TW202416292A - 智能化預測模組及其復健系統 - Google Patents
智能化預測模組及其復健系統 Download PDFInfo
- Publication number
- TW202416292A TW202416292A TW111137927A TW111137927A TW202416292A TW 202416292 A TW202416292 A TW 202416292A TW 111137927 A TW111137927 A TW 111137927A TW 111137927 A TW111137927 A TW 111137927A TW 202416292 A TW202416292 A TW 202416292A
- Authority
- TW
- Taiwan
- Prior art keywords
- motion
- data
- rehabilitation
- unit
- training model
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 29
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 6
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 5
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 239000007787 solid Substances 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medicines Containing Material From Animals Or Micro-Organisms (AREA)
- Debugging And Monitoring (AREA)
- Electrotherapy Devices (AREA)
Abstract
本發明公開一種智能化預測模組及其復健系統。訓練模型建立單元利用人工智慧的機器學習演算法，來學習多個受檢測者的多個運動感測數據，分析出運動軌跡變化規則，以建立訓練模型。運動軌跡預測單元利用訓練模型，依據新受檢測者初始的運動感測數據，以預測新受檢測者後續的運動數據，據以提供適合新受檢測者的復健課程給新受檢測者。
Description
本發明涉及復健的狀態預測，特別是涉及一種智能化預測模組及其復健系統。
帕金森氏症，是現代人常見的慢性神經退化疾病，給患者的生活帶來了極大的不便。患者必需在醫生的叮囑下，使用運動器材進行關節鍛煉，以改善身體狀態。然而，目前的這些運動器材只是單純地供患者進行運動，無法讓患者清楚得知自己的動作是否滿足康復鍛煉所需要的動作要求，對患者的康復效果不佳。
本發明所要解決的技術問題在於，針對現有技術的不足提供一種智能化預測模組，包含運動數據感測器、狀態數據分群單元、訓練模型建立單元以及運動軌跡預測單元。運動數據感測器配置以感測多個受檢者以及新受檢測者中的每一者使用運動器材做復健動作時的數據，以輸出運動感測數據。狀態數據分群單元連接運動數據感測器。狀態數據分群單元配置以收集多個受檢者分別的多個運動感測數據以建立大數據資料庫，並依據多個受檢者的不同期狀態，以將多個受檢者分別的多個運動感測數據進行分群。訓練模型建立單元連接狀態數據分群單元。訓練模型建立單元配置以利用人工智慧的機器學習演算法，來學習大數據資料庫中每一群的多個運動感測數據，分析出每期狀態的運動軌跡變化規則，以建立出適用於每期狀態的訓練模型。運動軌跡預測單元連接訓練模型建立單元。運動軌跡預測單元配置以利用訓練模型，依據同期的新受檢測者剛開始使用運動器材做復健動作時的運動感測數據，以預測狀態後續使用運動器材做復健動作時的運動軌跡以輸出運動預測數據，並依據運動預測數據提供適合新受檢測者的復健課程。
請參閱圖1和圖2，其中圖1為本發明實施例的復健系統的方塊圖；圖2為本發明實施例的復健系統的多台復健運動器材的運動感測數據的圖表。本發明的復健系統可包含智能化預測模組，即包含如圖1所示的運動數據感測器10、狀態數據分群單元20、訓練模型建立單元30以及運動軌跡預測單元40。狀態數據分群單元20可連接運動數據感測器10以及訓練模型建立單元30。訓練模型建立單元30可連接運動軌跡預測單元40。
多個受檢者可依序使用同個或分別使用同類的復健運動器材(例如如圖2所示的坐姿划船機、胸部推舉機、臂部外展內收機、軀幹彎曲伸展機、水平腿部推蹬機以及腿部伸展彎曲機)，來進行身體鍛鍊。
