TW202402230A - 用於確定個體的身體狀態之方法、資料處理設備及系統 - Google Patents
用於確定個體的身體狀態之方法、資料處理設備及系統 Download PDFInfo
- Publication number
- TW202402230A TW202402230A TW112107043A TW112107043A TW202402230A TW 202402230 A TW202402230 A TW 202402230A TW 112107043 A TW112107043 A TW 112107043A TW 112107043 A TW112107043 A TW 112107043A TW 202402230 A TW202402230 A TW 202402230A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- model
- motion
- individual
- symptom
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 title claims description 34
- 230000033001 locomotion Effects 0.000 claims abstract description 233
- 208000024891 symptom Diseases 0.000 claims description 156
- 239000000126 substance Substances 0.000 claims description 75
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 208000018737 Parkinson disease Diseases 0.000 claims description 17
- 206010006100 Bradykinesia Diseases 0.000 claims description 12
- 208000006083 Hypokinesia Diseases 0.000 claims description 12
- 230000037406 food intake Effects 0.000 claims description 11
- 230000000386 athletic effect Effects 0.000 claims description 9
- 206010044565 Tremor Diseases 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 208000002173 dizziness Diseases 0.000 claims description 6
- 201000006417 multiple sclerosis Diseases 0.000 claims description 6
- 208000019901 Anxiety disease Diseases 0.000 claims description 5
- 230000036506 anxiety Effects 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 210000000707 wrist Anatomy 0.000 claims description 5
- 206010012289 Dementia Diseases 0.000 claims description 4
- 208000012661 Dyskinesia Diseases 0.000 claims description 4
- 208000004547 Hallucinations Diseases 0.000 claims description 4
- 206010052904 Musculoskeletal stiffness Diseases 0.000 claims description 4
- 208000002193 Pain Diseases 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000036407 pain Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000006941 response to substance Effects 0.000 claims description 4
- 208000024827 Alzheimer disease Diseases 0.000 claims description 3
- 208000016285 Movement disease Diseases 0.000 claims description 3
- 208000021642 Muscular disease Diseases 0.000 claims description 3
- 206010028391 Musculoskeletal Pain Diseases 0.000 claims description 3
- 201000009623 Myopathy Diseases 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001684 chronic effect Effects 0.000 claims description 3
- 230000029087 digestion Effects 0.000 claims description 3
- 206010015037 epilepsy Diseases 0.000 claims description 3
- 230000027939 micturition Effects 0.000 claims description 3
- 208000019116 sleep disease Diseases 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 229940079593 drug Drugs 0.000 description 21
- 239000003814 drug Substances 0.000 description 21
- 230000000694 effects Effects 0.000 description 19
- 230000008901 benefit Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- WTDRDQBEARUVNC-LURJTMIESA-N L-DOPA Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-LURJTMIESA-N 0.000 description 11
- WTDRDQBEARUVNC-UHFFFAOYSA-N L-Dopa Natural products OC(=O)C(N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-UHFFFAOYSA-N 0.000 description 10
- 238000013459 approach Methods 0.000 description 10
- 210000003414 extremity Anatomy 0.000 description 10
- 229960004502 levodopa Drugs 0.000 description 10
- 238000011282 treatment Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000001802 infusion Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007937 eating Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 208000026331 Disruptive, Impulse Control, and Conduct disease Diseases 0.000 description 2
