訊號、該使用者的選擇及該經訓練的顫抖嚴重性模組的參數來預測一活動建議，其中該活動建議包含參與或不參與至少一活動，以避免至少一顫抖觸發行為的至少一建議；以及指示至少一與該使用者相關的使用者裝置，以呈現一顯示該活動建議的警示。
如請求項33所述之系統，其中該五層環境更是配置以實施程式指令，以執行以下步驟：至少一部分基於該顫抖振幅及一預設的風險振幅閾值，確認由該顫抖造成之風險狀態；辨認與該使用者相關的至少一照護者；以及指示與該至少一照護者相關的至少一照護者裝置，呈現一顯示該風險狀態的警示。
如請求項33所述之系統，其中該五層環境更是配置以實施程式指令，以執行以下步驟：接收來自至少一生理感測器的感測值；其中該感測值包含與該使用者相關，且隨時間改變的至少一感測值訊號；將該生理感測值儲存於使用者生物狀態記錄中；以及訓練該顫抖嚴重性模式辨識模組至少一部分基於該嚴重性及根據該顫抖嚴重性記綠與該使用者生物狀態記錄訓練的該顫抖嚴種度模組的參數，辨認至少一顫抖模式。
如請求項33所述之系統，其中該五層環境更是配置以實施程式指令，以執行以下步驟：利用顫抖嚴重性模式辨識模組，至少一部分基於該加速計數據訊號及該經訓練的顫抖嚴重性模組的參數，預測一未來顫抖狀態；至少一部分基於該未來顫抖狀態的該預測，產生裝置使用建議用以指示該顫抖管理裝置的一建議使用時間；以及指示與該使用者相關的至少一使用者裝置，以呈現一顯示該裝置使用建議的警示。
如請求項33所述之系統，其中該控制系統配置以控制該顫抖管理裝置。
如請求項33所述之系統，其中該機器學習環境是配置以實施至少一機器學習模組，其包含該顫抖嚴重性模式辨識模組。
一種具有軟體指令(software instruction)儲存於其上的非暫態電腦可讀媒體，該軟體指令配置以產生至少一處理器，以執行以下步驟，包含：接收來自與一使用者相關的一感測裝置的一加速計數據訊號，其具有由該感測器裝置所偵測的一隨時間改變的頻率及一隨時間改變的振幅；至少一部分基於該隨時間改變的頻率及表示與顫抖相關的動作的一顫抖頻率範圍，確認於該加速計數據訊號中的一顫抖；在與該顫抖相關的一段時間內，至少一部分基於該加速計數據訊號，確認一顫抖的一顫抖頻率及一顫抖振幅；產生一機械阻尼控制訊號至一顫抖管理裝置，以使該裝置產生一反向力或抵抗動作或兩者，以回應該顫抖頻率及該顫抖振幅；在與該顫抖相關的一段時間內，至少一部分基於該顫抖頻率及該顫抖振幅，確認一顫抖嚴重性；將與該顫抖相關的一段時間內的該顫抖頻率、該顫抖振幅及該顫抖嚴重性儲存於一顫抖嚴重性記錄中；至少一部分基於該嚴重性及根據該顫抖嚴重性記錄訓練的顫抖嚴重性模組的參數，訓練一顫抖嚴重性模式辨識模組，以辨認至少一顫抖模式；以及將該顫抖嚴重性模式辨識模組儲存於一顫抖嚴重性引擎中。
如請求項43所述之非暫態電腦可讀媒體，其中該軟體指令更配置以使至少一處理器執行以下步驟，包含：接收至少一使用者介面中一使用者的選擇，該使用者介面包含一行為記錄介面；其中該使用者的選擇包含與一使用者行為相關的一日期、一時間及一行為類型；產生一使用者行為狀態記錄輸入，記錄該使用者的選擇；將該使用者行為狀態記錄輸入儲存於使用者行為狀態記錄；以及訓練該顫抖嚴重性模式辨識模組，至少一部分基於該嚴重性及根據該顫抖嚴重性記錄及該使用者行為狀態記錄訓練的顫抖嚴重性模組的參數，辨認至少一顫抖模式。
如請求項44所述之非暫態電腦可讀媒體，其中將該使用者行為狀態記錄儲存於雲端中。
如請求項44所述之非暫態電腦可讀媒體，該軟體指令更配置以使至少一處理器執行以下步驟，包含：利用該顫抖嚴重部模式辨識模組至少一部分基於該加速計數據訊號、該使用者的選擇及該經訓練的顫抖嚴重性模組的參數，預測一未來顫抖狀態；以及指示與該使用者相關的至少一使用者裝置，以呈現一指示該未來顫抖狀態的警示。
如請求項44所述之非暫態電腦可讀媒體，該軟體指令更配置以使至少一處理器執行以下步驟，包含：訓練一顫抖觸發辨識模組至少一部分基於該顫抖嚴重性記錄及該使用者行為狀態記錄，辨認至少一顫抖觸發行為；利用該顫抖觸發辨識模組至少一部分基於該加速計數據訊號、該使用者的選擇及該經訓練的顫抖嚴重性模組的參數，預測一活動建議；其中該活動建議包含至少一參與或不參與至少一活動的建議，以避免該至少一顫抖觸發行為；以及指示與該使用者相關的至少一使用者裝置，以呈現一指示該活動建議的警示。
如請求項43所述之非暫態電腦可讀媒體，其中該軟體指令更配置以使至少一處理器執行以下步驟，包含：至少一部分基於該顫抖振幅及一預設的風險振幅閾值，確認由該顫抖導致的風險狀態；辨識與該使用者相關的至少一照護者；以及指示與該至少一照護者相關的至少一照護者裝置，以呈現一指示該風險狀態的警示。
如請求項43所述之非暫態電腦可讀媒體，該軟體指令更配置以使至少一處理器執行以下步驟，包含：接收來自至少一生理感測器的生理感測器測量值，其中該生理感測器測量值包含與該使用者相關的至少一隨時間改變的感測器測量值訊號；將該生理感測器測量值儲存於使用者生物狀態記錄；以及訓練該顫抖嚴重性模式辨識模組至少一部分基於該嚴重性，及根據該顫抖嚴重性記錄及該使用者生物狀態記錄訓練的顫抖嚴重性模組的參數，辨認至少一顫抖模式。
如請求項43所述之非暫態電腦可讀媒體，該軟體指令更配置以使至少一處理器執行以下步驟，包含：利用該顫抖嚴重性模式辨識模組至少一部分基於該加速計數據訊號及該經訓練的顫抖嚴重性模組的參數，預測一未來顫抖狀態；至少一部分基於該未來顫抖狀態產生裝置使用建議，以指示該顫抖管理裝置的一建議使用時間；以及指示與該使用者相關的至少一使用者裝置，以呈現一顯示該裝置使用建議的警示。
如請求項43所述之非暫態電腦可讀媒體，其中該處理器為一控制系統的一部分，配置以控制該顫抖管理裝置。
如請求項43所述之非暫態電腦可讀媒體，其中該處理器是與一機器學習環境溝通，配置以實施至少一機器學習模組，其包含該顫抖嚴重性模式辨識模組。