在復健過程中，運動數據感測器10可感測每一受檢者使用復健運動器材做復健動作時的數據，以輸出一運動感測數據。例如，此運動感測數據可包含如圖2所示的復健天數、資料量、訓練次數、訓練時間等。
狀態數據分群單元20可從運動數據感測器10收集多個受檢者分別的多個運動感測數據，以建立一大數據資料庫。狀態數據分群單元20可依據多個受檢者的不同期狀態(例如但不限於依據病症嚴重程度分成五期)，以將多個受檢者分別的多個運動感測數據進行分群，歸類在大數據資料庫中。
訓練模型建立單元30可利用人工智慧的機器學習演算法，來學習大數據資料庫中每一群的多個運動感測數據，分析出每期症狀狀態下的使用每種或每個復健運動器材做復健動作的一運動軌跡變化規則(例如但不限於多次做向上抬舉動作過程中所花費的時間的變化規則)，以建立出適用於預測每期狀態的運動軌跡的一訓練模型。
在利用人工智慧的機器學習演算法以建立訓練模型之後，運動數據感測器10可感測新受檢測者在前段時間剛開始使用復健運動器材做復健動作時的數據，以輸出運動感測數據。
之後，運動軌跡預測單元40可利用訓練模型，依據同期症狀的新受檢測者在此前段時間內剛開始使用運動器材做復健動作時的運動感測數據，以預測狀態後續使用運動器材做復健動作時的運動軌跡，以輸出一運動預測數據。此運動預測數據可包含運動軌跡預測單元40預設此新受檢測者在後續使用復健器材時會有的運動數據，包含後續新受檢測者復健器材做每次復健動動作時的運動預測時間以及運動預測距離等數據。
運動數據感測器10產生的運動感測數據以及運動軌跡預測單元40產生的運動預測數據，可作為初步判斷新受檢測者屬於症狀多期中的哪一期(即可作為新受檢測者分屬於哪一症狀嚴重程度等級)的參考依據。
運動軌跡預測單元40可依據運動預測數據，以提供符合個別新受檢測者的復健課程12及其相關資料給新受檢者，例如復健課程12可包含多個復健項目或復健專案，並可依據每個復健項目指示復健運動器材對新受檢測者的身體提供相對應的能量。
若有需要，本發明實施例的復健系統還可包含如圖1所示的訓練模型校正單元50。訓練模型校正單元50可連接運動數據感測器10、訓練模型建立單元30以及運動軌跡預測單元40。
運動數據感測器10可感測(新)受檢測者使用運動器材做復健動作時的運動軌跡，以輸出動感測數據，可包含實際運動時間長度(即受檢測者每次實際使用復健運動器材做復健動作所花費的時間)，而運動軌跡預測單元40所輸出的運動預測數據可包含預測運動時間長度(即預測新受檢測者使用復健運動器材做復健動作所花費的時間)。
訓練模型校正單元50可計算受檢測者每做一次復健動作時的第二運動感測數據所包含的一實際運動時間長度與運動預測數據所包含的一預測運動時間長度之間的差值，及/或所包含的一實際移動距離與運動預測數據所包含的一預測移動距離之間的差值，以決定是否指示訓練模型建立單元30校正訓練模型。
舉例而言，當訓練模型校正單元50判斷超過一預定時間差數量的多個實際運動時間長度皆分別與一預測運動時間長度之間的差值大於一時間差門檻值，及/或判斷超過一預定距離差數量的多個實際運動距離長度皆分別與一預測運動距離長度之間的差值大於一距離差門檻值時，訓練模型校正單元50可指示訓練模型建立單元30校正訓練模型。反之，則不校正訓練模型。
訓練模型校正單元50可依據多個實際運動時間長度與預測運動時間長度之間的差值，來決定對訓練模型的校正內容和校正次數。訓練模型校正單元50可利用人工智慧的機器學習演算法，來學習更新後的大數據資料庫(例如更新儲存更多的運動感測數據、上述差值)，以反覆校正訓練模型而建立出新的訓練模型，用來預測出與實際的運動感測數據完全相同或最接近的運動預測數據。
請參閱圖1至圖4，其中圖3為本發明實施例的復健系統的數據分析流程圖；圖4為本發明實施例的復健系統的運動感測數據的波形圖。
本發明實施例的復健系統可包含如圖1所示的曲線圖建立單元60。如圖1所示，曲線圖建立單元60可連接運動數據感測器10。
如圖3所示，在圖3的步驟S101，可匯入新受檢測者的復健資料，此復健資料可包含上述運動數據感測器10所感測的新受檢測者的運動感測數據。接著，在圖3的步驟S103，可對復健資料進行平滑處理。
曲線圖建立單元60可依據運動感測數據所包含的新受檢測者做多次復健動作時分別的多個實際移動距離以及分別對應的多個感測筆數或次數，以在圖3的步驟S107建立/繪製一實際運動曲線在一曲線圖中。如圖4所示，曲線圖的縱軸代表運動數據感測器10所感測的運動感測數據的實際移動距離值，橫軸代表實際移動距離的筆數。
曲線圖建立單元60可比對運動感測數據所包含的多個實際移動距離，以在圖3所示的步驟S105中從多個實際移動距離中抓取多個極值，包含每一筆數範圍內的最大實際移動距離以及最小實際移動距離。