- 208000030990 Impulse-control disease Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 229940088679 drug related substance Drugs 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 235000021049 nutrient content Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 208000022925 sleep disturbance Diseases 0.000 description 2
- 206010012239 Delusion Diseases 0.000 description 1
- 208000008454 Hyperhidrosis Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 208000007379 Muscle Hypotonia Diseases 0.000 description 1
- 206010030312 On and off phenomenon Diseases 0.000 description 1
- 206010033296 Overdoses Diseases 0.000 description 1
- 208000005793 Restless legs syndrome Diseases 0.000 description 1
- 201000001880 Sexual dysfunction Diseases 0.000 description 1
- 208000005392 Spasm Diseases 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 231100000868 delusion Toxicity 0.000 description 1
- 230000037123 dental health Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003483 hypokinetic effect Effects 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000002630 speech therapy Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Neurosurgery (AREA)
- Psychiatry (AREA)
- General Business, Economics & Management (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Physical Education & Sports Medicine (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Nutrition Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明提供一種用於藉由使用經由一個體(102a-c)穿戴的一可穿戴裝置(104a-c)獲得的運動資料(106a-c)來確定該個體的一身體狀態的方法(400)。該方法包含:
使用一第一模型(200)基於該運動資料(106a-c)來識別(402)多個運動表示當中之一運動表示(202),其中該第一模型係使用來自多個個體的資料的一生成模型,
擷取(404)鏈接至該運動表示(202)的權重,
使用該等權重對該運動資料(106a-c)進行加權(406),從而形成一加權運動表示(206),及
使用一第二模型(208)基於該加權運動表示(206)來識別(408)多個身體狀態當中之該身體狀態,其中該第二模型(208)係個體特定的。
Description
本發明係關於用於基於經由一個體穿戴之一可穿戴裝置提供之感測器資料來確定該個體的一身體狀態之方法及裝置。
如今,諸如智慧型手錶等可穿戴裝置通常用於記錄步數、每分鐘心跳數、跑步距離等。除了捕捉感測器資料之外,亦已知使用此資料來提供訓練提醒、警報,例如心跳是否處於或高於臨界位準,以及可穿戴裝置之使用者可能感興趣的其他通知。為了能夠看到隨時間的訓練進度以及更詳細的統計資料,使得許多可穿戴裝置與電腦或其他裝置進行互動,該等電腦或其他裝置適於在使用者介面上呈現統計資料及其他資訊,該使用者介面適合於比例如由智慧型手錶所提供的螢幕更大的螢幕。
在開發由喜歡跑步或通常對追蹤其身體活動感興趣的人使用的可穿戴裝置的同時,已實施測試,以查看附接至患有帕金森病的人的肢體上的定製加速度計裝置是否可用於確定在不同時間點的運動徐緩位準。藉由能夠監測運動徐緩之位準,有可能更準確地確定疾病的狀態。藉由能夠連續捕捉資料並處理此資料,而不依賴於與醫生或其他保健人員的實體會面,可更快地確定疾病的狀態。較佳地理解疾病的狀態的效果又係左旋多巴的投藥可更準確投與,從而更高效地降低疾病的影響。在阿米德格勒私人有限公司(Amygdala Pty Ltd)及高爾基私人有限公司(Golgi Pty Ltd)的EP 2 306 899 B1中,揭示如何藉由使用加速度計資料記錄器來確定運動不足狀態。
儘管已進行測試,且已描述關於可如何使用加速度計裝置來確定運動不足狀態之方法及裝置,但仍存在需要克服的挑戰。一個此類挑戰係如何更準確地確定疾病的狀態,使得例如可改良藥物的投藥。
本發明之目的係至少部分地克服先前技術之上文所識別限制中之一或多者。特定而言,目的係藉由既考慮個體(穿戴該裝置的人)之個別特性又考慮了自其他個體獲得的知識,提供一種用於確定身體狀態(諸如運動不足狀態)之方法。
另一目的係藉由處理經由可穿戴裝置所捕捉之運動資料來提供適當劑量的藥物。
又一目的係藉由處理自可穿戴裝置捕捉之感測器資料來確定由非藥物物質(諸如能量補充棒,單獨服用或與藥物結合服用)引起的效果。
另一目的係確定由對個體的干預(諸如物理治療及/或語言治療)引起的效果。
另外,目的係確定由藥物、非藥物物質及/或組合干預引起的效果。
藉由應用第一及第二模型的組合,第一模型依賴於來自多個個體的資料,且第二模型特別適用於所討論的個體,使得使用自患有相似疾病及病症的大量個體捕捉的資料成為可能,但仍能夠考慮到對於不同的個體,疾病的不同階段或狀態可以不同的方式出現。舉例而言,患有帕金森病的個體將共用一些特性,而其他將只適用於少數。舉例而言,對於不同的個體,自開狀態至關狀態的過渡階段可具有至少部分不同的特性。除了特定疾病的症狀對於不同的個體在某種程度上可能不同之外,不同的個體經歷的症狀亦可能不同。因此,以面談形式詢問個體症狀帶來以下缺點:由個體提供之資訊至少在某一程度上係主觀的。舉例而言,一個個體所認為的問題可不會被認為係另一對象的問題。此主觀性的影響係,組合來自與不同個體的面談的資訊可導致不可靠的結論,或無法獲得詳細模型。
使用在本文中所建議的兩種模型方法帶來多個優點,並克服或至少減輕上文相對於當前方法呈現之缺點。首先,藉由在所討論的個體可偏離一般運動型樣之情況下具有第二模型,第二模型可能考慮到上述情形。以此方式,具有由第一模型做出的不正確或至少非最佳決策的風險可藉由第二模型來補救。其次,藉由具有雙模型方法,定製可穿戴裝置的需求可減少。藉由具有經組態以補救在第一模型中做出之非最佳決策的第二模型,可亦即致使通用智慧型手錶可為足夠的。第三,能夠可靠地確定身體狀態的效果係可準確地調適個體的給藥方案,從而保證可降低用藥不足及用藥過度兩者的風險。第四,由於症狀的經歷亦係不同的,因此第二模型亦保證,作為所討論的個體的問題所經歷且作為影響此個體的運動型樣的效果的症狀可經辨識並對其採取行動。第五,藉由具有雙模型方法,基於來自多個個體的運動資料訓練的第一模型可用於可靠地識別運動類別,例如行走、站立、坐下。藉由已知運動的類別,個體特定的第二模型又可能在識別身體狀態時考慮上述情形,此又保證可更可靠地識別身體狀態。
貫穿本文件,使用下文表達。為了避免任何混淆,請在下文找到在本文件之上下文中如何理解此等表達:
「疾病狀態」在帕金森病之上下文中描述該疾病處於早期抑或晚期,且是否存在衰退(其中自開至關狀態的改變開始如此之快,以使得藥物治療不再正常工作)。因此,疾病狀態描述疾病的長期發展階段。
「症狀狀態」在帕金森病之上下文中描述例如患者處於開或關狀態抑或處於運動困難狀態。症狀狀態描述在比疾病狀態更短的時期中的患者狀態。症狀狀態可反映為運動及非運動症狀。
根據第一態樣,提供一種用於藉由使用經由個體穿戴之可穿戴裝置獲得的運動資料來確定個體的身體狀態之方法,該方法包含
使用第一模型基於運動資料來識別多個運動表示當中之運動表示,其中第一模型係使用來自多個個體的資料的生成模型,
擷取鏈接至運動表示的權重,
使用權重對運動資料進行加權,從而形成加權運動表示,及
使用第二模型基於加權運動表示來識別多個身體狀態當中之身體狀態,其中第二模型係個體特定的。
藉由具有使用自大量個體收集之資訊使得可識別運動表示的第一模型,並將此與個體特定的第二模型組合,已發現可可靠地確定身體狀態。舉例而言,可可靠地確定處於該身體狀態的個體應進食、喝水、休息等,以避免非所要情況,諸如昏厥。
第一模型可為潛在表示形成模型。換言之,混沌運動資料可由第一模型接收,使得此模型經訓練以識別在多個運動表示當中之運動表示。
身體狀態可鏈接至疾病狀態及/或症狀狀態。
疾病狀態及/或症狀狀態可為與運動障礙相關聯的疾病及/或狀態。
疾病及/或狀態可選自由以下各項組成之清單:帕金森病、癲癇、多發性硬化症(MS)、阿茲海默病、失智、慢性或急性肌肉骨骼疼痛及肌病。除了本文中所列舉之疾病及狀態之外,一般而言,該方法亦可用於直接或間接影響肌肉骨骼系統的任何疾病。
疾病可為帕金森病,且狀態係開狀態或關狀態。
該方法可進一步包含
自個體請求症狀資料,
自個體接收症狀資料,及
將症狀資料與運動資料鏈接。
藉由將症狀資料鏈接至運動資料,運動資料經標記,且可實現運動資料的更正確識別。換言之,利用個體可經由行動電話或腕錶輸入症狀資料的事實。
該方法可進一步包含
比較運動資料與觸發程序資料,
在匹配之狀況下,觸發自個體請求症狀資料的步驟。
藉由能夠控制何時向個體詢問症狀資料,例如填充第一模型中之空隙,可以更結構化的方式捕捉症狀資料,且作為效果,可實現更可靠的第二模型。
症狀資料可包含與顫抖、僵硬、運動徐緩、運動困難及/或平衡有關的運動症狀資料,及/或與睡眠障礙、焦慮、暈眩、幻覺、嗅覺或味覺能力改變、排尿、消化、疼痛、疲勞及/或抑鬱有關的非運動症狀。
該方法可進一步包含
自個體請求物質攝入資料,
接收來自個體之物質攝入資料,及
將物質攝入資料與運動資料鏈接。
藉由自個體請求物質攝入資料,第二模型可基於運動資料及物質攝入資料的組合或運動資料、症狀資料及物質攝入資料的組合。該物質可為藥物,但亦可為不同種類的食物、水等。
可藉由向指派至個體的行動電話傳輸症狀資料請求及/或物質攝入資料請求來請求症狀資料及/或物質攝入資料,其中經由行動電話接收症狀資料及/或物質攝入資料。
使用行動電話的優點係可藉由使用音訊資訊及/或視覺資訊來請求症狀資料及/或物質攝入資料。若需要,亦可能經由行動電話將個體連接至輔助人員。藉由將行動電話指派至個體,使用行動電話作為與個體的介面,亦保證資訊由個體之外的其他人輸入的風險降低。若行動電話具備使用者身分驗證功能性,例如指紋或面部辨識,此將進一步降低此風險。
身體狀態可為基於在接收到物質攝入資料之後記錄的運動資料確定的對物質攝入有積極反應且症狀減輕的狀態,或基於在接收到物質攝入資料之後記錄的運動資料確定的對物質攝入沒有反應或有消極反應且症狀依然或惡化的狀態。
此例如在個體患有帕金森病之狀況下係有利的。亦即,已知此疾病具有兩種狀態;開狀態及關狀態。取決於個體處於此等狀態中之哪一者,將實現對物質攝入的不同反應。因此,藉由考慮物質攝入資料,可實現對身體狀態的更可靠的確定。
除了上述開及關狀態之實例之外,在另一實例中,個體亦可處於或不處於運動困難狀態。藉由能夠確定個體是否處於此運動困難狀態,可能確定個體處於對物質攝入有積極反應的身體狀態抑或處於對物質攝入沒有反應或有消極反應的身體狀態。
可穿戴裝置可為具備加速度計、陀螺儀及/或生物信號感測器的肢體穿戴裝置,諸如腕部穿戴裝置、腿穿戴裝置或手指穿戴裝置。
第一模型可選自由自動編碼器(AE)模型、主成分分析(PCA)模型及變分自動編碼器(VAE)構成之群組,且第二模型可為回歸模型或分類模型,諸如邏輯回歸模型、卷積神經網路(CNN)或隨機森林模型。
該方法可進一步包含
基於身體狀態來確定物質攝入的建議時間、物質攝入的建議量及/或物質攝入的建議物質類型。
能夠提供何時消費、消費數量及消費什麼的一個優點係使個體可能動作,使得可避免非所要情況。
根據第二態樣,提供資料處理設備,該資料處理設備經組態以使用運動資料來確定個體的身體狀態,該設備包含
運動表示,其使用第一模型基於運動資料來識別多個運動表示當中之運動表示,其中第一模型係使用來自多個個體的資料的生成模型,
運動資料加權模組,其經組態以使用鏈接至運動表示之權重對運動資料進行加權,從而形成加權運動表示,及
身體狀態識別模組,其經組態以使用第二模型基於加權運動表示來識別多個身體狀態當中之身體狀態,其中第二模型係個體特定的。
上文關於第一態樣呈現的相同特徵及優點亦適用於此第二態樣。
根據第三態樣,提供一種系統,其包含
可穿戴裝置,其經配置以由個體穿戴,該可穿戴裝置經組態以基於個體的運動來生成運動資料,及
根據第二態樣的資料處理設備,其通信地連接至可穿戴裝置,且經組態以自可穿戴裝置接收運動資料。
系統可進一步包含
行動電話,其通信地連接至該資料處理設備,其中該行動電話經組態以在自資料處理設備傳輸症狀資料請求時向資料處理設備提供症狀資料,
其中該資料處理設備經進一步組態以接收症狀資料並將症狀資料鏈接至運動資料。
行動電話可經組態以在自資料處理設備傳輸物質攝入資料請求時向資料處理設備提供物質攝入資料,
其中資料處理設備經進一步組態以接收物質攝入資料並將物質攝入資料鏈接至運動資料。
根據第四態樣,提供電腦程式,其包含指令,當在電腦上執行程式時,該等指令致使電腦實施第一態樣的步驟。
本發明之其他目的、特徵、態樣及優點將自以下詳細描述以及圖式顯而易見。
圖1藉由實例繪示系統100,三個人(亦被稱為個體102a-c)鏈接至該系統。如所繪示,各個體102a-c可配備有可穿戴裝置104a-c,諸如穿戴在手腕上的手錶。可穿戴裝置104a-c可具備一個或數個感測器,諸如加速度計、陀螺儀、用於量測脈搏的紅外線感測器等。藉由使用可穿戴裝置104a-c,可捕捉來自個體102a-c中之各者的運動資料106a-c。儘管繪示為每個體一個可穿戴裝置,但數個可穿戴裝置可用於各個體。藉由實例,除了手錶之外,屬於個體102a-c之行動電話108a-c亦可用於捕捉運動資料106a。運動資料可為與運動直接有關的資料,諸如加速度計資料,但亦可為與運動間接有關的資料,諸如脈搏、膚電傳導率、心率變異性等。
行動電話108a-c或具備使用者介面之任何其他裝置亦可用於自個體102a-c接收症狀資料110a-c。症狀資料110a-c可作為回應於經由使用者介面向使用者102a-c提出的直接問題而與使用者介面的使用者互動來擷取。舉例而言,「你目前是否感到暈眩(是/否)?」且在使用者肯定回應之狀況下,提供後續問題,諸如「請自1至5評分暈眩程度」。可要求個體經由使用者介面指示例如症狀的開始時間及結束時間及/或症狀的性質。症狀資料110a-c亦可藉由要求個體102a-c執行不同的測試或任務來間接捕捉,且基於此等結果來估計個體102a-c所經歷的症狀位準。另外,亦可使用用於接收症狀資料110a-c之直接及間接方法的組合。對於各個體,一般資訊(諸如年齡、性別、已知疾病及正在進行的藥物治療)可輸入至系統100。一般資訊可集中儲存及/或可本端儲存在行動電話108a-c及/或可穿戴裝置104a-c中。資訊可由個體自己提供,但亦可經由例如醫生或其他醫務人員間接提供。該資訊可例如經由在行動電話上運行的應用程式來提供。
在此實例中,在已將症狀資料110a-c輸入至行動電話108a-c且將經由可穿戴裝置104a-c捕捉之運動資料106a-c傳送至行動電話108a-c之後,運動資料104a-c及症狀資料110a-c可組合成個體資料112a-c,且經由資料通信網路114傳送至資料處理設備116,例如伺服器。如將在下文進一步詳細描述,可包含運動資料106a-c且視情況亦包含症狀資料110a-c及/或個體102a-c之一般資訊的個體資料112a-c可在資料處理設備116中進行處理,使得提供個體102a-c中之各者的結果資料118a-c。結果資料118a-c可包含關於個體102a-c之身體狀態的資訊。即使繪示結果資料118a-c經傳送至個體102a-c,亦可能將此資料傳送至護理者或為個體102a-c提供的其他例項。
具有提供至個體102a-c以及亦可能的其他人的關於身體狀態的資訊係此資訊可輔助個體102a-c採取適當的動作以避免以非所要的身體狀態結束。舉例而言,藉由向個體102a-c提供關於身體狀態的資訊,個體102a-c可能採取休息、進食、喝水、藥物治療等形式的動作。
結果資料118a-c可另外或替代地包含關於個體102a-c之身體狀態的資訊,包含關於應何時以及如何輸入症狀資料110a-c的資訊。舉例而言,在運動資料106a-c中識別之不同事件可用於觸發來自個體102a-c的對症狀資料110a-c的請求。此等事件對於不同的個體102a-c及對於不同的身體狀態以及亦對與不同的疾病可為不同的。結果資料118a-c亦可包含關於在捕捉症狀資料110a-c時由個體102a-c詢問哪些問題或執行哪些測試的資訊。
如下文將更詳細描述,藉由讓數個個體102a-c參與,運動資料106a及視情況為症狀資料110a-c可鏈接至個體所患的疾病。在此情況下,藉由已知身體狀態,作為效果,個體可能基於此資訊來採取適當的動作。舉例而言,運動資料106a-c單獨或與症狀資料110a-c相結合可指示個體102a之身體狀態係需要不同的給藥方案的狀態,亦即,服藥的方式,包括配方、投藥途徑、劑量、給藥間隔及治療持續時間。基於身體狀態,可提供指示例如改變的給藥方案的通知。
儘管在圖1中繪示三個個體102a-c,但個體的數目可顯著更高。涉及大量個體的優點係資料處理設備116中使用的模型暴露於來自廣泛個體的資訊。基於此資訊,用於確定身體狀態的模型可經持續改良,例如藉由使用人工智慧(AI)、機器學習(ML)及/或統計模型。
圖2藉由實例繪示可如何基於由如圖1中所繪示的個體102a穿戴的可穿戴裝置104a捕捉之運動資料106a來確定身體狀態210。
如所繪示,運動資料106a,例如加速度計資料,可經饋送至第一模型200。此第一模型200用於將運動資料106a鏈接至運動表示202的目的。更具體而言,運動資料106a可鏈接至基於自大量個體收集之資訊形成的多個運動表示中之一者。舉例而言,多個運動表示中之一者可與患有帕金森病的個體相關聯,該個體處於自開狀態至關狀態的過渡階段。另外,不同的運動表示可鏈接至不同的動作,諸如不同的給藥方案、不同的治療等,以及此等動作的結果。舉例而言,對於處於上文所例示過渡階段的個體,運動表示202可鏈接至自歷史資料已知的特定給藥方案,以在遵循投藥方案之情況下成功地減少疾病的影響。
使用自大型資料庫收集的資料的優點在於,大量不同的情況經由資料可用於第一模型200。然而,由於肢體的運動可因個體而異,孤立地使用運動表示202可導致具有非典型運動資料的個體可被提供有不正確的身體狀態,且作為效果可能係非最佳的給藥方案。為了避免或至少減少此風險,加權模型204可用於生成加權運動表示206。加權模型204可被提供有自第一模型200輸出之運動表示202,及運動資料106a。藉由基於第一模型200係基於來自複數個個體之資料而存取運動表示202,且僅基於所討論的個體102a而存取運動資料106,加權模型204可用於調整運動資料106a,使得第一模型200的發現可用於第二模型208。舉例而言,在第一模型200發現運動資料106a鏈接至特定疾病的特定階段之狀況下,可修改運動資料106a,使得此反映在發送至第二模型的資料(本文中被稱為加權運動表示206)中。然而,運動表示202不限於疾病狀態,亦可涉及日常生活狀態,諸如行走、站立、睡覺、坐著等。此又可經進一步劃分為子類別,諸如在寒冷的天氣外出行走、坐下及忙於涉及精細運動技能的任務,例如修理手錶。運動表示202不必係關於具體可定義的運動(諸如「跑步」),而是可係關於例如無具體語義定義的「類別A」的運動。
與第一模型200對比,在第一模型中,複數個個體用於形成解譯運動資料106a的可靠方式並將此資料鏈接至多個預定義表示中之一者,第二模型208係個體特定的。可藉由自個體102a請求來自症狀資料110a的資料(藉由提出直接問題,亦藉由要求個體102a執行某些身體測試或鍛煉)來訓練第二模型208。藉由存取鏈接至此等測試的運動資料以及鏈接至此等測試的症狀資料兩者,獲得標記資料,其可用於訓練第二模型208。個體102a亦可輸入藥物治療資料,諸如藥物攝入資料,例如服藥時間及服藥量,並在建立或更新第二模型208時加以考慮。除了藥物之外,關於個體102a消費的其他物質(諸如食品)的資訊亦可加以考慮並提供至第二模型208。亦可能請求並考慮關於所執行的鍛煉、睡眠及影響身體狀態的其他參數的資訊。在評估第二模型208中之加權運動表示之後,可輸出身體狀態210。如上文所描述,此資訊可又致使將通知(例如改變的給藥方案、休息指令、飲食指令(營養成分、蛋白質成分、進食排程等)、鍛煉指令及睡眠指令)傳輸至個體102a及/或被允許存取此資訊的其他方。在個體經投與例如深層腦部模擬治療之狀況下,身體狀態210的資訊可用於確定即將到來的治療會話中的深層腦部刺激操作參數。
在替代具體實例中,即使未繪示,運動表示202亦可直接傳輸至第二模型208,亦即,第二模型208可經組態為使得加權模型204形成第二模型208之一部分。
即使第二模型208係個體特定的,在啟動階段期間,亦即在第二模型208已基於個體之特定運動型樣經訓練之前,亦可使用非個體特定的起始值。
與圖2一致,圖3繪示如何基於由可穿戴裝置104a生成的運動資料106a來確定身體狀態210。如在圖2中所繪示之實例中,運動資料106a可饋送至第一模型200中,該第一模型可基於來自多個個體102a-c的運動資料106a-c及亦視情況為來自多個個體102a-c的症狀資料110a-c來訓練。運動表示202可自第一模型200輸出,並根據圖2中所繪示之實例饋送至加權模型204中。自加權模型204,加權運動表示206可饋送至第二模型208。
除了加權運動表示206之外,症狀資料110a亦可饋送至第二模型208中。如所繪示,症狀資料110a可經由行動電話108a獲得。即使藉由行動電話108a例示,用於獲得症狀資料110a的其他手段亦係可能的。舉例而言,即使未繪示,亦可經由可穿戴裝置104a獲得症狀資料110a。
何時請求何種症狀資料110a可取決於由可穿戴裝置104a捕捉之資料。舉例而言,在偵測由可穿戴裝置104a捕捉之感測器資料的新組合之狀況下,例如高於特定臨限值的脈搏及特定間隔中的加速度資料,可自個體102a請求症狀資料以確保向第二模型208提供用於確定身體狀態210的適當基礎。
除了症狀資料110a之外或代替症狀資料110a,物質攝入資料300亦可經由行動電話108a或其他裝置(諸如可穿戴裝置104a)獲得,且經饋送至第二模型208中。關於症狀資料110a,可基於所記錄的運動資料106a將物質攝入資料請求自可穿戴裝置104a發送至行動電話108a。對症狀資料110a的請求及/或對物質攝入資料300的請求亦可自資料處理設備116發送。
將症狀資料110a及/或物質攝入資料300提供至第二模型208的優點係在運動資料106a偏離先前接收的運動資料之狀況下,為了做出更可靠的身體狀態確定,可能請求症狀資料110a及/或物質攝入資料300。另外,亦可用於填充第二模型208之間隙。
基於身體狀態210,劑量確定模型302可用於確定給藥方案,亦即,在給定個體102a之身體狀態210之情況下,向個體102a推薦的藥物或其他物質的時間及數量。藉由自劑量確定模型302向行動電話108a發送劑量資料304,可向個體102a提供此資訊。
觸發程序資料306亦可自外部裝置(例如醫院人員)發送至行動電話108a。此觸發程序資料306可觸發經由行動電話108a請求症狀資料110a及/或請求物質攝入資料300。其可為立即請求此資料,但其亦可為對在未來某個時間點具有此資訊的請求。
關於何時以及如何請求症狀資料,存在上述情形可係有益的多個情況。藉由實例,在下列情況下可請求症狀資料:
1.
在治療開始時為了確保提供基線,可要求個體在治療開始時輸入症狀資料。
2.
基於日曆為了確保初始設定仍適用,可要求個體在預定的時間點輸入症狀資料。
3
. 不充分的不準確性在模型不能辨識狀態之狀況下,例如不確定性位準高於預設臨限值,可要求個體輸入症狀資料以重新調整系統,例如開始請求症狀資料一段時間,例如一週。
4.