若有需要，在圖3的步驟S107，曲線圖建立單元60還可將多個筆數範圍內分別的多個最大實際移動距離以及多個最小實際移動距離，分別作為多個高點以及多個低點，分別以多個第一極值圖案(例如但不限於如圖4所示的圓圈圖案)表示多個高點以及以多個第二極值圖案(例如但不限於如圖4所示的X圖案)表示多個低點，標示在曲線圖中的一實際運動曲線上。
訓練模型建立單元30利用人工智慧的機器學習演算法，來學習運動感測數據，以建立出訓練模型。或者，如圖1所示，訓練模型建立單元30可連接曲線圖建立單元60，以利用人工智慧的機器學習演算法，來學習曲線圖中的實際運動曲線的變化規則，以建立出訓練模型。
請參閱圖1至圖6，其中圖5為本發明實施例的復健系統的散佈圖；圖6為本發明實施例的復健系統的標準差的示意圖。
本發明實施例的復健系統可更包含如圖1所示的散佈圖建立單元70。如圖1所示，散佈圖建立單元70可連接曲線圖建立單元60(或直接連接運動數據感測器10)。
在圖3的步驟S109~S111，散佈圖建立單元70可依據曲線圖建立單元60的曲線圖中的實際運動曲線的數據或直接依據運動數據感測器10的運動感測數據，以建立一散佈圖，其橫軸和縱軸可分別代表距離和時間。如圖5所示，為使用腿部伸展彎曲機進行復健運動的散佈圖，但本發明不以此為限。
散佈圖建立單元70可在散佈圖中標示新受檢測者多次做各種復健動作(例如但不限於向上伸展腿部、向下伸展腿部)時分別的多個實際運動散點。各實際運動散點代表每做一次復健動作時的一實際移動距離以及一實際運動時間長度。
如圖5所示，舉例以實心圓點圖案代表，(新)受檢測者使用腿部伸展彎曲機時向上伸展腿部的各實際運動散點，並以空心圓點圖案代表(新)受檢測者使用腿部伸展彎曲機時向下伸展腿部的各實際運動散點。實務上，各實際運動散點可替換為其他形狀圖案，多個實際運動散點也可彼此為不同的圖案，在此僅舉例說明，本發明不受限於此。
除此之外，散佈圖建立單元70也可在散佈圖中標示多個受檢者做每種標準復健動作(例如向上伸展腿部、向下伸展腿部)時的一標準運動散點。在本實施例中，舉例以十字圖案代表標準運動散點，但也可替換為其他與實際運動散點不同的形狀圖案，在此僅舉例說明，本發明不以此為限。
在圖5的散佈圖中，此標準運動散點代表每次使用復健運動器材做一次可達成最佳復健運動成果的標準復健動作時，應有的一標準移動距離以及一標準運動時間長度。
散佈圖建立單元70可依據之前同期症狀的多個受檢測者做相同健運動動作時的多個實際移動距離以及多個實際運動時間長度(的平均值)，來決定此標準運動散點的標準移動距離以及標準運動時間長度。
如圖5所示，散佈圖建立單元70將(新)受檢測者實際做每種復健動作(例如向上伸展腿部、向下伸展腿部)時的多個實際運動散點(例如多個實心圓點圖案)(又稱為上升點、下降點)，相對於此種復健動作的標準運動散點(例如十字圖案)(又稱為上升中心點、下降中心點)分布在散佈圖中。
本發明實施例的復健系統可更包含如圖1所示的運動數據計算單元80。運動數據計算單元80可連接散佈圖建立單元70(或實務上直接連接運動數據感測器10)。運動數據計算單元80可從散佈圖建立單元70取得散佈圖中的多個實際運動散點分別代表的多個實際運動時間長度，或取得運動數據感測器10的運動感測數據所包含的多個實際運動時間長度。
運動數據計算單元80可依據新受檢測者的多個實際運動散點相對於標準運動散點的離散程度以評分一運動狀態分數，提供給醫護人員或病人參考病人的復健運動狀態。多個實際運動散點越靠近標準運動散點，將取得越高的運動狀態分數，代表復健運動狀態越佳。
在圖3的步驟S113，運動數據計算單元80可計算(新)受檢測者的多個實際運動時間長度的一時間平均值，並可計算(新)受檢測者的多個實際移動距離的一距離平均值，並可在圖3的步驟S115將時間平均值以及距離平均值存入資料庫。
散佈圖建立單元70可依據做一次可達成最佳復健運動成果的標準復健動作時的移動時間和距離，或依據上述計算出的時間平均值，以決定標準運動散點代表的時間(即標準運動時間長度)和距離(即標準移動距離)。
在圖3的步驟S113，散佈圖建立單元70還可依據多個實際運動散點相對於標準運動散點的離散程度，以決定一時間標準差以及一距離標準差，並可在圖3的步驟S115將時間標準差以及距離標準差存入資料庫。
散佈圖建立單元70可依據標準運動散點(例如圖5、圖6中的十字圖案)、時間標準差(例如圖6標示的XT1)以及距離標準差(例如圖6標示的YD1)，以標示一分佈範圍線(例如但不限於圖5或圖6中較小的實線方框)在散佈圖中。若有需要，散佈圖建立單元70可將標準運動散點標示在此分佈範圍線的中心處，可將多個實際運動散點分佈標示在分佈範圍線上、內和周圍。