確認系統可要求個體確認。舉例而言,當所確定的身體狀態210鏈接至某一症狀時,可要求個體確認其患有此症狀。在個體患有帕金森病之狀況下,亦可能詢問個體其是否轉換至關狀態。
亦可能請求症狀資料,使得形成強化循環,亦即,請求症狀資料110a,直至達到一定的準確性。在此情況下,可將運動資料106a用作觸發程序,但強化循環使用估計症狀與實際症狀之間的比較,直至以預設準確性確定身體狀態。換言之,系統測試由第二模型產生之狀態與由患者給出的症狀資料的一致性。此一致性可被測試及同步,直至準確性足夠好且滿足某些品質準則。強化學習(監督式或無監督式)用於測試對應性。
症狀資料可包含與顫抖、僵硬、運動徐緩、運動困難及/或平衡、行走/步態、跌倒、僵直、暈眩、凍結、肌肉痙攣、肌肉緊張不足、磨損及運動波動有關的運動症狀資料。另外或替代地,症狀資料可包含與疲勞、焦慮、抑鬱、交流能力、言語努力、疼痛、睡眠、皮膚及出汗、低血壓、不寧腿、進食、吞咽及唾液控制、輕度記憶及思維問題、失智、幻覺及妄想、膀胱及腸道問題、眼睛問題、足部護理、牙齒健康、衝動控制疾患(ICD)、嗅覺減退、生活品質下降及性問題有關的非運動症狀。
已發現,在一些情況下,症狀資料可限於運動症狀資料,但仍產生可靠的結果。
此外,非運動症狀可鏈接至運動症狀。舉例而言,焦慮、膚電傳導率資料及心率變異性資料可與一個或數個運動症狀相關。因此,藉由接收關於非運動症狀的資訊,可確定一個或數個運動症狀。
圖4係繪示用於確定個體的身體狀態之方法400的流程圖。在第一步驟402中,使用第一模型基於運動資料來識別多個運動表示當中之運動表示。第一模型可為使用來自多個個體的資料的生成模型。舉例而言,在此步驟之後,可識別出個體正在「行走」。
在第二步驟404中,接收鏈接至運動表示的權重。舉例而言,在個體經識別為正在行走之狀況下,可擷取鏈接至此運動表示的權重。可自由數個個體共用之伺服器擷取權重,或可將權重本端儲存在可穿戴裝置104a-c或行動電話108a-c中。
在已擷取權重之後,在第三步驟406中,可對運動資料106a-c進行加權。換言之,所擷取權重及運動資料106a-c可經組合成加權運動表示206。
在第四步驟408中,可使用第二模型基於加權運動表示來識別多個身體狀態當中之身體狀態。如上文所描述,第二模型可為個體特定的。舉例而言,在個體經識別為正在行走且自可穿戴裝置捕捉之運動資料經調整以反映個體正在行走之後,加權運動表示可用於個體特定的評估。在此評估中,可考慮與個體關聯的個別特性。藉由實例,在已知個體在身體狀態期間出汗並以較慢的步速行走之狀況下,此在此步驟中加以考慮。
視情況,在第五步驟410中,可請求症狀資料110a-c。在第六步驟412中,可接收症狀資料110a-c,且一旦接收到症狀資料,在第七步驟414中,可將症狀資料110a-c鏈接至運動資料106a-c藉由將症狀資料110a-c鏈接至運動資料106a-c,亦可能考慮個體102a-c感知的症狀
對症狀資料106a-c的請求可由預設條件觸發,例如每週一次,但亦可基於運動資料106a-c觸發。在第八步驟416中,如所繪示,可比較運動資料與觸發程序資料306。在匹配之狀況下,在第九步驟418中,可請求症狀資料110a-c。在具有此方法之情況下,可自個體102a-c動態地請求症狀資料110a-c,亦即,在找到要求來自個體102a-c輸入的原因之狀況下,請求此資訊,例如,此係因為在行動電話108a-c上運行之軟體應用程式正在向個體推送用以輸入與身體狀態的症狀有關的資訊的請求。
視情況,在第十步驟420中,可請求物質攝入資料300,且在第十一步驟422中,可接收物質攝入資料300。在第十二步驟424中,可將物質攝入資料300與運動資料106a-c鏈接。根據症狀資料110a-c,物質攝入資料300可用作另一條資訊,用於更可靠地識別身體狀態210。舉例而言,藉由已知已使用的彼物質(例如藥物)的內容、時間及數量,可更可靠地分析運動資料106a-c。症狀資料110a-c及物質攝入資料300可孤立地或組合地提供。此外,即使未繪示,物質攝入資料請求亦可以由運動資料106a-c匹配與物質攝入資料有關的觸發程序資料來觸發。
視情況,在第十三步驟426中,一旦識別出身體狀態210,即可確定物質攝入的建議時間、物質攝入的建議量及/或物質攝入的建議物質類型。
圖5繪示上文所描述且亦在圖1中更詳細繪示之資料處理設備116。如所繪示,設備116可包含運動表示識別模組502,其經組態以使用第一模型200基於運動資料106a-c來識別多個運動表示當中之運動表示202。可提供運動資料加權模組504,且此可經組態以使用鏈接至運動表示202之權重對運動資料106a-c進行加權,從而形成加權運動表示206。亦可提供身體狀態識別模組506,其經組態以使用第二模型208基於加權運動表示206來識別多個身體狀態當中之身體狀態210。
根據一些實例,第一模型可基於變分自動編碼器VAE。VAE的使用允許使用更複雜的生成模型。VAE的使用進一步允許與更大資料集的生成模型相適應。
為此,第二模型可為回歸模型或分類模型,諸如邏輯回歸模型、卷積神經網路CNN,或隨機森林模型。
藉由實例,VAE可根據加速度計資料進行訓練。加速度計資料可關於由可穿戴裝置進行之運動記錄。可穿戴裝置可為智慧型手錶。優點是可使用由個體穿戴的單一可穿戴裝置。運動記錄可包含加速度計資料。
可穿戴裝置可由個體穿戴。換言之,可穿戴裝置可附接至患者或被研究的人的肢體上。舉例而言,肢體可為個體的手臂。該可穿戴裝置可穿戴在個體的手腕上。替代地,肢體可為個體的腿或手指。可穿戴裝置可包含用於獲得加速度計資料的加速度計。
有利地,加速度計資料屬於三軸加速度計。藉由實例,三個加速度計通道(x, y, z)可用於獲得加速度計資料。從而可獲得對運動資料的更準確的確定。
運動資料的資料分析可基於自加速度計獲得的原始資料。加速度計資料在被VAE使用之前可經過頻譜處理。藉由實例,頻譜處理可包含快速傅立葉變換FFT,且隨後對具有變化的頻率倉大小的對數dB級功率頻譜的計算,該等頻率倉大小可經對數間隔。
加速度資料可與重力估計g及其時間微分對準,時間微分與重力正交。重力估計可藉由低通濾波獲得。從而,可構造運動座標系,從而可獲得運動資料的量測。
如上文所描述,具有雙模型方法的優點在於,第一模型可基於來自多個個體的運動資料來訓練,使得其可用於可靠地識別運動類別,例如諸如行走、站立、坐下等運動表示。藉由已知運動的類別,個體特定的第二模型又可能在識別身體狀態時考慮上述情形,此又保證可更可靠地識別身體狀態。
根據一些實例,在用於確定鏈接至此運動表示的症狀之前,VAE可經訓練以識別一或多個運動表示。換言之,藉助使用用於不同運動表示的分類的描述符,可簡化對來自運動資料的症狀的分析。換言之,藉由利用例如與個體的給定活動有關的分類,可進行自運動資料更高效偵測症狀,例如顫抖。此外,可利用具有較低信雜比的資料。從而可提供更穩健的方法。
藉由實例,運動狀態可在並非對此等的任何限制之情況下關於諸如以下的任務:站立、坐著、平躺、行走、活動肢體、執行協調運動或精細運動技能。
根據一些實例,VAE模型可用於根據關於加速度計資料的運動資料來確定運動表示。根據一些實例,訓練資料包含可用於訓練VAE的加速度計資料及相關聯運動表示。換言之,經訓練VAE可用於建立加速度計資料的表示,其任務係預測預定運動表示中之哪一者,諸如由個體執行的給定任務。
藉由實例,可使用PyTorch來完成VAE的實施。VAE的編碼器可為兩層型全連接神經網路。亦可進一步使用對稱解碼器。
因此,利用來自具有足夠信雜比的加速度計資料的VAE對此等狀態進行預偵測,且隨後對例如帕金森病症狀進行量化可係有利的。
圖6繪示根據一些實例對運動徐緩加速度計得分的影響。更詳細地,圖6中之實驗資料繪示左旋多巴輸注對個體的影響。左旋多巴輸注可被稱為「藥物狀態」。
實驗資料關於來自個體的加速度計量測(在具有或不具有左旋多巴輸注之情況下),執行不同的給定任務的個體,及給定任務內的一些重複。實驗中出現的顫抖、運動徐緩及運動困難,由外部觀測者按次序尺度評分。實驗表明藥物狀態對症狀的影響可在觀測者及加速度計得分兩者中看到,且具有預期的極性,此意謂運動困難經擴大,及運動徐緩及顫抖被左旋多巴治療減弱。
藉由實例,圖6中示出藥物對運動徐緩加速度計得分的影響。在下文中,將例示運動狀態的自動偵測。自動訓練基於無監督的深度學習模型,變分自動編碼器,VAE,基於加速度計信號。藉由實例,將可市售的可穿戴裝置與智慧型手機上的行動應用程式一起使用允許捕捉資料,該資料使得能夠以具成本效益的方式對帕金森症PD病人的運動波動及運動困難進行可靠評估。可穿戴裝置及行動應用程式兩者經設定以使用相同的時脈伺服器,以確保對個體的資料進行準確標記。
參考圖6,根據所量測的加速度計資料及來自資料庫的資料兩者對變分自動編碼器VAE進行訓練,以偵測運動狀態。更詳細地,資料係基於來自可穿戴裝置的用於不同任務的連續加速度計資料。實驗資料係為穿戴智慧型手錶形式的可穿戴裝置的參與者獲取的。該智慧型手錶包含加速度感測器,用於記錄關於參與者中之各者的運動資料的加速度資料。
為了獲得加速度計資料中所見的重複症狀的純量量度,利用針對加速度計資料的頻譜特徵的各症狀的經訓練次序(線性)回歸模型。用交叉驗證的正則化係數對模型進行L2正則化。因此,開發三種獨立的模型,各症狀類型(顫抖、運動徐緩、運動困難)一種。然後,用模型對結果進行評分,以與觀測者得分並行地獲得症狀的指示符,其僅為加速度計資料的函數。隨著觀測者及加速度計得分可用之情況下,與藥物狀態及任務相關地研究由彼等得分定義的症狀,其中個體水準的變化受到控制。
圖6繪示使用如上文所描述之模型獲得的實驗資料。針對參與實驗的個體,獲得關於藥物效果(左旋多巴輸注)的資訊。用行動裝置應用程式自患有帕金森病PD的個體收集左旋多巴治療攝入量及主觀症狀資料。圖表600繪示根據加速度計資料(x軸)預測的藥物對症狀嚴重性的影響,且繪示在不同任務下該效果的相對強度(y軸)。換言之,x軸示出與藥物狀態(亦即,左旋多巴輸注)的差異,且y軸示出由線性光譜模型看到的症狀信號的強度。軸上之刻度係可公度的,但在其他方面係隨意決定的。
左旋多巴(x)的效果示出處於恆定運動狀態的良好控制的操縱的效果。可觀測不同任務之間的差異,諸如肢體運動602(例如手臂運動)及協調運動604(例如手指/手運動)。亦可識別不同的類型,諸如靜止站立606、行走608或精細運動技能610。
根據對左旋多巴反應的實驗資料分析的分析,可觀測到運動表示可影響PD症狀的可見性。另外,可觀測到,無監督的變分自動編碼器VAE在確定及區分不同的運動表示方面係高效的。
如上文所論述,使用如本文中所建議的雙模式方法具有多個優點。具有雙模型方法的優點是,基於來自多個個體的運動資料訓練的第一模型可用於可靠地識別運動表示,例如諸如行走、站立、坐下的運動類別。
藉由實例,運動表示可在並非對此等的任何限制之情況下關於諸如以下的任務:站立、坐著、平躺、行走、活動肢體、執行協調運動或精細運動技能。
措詞運動表示在一些實例中可被稱為運動的類別。藉由已知運動的類別,個體特定的第二模型又可能在識別身體狀態時考慮上述情形,此又保證可更可靠地識別身體狀態。
圖7繪示在識別運動表示之後可如何執行例如症狀資料的資料分析之實例。圖7藉由實例繪示可如何基於由如圖1中所繪示的個體102a穿戴的可穿戴裝置104a捕捉之運動資料106a來確定身體狀態210。換言之,圖7繪示一個潛在的高級方案700,該方案係關於在根據一些實例偵測運動表示之後如何以高效的方式執行例如帕金森病症狀的資料分析。
在圖7中,繪示資料分析的兩個不同路徑702及704。第一路徑702對應於運動表示202對於給定的一組運動資料106a係已知的情況。運動資料106可為關於個體之運動的加速度計資料。運動資料106a可關於來自可穿戴裝置104a的加速度計資料。換言之,可已知個體的運動類別或運動類型。運動表示202從而可鏈接706至運動資料106a。舉例而言,運動表示202可由個體定義。藉由實例,個體可使用行動電話(未示出)或任何其他具備使用者介面的裝置來定義運動表示202。運動表示202可例如自使用者介面中之運動表示清單當中選擇。替代地,運動表示202可由諸如日曆的排程程式中之活動來定義。替代地,運動表示202可由給予個體的指令來定義,以從事諸如行走、站立、躺下、從玻璃杯或杯子喝水等任務。在其他實例中,運動表示202可自諸如脈搏、膚電傳導率、心率變異性等其他感測器資料得知。換言之,當個體正在做特定且已知的物理任務時,運動表示202可係已知的,且不需要藉由第一模型200來分析運動資料106。因此,運動資料106a可由第二模型208分析。加權模型204可視情況用於生成如上文所描述之加權運動表示。運動表示及/或加權運動表示可經引入至第二模型208中。可注意到,運動表示202可經發送至第二模型208,而不利用加權模型,如下文進一步論述。可藉由自個體請求來自症狀資料的資料(藉由提出直接問題,亦藉由要求個體執行某些身體測試或鍛煉,如上文所論述)來訓練第二模型208。藉由存取鏈接至此等測試的運動資料106a以及鏈接至此等測試的症狀資料兩者,獲得標記資料,其可用於訓練第二模型208。
第二路徑704繪示運動資料106a不與已知運動表示相關聯的情況。此情況可例如在未收集到運動表示的資訊時發生。替代地,由於肢體的運動可因個體而異,孤立地使用運動表示202可導致具有非典型運動資料的個體可被提供有不正確的身體狀態,且作為效果可能係非最佳的給藥方案。更詳細地,在第二路徑704中,第一模型200用於將運動資料106a鏈接至運動表示202的目的。更具體而言,運動資料106a可鏈接至基於自大量個體收集之資訊形成的多個運動表示202中之一者。然後可將運動表示202發送至第二模型208。加權模型204可視情況用於生成如上文所描述之加權運動表示。若如此,則加權模型204可被提供有自第一模型200輸出之運動表示202,及運動資料106a。藉由基於第一模型200係基於來自複數個個體之資料而存取運動表示202,且僅基於所討論的個體102a而存取運動資料106a,加權模型204可用於調整運動資料106a,使得第一模型200的發現可用於第二模型208。在已評估第二模型208中之加權運動表示或運動表示202之後,可輸出身體狀態210。如上文所描述,此資訊可又致使將通知(例如,改變的給藥方案、休息指令、飲食指令(營養成分、蛋白質成分、進食排程等)、鍛煉指令及睡眠指令)傳輸至個體102a及/或被允許存取此資訊的其他方。
圖8係繪示基於運動資料來確定身體狀態之方法的流程圖。參考圖8,可根據一些具體實例提供方法400,該方法用於藉由使用經由個體102a-c穿戴的可穿戴裝置104a-c獲得的運動資料106a-c來確定個體的身體狀態。方法400包含:
使用第一模型200基於運動資料106a-c來識別402多個運動表示當中之運動表示202,其中第一模型係使用來自多個個體的資料的生成模型,及
使用第二模型208基於運動表示202來識別408多個身體狀態當中之身體狀態,其中第二模型208係個體特定的。
運動表示202可關於個體的活動,該活動可為選自含以下各項之清單的一或多者:站立、就坐、平躺、行走、活動肢體、執行協調運動及執行精細運動技能。
運動資料可關於加速度資料。
加速度計資料可關於個體的肢體的運動。
加速度計資料可包含關於三軸加速度計的資料。
可穿戴裝置可為智慧型手錶。可穿戴裝置可由個體穿戴。該可穿戴裝置可穿戴在個體的手腕上。
加速度計資料可關於由可穿戴裝置進行之運動記錄。
身體狀態可鏈接至疾病狀態及/或症狀狀態。
第一模型可為變分自動編碼器VAE。
加速度計資料在被用作VAE的訓練資料之前可經受頻譜處理。
疾病狀態及/或症狀狀態可為與運動障礙相關聯的疾病及/或狀態。
疾病及/或狀態可選自由以下各項組成之清單:帕金森病、癲癇、多發性硬化症(MS)、阿茲海默病、失智、慢性或急性肌肉骨骼疼痛及肌病。
疾病可為帕金森病,且狀態係開狀態或關狀態。
該方法可進一步包含:
自個體102a-c請求410症狀資料110a-c,
自個體102a-c接收412症狀資料110a-c, 及
將症狀資料110a-c與運動資料106a-c鏈接414。
該方法可進一步包含:
比較416運動資料106a-c與觸發程序資料306,
在匹配418之狀況下,觸發自個體102a-c請求症狀資料110a-c的步驟。
症狀資料110a-c可包含與顫抖、僵硬、運動徐緩、運動困難及/或平衡有關的運動症狀資料,及/或與睡眠障礙、焦慮、暈眩、幻覺、嗅覺或味覺能力改變、排尿、消化、疼痛、疲勞及/或抑鬱有關的非運動症狀。
該方法可進一步包含:
自個體102a-c請求420物質攝入資料300,
自個體102a-c接收422物質攝入資料300, 及
將物質攝入資料300與運動資料106a-c鏈接424。
可藉由向指派至個體的行動電話108a-c傳輸症狀資料請求及/或物質攝入資料請求來請求症狀資料110a-c及/或物質攝入資料300,且其中經由行動電話108a-c接收症狀資料及/或物質攝入資料。
身體狀態可為基於在接收到物質攝入資料300之後記錄的運動資料106a-c確定的對物質攝入有積極反應且症狀減輕的狀態,或基於在接收到物質攝入資料300之後記錄的運動資料106a-c確定的對物質攝入沒有反應或有消極反應且症狀依然或惡化的狀態。
第二模型可為回歸模型或分類模型,諸如邏輯回歸模型、卷積神經網路(CNN),或隨機森林模型。