另外或替換地，散佈圖建立單元70可基於標準運動散點(例如圖5、圖6中的十字圖案)，依據時間標準差的N倍(N為正值，例如但不限於1.5，如圖6標示的XT2)以及距離標準差的N倍(如圖6標示的YD2)，以標示另一分佈範圍線(例如但不限於圖5或圖6中較大的實線方框)在散佈圖中。若有需要，散佈圖建立單元70可將標準運動散點標示在此另一分佈範圍線的中心處，並可將多個實際運動散點分佈標示在分佈範圍線上、內和周圍。
請參閱圖1至圖8，其中圖7為本發明實施例的復健系統的向上抬舉實際運動時間長度對日期的曲線圖；圖8為本發明實施例的復健系統的向下伸展實際運動時間長度對日期的曲線圖；圖9為本發明實施例的復健系統的實際運動時間長度對運動次數的曲線圖。
曲線圖建立單元60可從運動數據感測器10取得運動感測數據，並可依據運動感測數據中記載的(新)受檢測者做多次復健動作(例如分別做向上抬舉以及向下伸展動作)時分別的多個實際運動時間長度以及多個感測日期，以建立如圖7、圖8所示以實線標示的實際運動曲線在曲線圖中。
如圖1所示，曲線圖建立單元60可連接運動軌跡預測單元40，以依據(向上抬舉動作、做向下伸展動作的)運動預測數據以建立如圖7、圖8以虛線標示的預測運動曲線，與以實線標示的實際運動曲線在同一曲線圖中。訓練模型建立單元30可利用人工智慧的機器學習演算法，來學習曲線圖中的實際運動曲線與預測運動曲線之間的變化差異，以重新訓練訓練模型。
在步驟S117，曲線圖建立單元60也可依據運動感測數據，以建立如圖9所示的一時間均值趨勢圖，在此時間均值趨勢圖中左至右分別為(新)受檢測者使用不同運動器材做復健動作的實際運動時間對做第幾次運動的次數的曲線，例如圖9所示以實線實心圖案標示為做向上抬舉/上升動作的曲線，而以虛線中空圖案標示為做向下拉升/下降動作的曲線。
綜上所述，本發明提供一種復健系統，其可將複數失能者做多項復健動作的運動感測數據輸入至機械學習機中，藉由機械學習演算法以建立訓練模型後，最後將新受檢測者初期做多項復健動作的至運動感測數據輸入訓練模型中，透過此訓練模型的演算法運算，即可得到新受檢者後續運動狀態的預測結果，做為評估新受檢者的狀態並據以預先提供適合新受檢者的復健課程的參考依據。
以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。
10:運動數據感測器
20:狀態數據分群單元
30:訓練模型建立單元
40:運動軌跡預測單元
50:訓練模型校正單元
60:曲線圖建立單元
70:散佈圖建立單元
80:運動數據計算單元
S101~S117:步驟
XT1、XT2:時間標準差
YD1、YD2:距離標準差
圖1為本發明實施例的復健系統的方塊圖。
圖2為本發明實施例的復健系統的多台復健運動器材的運動感測數據的圖表。
圖3為本發明實施例的復健系統的數據分析流程圖。
圖4為本發明實施例的復健系統的運動感測數據的曲線圖。
圖5為本發明實施例的復健系統的散佈圖。
圖6為本發明實施例的復健系統的標準差的示意圖。
圖7為本發明實施例的復健系統的向上抬舉實際運動時間長度對日期的曲線圖。
圖8為本發明實施例的復健系統的向下伸展實際運動時間長度對日期的曲線圖。
圖9為本發明實施例的復健系統的實際運動時間長度對運動次數的曲線圖。
10:運動數據感測器
20:狀態數據分群單元
30:訓練模型建立單元
40:運動軌跡預測單元
50:訓練模型校正單元
60:曲線圖建立單元
70:散佈圖建立單元
80:運動數據計算單元
Claims (10)
- 一種智能化預測模組，包含： 一運動數據感測器，配置以感測多個受檢者以及一新受檢測者中的每一者使用運動器材做復健動作時的數據，以輸出一運動感測數據； 一狀態數據分群單元，連接該運動數據感測器，配置以收集該多個受檢者分別的多個該運動感測數據以建立一大數據資料庫，並依據該多個受檢者的不同期狀態，以將該多個受檢者分別的多個該運動感測數據進行分群； 一訓練模型建立單元，連接該狀態數據分群單元，配置以利用人工智慧的機器學習演算法，來學習該大數據資料庫中每一群的多個該運動感測數據，分析出每期狀態的一運動軌跡變化規則，以建立出適用於每期狀態的一訓練模型；以及 一運動軌跡預測單元，連接該訓練模型建立單元，配置以利用該訓練模型，依據同期的該新受檢測者剛開始使用運動器材做復健動作時的該運動感測數據，以預測狀態後續使用運動器材做復健動作時的運動軌跡以輸出一運動預測數據，並依據該運動預測數據提供適合該新受檢測者的一復健課程。