該方法可進一步包含:
基於身體狀態210來確定426物質攝入的建議時間、物質攝入的建議量及/或物質攝入的建議物質類型。
根據以上描述,儘管已描述及示出本發明之各種具體實例,但本發明不限於此,而是亦可在以下申請專利範圍中定義的標的物範圍內以其他方式體現。
100:系統
102a:個體
102b:個體
102c:個體
104a:可穿戴裝置
104b:可穿戴裝置
104c:可穿戴裝置
106a:運動資料
106b:運動資料
106c:運動資料
108a:行動電話
108b:行動電話
108c:行動電話
110a:症狀資料
110b:症狀資料
110c:症狀資料
112a:個體資料
112b:個體資料
112c:個體資料
114:資料通信網路
116:資料處理設備
118a:結果資料
118b:結果資料
118c:結果資料
200:第一模型
202:運動表示
204:加權模型
206:加權運動表示
208:第二模型
210:身體狀態
300:物質攝入資料
302:劑量確定模型
304:劑量資料
306:觸發程序資料
400:方法
402:第一步驟
404:第二步驟
406:第三步驟
408:第四步驟
410:第五步驟
412:第六步驟
414:第七步驟
416:第八步驟
418:第九步驟
420:第十步驟
422:第十一步驟
424:第十二步驟
426:第十三步驟
502:運動表示識別模組
504:運動資料加權模組
506:身體狀態識別模組
600:圖表
602:肢體運動
604:協調運動
606:靜止站立
608:行走
610:精細運動技能
700:高級方案
702:路徑
704:路徑
現在將僅藉由實例的方式參考隨附示意圖描述本發明之具體實例,在隨附示意圖中:
[圖1]大體上繪示系統,該系統包含多個配備有與資料處理設備共用資料的可穿戴裝置的個體。
[圖2]繪示可如何基於由個體中之一者的可穿戴裝置捕捉之運動資料來確定此個體的身體狀態之實例。
[圖3]繪示可如何基於運動資料結合症狀資料來確定個體中之一者的身體狀態之實例。
[圖4]係繪示基於運動資料來確定身體狀態之方法的流程圖。
[圖5]更詳細地繪示資料處理設備。
[圖6]繪示根據一些實例對運動徐緩加速度計得分的影響。
[圖7]繪示在識別運動表示之後可如何執行例如症狀資料的資料分析之實例。
[圖8]係繪示基於運動資料來確定身體狀態之方法的流程圖。
100:系統
102a:個體
102b:個體
102c:個體
104a:可穿戴裝置
104b:可穿戴裝置
104c:可穿戴裝置
106a:運動資料
106b:運動資料
106c:運動資料
108a:行動電話
108b:行動電話
108c:行動電話
110a:症狀資料
110b:症狀資料
110c:症狀資料
112a:個體資料
112b:個體資料
112c:個體資料
114:資料通信網路
116:資料處理設備
118a:結果資料
118b:結果資料
118c:結果資料
Claims (19)
- 一種用於藉由使用經由一個體(102a-c)穿戴的一可穿戴裝置(104a-c)獲得的運動資料(106a-c)來確定該個體的一身體狀態的方法(400),該方法包含: 使用一第一模型(200)基於該運動資料(106a-c)來識別(402)多個運動表示當中之一運動表示(202),其中該第一模型係使用來自多個個體的資料的一生成模型, 擷取(404)鏈接至該運動表示(202)的權重, 使用該等權重對該運動資料(106a-c)進行加權(406),從而形成一加權運動表示(206),及 使用一第二模型(208)基於該加權運動表示(206)來識別(408)多個身體狀態當中之該身體狀態,其中該第二模型(208)係個體特定的。
- 如請求項1之方法,其中該身體狀態鏈接至一疾病狀態及/或一症狀狀態。
- 如請求項2之方法,其中該疾病狀態及/或該症狀狀態係與一運動障礙相關聯的一疾病及/或一狀態。
- 如請求項3之方法,其中該疾病及/或該狀態選自由以下各項組成之一清單:帕金森病、癲癇、多發性硬化症(MS)、阿茲海默病、失智、慢性或急性肌肉骨骼疼痛及肌病。
- 如請求項4之方法,其中該疾病係帕金森病,且該狀態係開狀態或關狀態。
- 如請求項1至5中任一項之方法,其進一步包含: 自該個體(102a-c)請求(410)症狀資料(110a-c), 自該個體(102a-c)接收(412)該症狀資料(110a-c),及 將該症狀資料(110a-c)與該運動資料(106a-c)鏈接(414)。
- 如請求項6之方法,其進一步包含: 比較(416)該運動資料(106a-c)與觸發程序資料(306), 在匹配(418)之狀況下,觸發自該個體(102a-c)請求該症狀資料(110a-c)的步驟。
- 如請求項6之方法,其中該症狀資料(110a-c)包含與顫抖、僵硬、運動徐緩、運動困難及/或平衡有關的運動症狀資料,及/或與睡眠障礙、焦慮、暈眩、幻覺、嗅覺或味覺能力改變、排尿、消化、疼痛、疲勞及/或抑鬱有關的非運動症狀。
- 如請求項1至5中任一項之方法,其進一步包含: 自該個體(102a-c)請求(420)物質攝入資料(300), 自該個體(102a-c)接收(422)該物質攝入資料(300),及 將該物質攝入資料(300)與該運動資料(106a-c)鏈接(424)。
- 如請求項6之方法,其中藉由向指派至該個體的一行動電話(108a-c)傳輸一症狀資料請求及/或一物質攝入資料請求來請求該症狀資料(110a-c)及/或該物質攝入資料(300),且其中經由該行動電話(108a-c)接收該症狀資料及/或該物質攝入資料。
- 如請求項9之方法,其中該身體狀態為基於在接收到該物質攝入資料(300)之後記錄的該運動資料(106a-c)所確定的對物質攝入有積極反應且症狀減輕的一狀態,或基於在接收到該物質攝入資料(300)之後記錄的該運動資料(106a-c)所確定的對該物質攝入沒有反應或有消極反應且症狀依然或惡化的一狀態。
- 如請求項1至5中任一項之方法,其中該可穿戴裝置(104a-c)為具備一加速度計、一陀螺儀及/或一生物信號感測器的一肢體穿戴裝置,諸如腕部穿戴裝置、腿穿戴裝置或手指穿戴裝置。
- 如請求項1至5中任一項之方法,其中該第一模型(200)選自由一自動編碼器(AE)模型、一主成分分析(PCA)模型及一變分自動編碼器(VAE)構成之一群組,且該第二模型為一回歸模型或一分類模型,諸如一邏輯回歸模型、一卷積神經網路(CNN)或一隨機森林模型。
- 如請求項1至5中任一項之方法,其進一步包含: 基於該身體狀態(210)來確定(426)該物質攝入的一建議時間、該物質攝入的一建議量及/或該物質攝入的一建議物質類型。
- 一種資料處理設備(116),其經組態以使用運動資料(106a-c)來確定一個體(102a-c)的一身體狀態(210),該資料處理設備(116)包含: 一運動表示識別模組(502),其經組態以使用一第一模型(200)基於該運動資料(106a-c)來識別多個運動表示當中之一運動表示(202),其中該第一模型係使用來自多個個體的資料的一生成模型, 一運動資料加權模組(504),其經組態以使用鏈接至該運動表示(202)之權重對該運動資料(106a-c)進行加權,從而形成一加權運動表示(206),及 一身體狀態識別模組(506),其經組態以使用一第二模型(208)基於該加權運動表示(206)來識別多個身體狀態當中之該身體狀態(210),其中該第二模型(208)係個體特定的。
- 一種系統(100),其包含: 一可穿戴裝置(104a-c),其經配置以由一個體(102a-c)穿戴,該可穿戴裝置(104a-c)經組態以基於該個體(102a-c)的運動來生成運動資料(106a-c),及 一如請求項15之資料處理設備(116),其通信地連接至該可穿戴裝置(104a-c),且經組態以自該可穿戴裝置(104a-c)接收該運動資料(106a-c)。
- 如請求項16之系統(100),其進一步包含: 一行動電話(108a-c),其通信地連接至該資料處理設備(116),其中該行動電話(108a-c)經組態以在自該資料處理設備(116)傳輸一症狀資料請求時向該資料處理設備(116)提供症狀資料(110a-c), 其中該資料處理設備(116)經進一步組態以接收該症狀資料(110a-c)並將該症狀資料(110a-c)鏈接至該運動資料(106a-c)。
- 如請求項17之系統(100),其中該行動電話(108a-c)經組態以在自該資料處理設備(116)傳輸一物質攝入資料請求時向該資料處理設備(116)提供物質攝入資料(300), 其中該資料處理設備(116)經進一步組態以接收該物質攝入資料(300)並將該物質攝入資料(300)鏈接至該運動資料(106a-c)。