- 一種復健系統，包含： 一運動數據感測器，配置以感測多個受檢者以及一新受檢測者中的每一者使用運動器材做復健動作時的數據，以輸出一運動感測數據； 一狀態數據分群單元，連接該運動數據感測器，配置以收集該多個受檢者分別的多個該運動感測數據以建立一大數據資料庫，並依據該多個受檢者的不同期狀態，以將該多個受檢者分別的多個該運動感測數據進行分群； 一訓練模型建立單元，連接該狀態數據分群單元，配置以利用人工智慧的機器學習演算法，來學習該大數據資料庫中每一群的多個該運動感測數據，分析出每期狀態的一運動軌跡變化規則，以建立出適用於每期狀態的一訓練模型； 一運動軌跡預測單元，連接該訓練模型建立單元，配置以利用該訓練模型，依據同期的該新受檢測者剛開始使用運動器材做復健動作時的該運動感測數據，以預測狀態後續使用運動器材做復健動作時的運動軌跡以輸出一運動預測數據，並依據該運動預測數據提供適合該新受檢測者的一復健課程；以及 一訓練模型校正單元，連接該運動數據感測器、該訓練模型建立單元以及該運動軌跡預測單元，配置以計算該新受檢測者每做一次復健動作時的該運動感測數據所包含的一實際運動時間長度與該運動預測數據所包含的一預測運動時間長度之間的差值，以決定是否指示該訓練模型建立單元校正該訓練模型。
- 如請求項2所述的復健系統，更包含一曲線圖建立單元，連接該運動數據感測器，配置以依據該運動感測數據所包含的每次復健動作的一實際移動距離、該實際運動時間長度、一感測筆數、一資料筆數以及一感測日期中的任兩者，以建立一實際運動曲線在一曲線圖中。
- 如請求項3所述的復健系統，其中該訓練模型建立單元連接該曲線圖建立單元，配置以利用人工智慧的機器學習演算法，來學習該曲線圖中的該實際運動曲線的變化規則，以建立出該訓練模型。
- 如請求項4所述的復健系統，其中該曲線圖建立單元連接該運動軌跡預測單元，配置以依據該運動預測數據以建立一預測運動曲線，與該實際運動曲線在同一該曲線圖中，該訓練模型建立單元利用人工智慧的機器學習演算法，來學習該曲線圖中的該實際運動曲線與該預測運動曲線的變化差異，以重新訓練該訓練模型。
- 如請求項3所述的復健系統，更包含一散佈圖建立單元，連接該曲線圖建立單元，配置以建立橫軸和縱軸分別代表距離和時間的一散佈圖，在該散佈圖中標示該多個受檢者做標準復健動作時的一標準運動散點，以及標示該新受檢測者實際多次做復健動作時分別的多個實際運動散點，各該實際運動散點代表每做一次復健動作時的該實際移動距離以及該實際運動時間長度。
- 如請求項6所述的復健系統，更包含一運動數據計算單元，連接該散佈圖建立單元，配置以依據該新受檢測者的該多個實際運動散點相對於該標準運動散點的離散程度，以評分一運動狀態分數。
- 如請求項7所述的復健系統，其中該運動數據計算單元配置以計算該多個實際運動時間長度的一時間平均值，該散佈圖建立單元依據該時間平均值以決定該標準運動散點代表的時間，依據該多個實際運動散點相對於該標準運動散點的離散程度以決定一時間標準差。
- 如請求項8所述的復健系統，其中該運動數據計算單元配置以計算該多個實際移動距離的一距離平均值，該散佈圖建立單元依據該距離平均值以決定該標準運動散點的距離，依據該多個實際運動散點相對於該標準運動散點的離散程度以決定一距離標準差。
- 如請求項9所述的復健系統，其中該散佈圖建立單元配置以依據該距離標準差以及該時間標準差以標示一分佈範圍線在該散佈圖中，將該標準運動散點標示在該分佈範圍線的中心處，將該多個實際運動散點分佈標示在該分佈範圍線上、內和周圍。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111137927A TWI814606B (zh) | 2022-10-06 | 2022-10-06 | 智能化預測模組及其復健系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111137927A TWI814606B (zh) | 2022-10-06 | 2022-10-06 | 智能化預測模組及其復健系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI814606B TWI814606B (zh) | 2023-09-01 |
| TW202416292A true TW202416292A (zh) | 2024-04-16 |
Family
ID=88965877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111137927A TWI814606B (zh) | 2022-10-06 | 2022-10-06 | 智能化預測模組及其復健系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI814606B (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11435827B2 (en) * | 2019-08-30 | 2022-09-06 | AR & NS Investment, LLC | Electronic training system and method for electronic evaluation and feedback of sports performance |