- 一種電腦程式產品,其包含指令,當在一電腦上執行該等指令時,該等指令致使該電腦實施請求項1至14中任一項之方法的步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20225270 | 2022-03-29 | ||
FI20225270 | 2022-03-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202402230A true TW202402230A (zh) | 2024-01-16 |
Family
ID=85382510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112107043A TW202402230A (zh) | 2022-03-29 | 2023-02-24 | 用於確定個體的身體狀態之方法、資料處理設備及系統 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202402230A (zh) |
WO (1) | WO2023186415A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6561992B1 (en) * | 2000-09-05 | 2003-05-13 | Advanced Research And Technology Institute, Inc. | Method and apparatus utilizing computational intelligence to diagnose neurological disorders |
US8702629B2 (en) * | 2005-03-17 | 2014-04-22 | Great Lakes Neuro Technologies Inc. | Movement disorder recovery system and method for continuous monitoring |
EP2306899B1 (en) | 2008-06-12 | 2014-08-13 | Amygdala Pty Ltd | Detection of hypokinetic and/or hyperkinetic states |
-
2023
- 2023-02-24 WO PCT/EP2023/054639 patent/WO2023186415A1/en unknown
- 2023-02-24 TW TW112107043A patent/TW202402230A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023186415A1 (en) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3566231B1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
US10376739B2 (en) | Balance testing and training system and method | |
US20200311609A1 (en) | Adaptive model-based system to automatically quantify fall risk | |
EP3684248B1 (en) | Method and apparatus for determining health status | |
US10922996B2 (en) | Systems and methods for generating a presentation of an energy level based on sleep and daily activity | |
Céspedes et al. | A socially assistive robot for long-term cardiac rehabilitation in the real world | |
US20230034337A1 (en) | Animal data prediction system | |
US20170007168A1 (en) | Methods and systems for providing diagnosis or prognosis of parkinson's disease using body-fixed sensors | |
CN115884742B (zh) | 用于使症状与医学病症相关联的系统和方法 | |
Cancela et al. | Monitoring of motor and non-motor symptoms of Parkinson's disease through a mHealth platform | |
Campos et al. | Validity of the ActiGraph activity monitor for individuals who walk slowly post-stroke | |
KR20170116012A (ko) | 생리학적 반응을 개선시키기 위한 방법 및 시스템 | |
Rozanski et al. | Consumer wearable devices for activity monitoring among individuals after a stroke: a prospective comparison | |
Antonini et al. | Toward objective monitoring of Parkinson's disease motor symptoms using a wearable device: wearability and performance evaluation of PDMonitor® | |
Moreau et al. | Overview on wearable sensors for the management of Parkinson’s disease | |
US11967432B2 (en) | Method and system for remotely monitoring the physical and psychological state of an application user using altitude and/or motion data and one or more machine learning models | |
KR102028676B1 (ko) | 병원 진료 애프터케어 서비스 제공 방법, 서버 및 프로그램 | |
US20220280105A1 (en) | System and method for personalized biofeedback from a wearable device | |
TW202402230A (zh) | 用於確定個體的身體狀態之方法、資料處理設備及系統 | |
US20230051342A1 (en) | Pain medication management system | |
JP2022048075A (ja) | 情報処理システム、サーバ、情報処理方法及びプログラム | |
Foppen | Smart insoles: Prevention of falls in older people through instant risk analysis and signalling | |
Amira et al. | Stress level classification using heart rate variability | |
de Oliveira Brauner et al. | The 180° turn phase of the timed up and go test better predicts history of falls in the oldest-old when compared with the full test: a case-control study | |
US11375896B2 (en) | Edge-intelligent iot-based wearable device for detection of cravings in individuals |