| CN111105860B (zh) * | 2019-12-18 | 2023-07-28 | 青岛科技大学 | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 |
| TWI777140B (zh) * | 2020-03-05 | 2022-09-11 | 國立成功大學 | 運動課程產生方法與系統 |
| CN113823377A (zh) * | 2020-06-18 | 2021-12-21 | 华为技术有限公司 | 运动指导方法及电子设备 |
-
2022
- 2022-10-06 TW TW111137927A patent/TWI814606B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| TWI814606B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schack et al. | Mental representation and motor imagery training | |
| CN110010223A (zh) | 一种基于人工智能的运动健康数据采集管理处方、终端服务系统 | |
| CN109784211A (zh) | 一种基于深度学习的运动想象脑电信号分类方法 | |
| CN109330846B (zh) | 一种基于深度学习算法的空气波压力按摩仪参数优化方法 | |
| CN113707268A (zh) | 一种康复训练评估方法及系统 | |
| CN106682385A (zh) | 健康信息交互平台 | |
| KR20210023631A (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
| CN113974612B (zh) | 一种卒中患者上肢运动功能自动化评估方法与系统 | |
| CN110164524A (zh) | 一种偏瘫患者康复训练任务自适应匹配方法及其系统 | |
| CN115631532A (zh) | 一种康复训练系统中训练动作分类与完成度评分方法 | |
| CN111882066A (zh) | 基于深度表征学习的反事实推理设备 | |
| Gharaei et al. | Optimizing the setting of medical interactive rehabilitation assistant platform to improve the performance of the patients: A case study | |
| WO2009136319A1 (en) | System and method for training motion tasks of a person | |
| CN106178466A (zh) | 一种健身用度量分析方法及系统 | |
| CN117133404B (zh) | 一种针对胸廓出口综合征的智能化康复护理装置 | |
| CN112842266B (zh) | 一种基于人体监测睡眠数据的睡眠分期阶段识别方法 | |
| CN110970109A (zh) | 一种基于深度学习的骨科术后康复方案推荐方法 | |
| US20040023197A1 (en) | Method and system for providing support when selecting a training program as part of therapy planning | |
| KR20220089913A (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
| TW202416292A (zh) | 智能化預測模組及其復健系統 | |
| CN114887169B (zh) | 一种呼吸机智能控制决策方法与系统 | |
| CN115736840A (zh) | 一种基于心电数据的睡眠质量识别分类方法 | |
| CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
| CN118454203B (zh) | 一种引体向上智能测试系统及方法 | |
| CN116936097B (zh) | 一种训练灯用户眼部异常运动智能检测方法 |