TWI401061B

TWI401061B - 活動力監測方法與系統

Info

Publication number: TWI401061B
Application number: TW98143091A
Authority: TW
Inventors: Chi Chun Hsia; Gwo Lang Yan; Kuo Yuan Li
Original assignee: Ind Tech Res Inst
Priority date: 2009-12-16
Filing date: 2009-12-16
Publication date: 2013-07-11
Also published as: TW201121495A

Description

活動力監測方法與系統

本揭露係關於一種活動力監測方法與系統。

近年來有些專家探討照護模式的願景方面，提出最好的照護模式應該是以家庭為中心的老人社區發展性支持網路，社區與居家照護服務科技及相關產業的發展是當前刻不容緩的首要事情。病患生理跡象偵測活動行為的偵測或是人身保護即時監測等相關技術研院與專利文獻也相繼提出與公開。例如，台灣專利公開第00383590號的文獻揭露一種無線生理機像偵測報知裝置，可即時偵測老人或病患生理跡象，異常時則自動予以警示。台灣專利證書號I220003的文獻揭露一種即時監測的人身保護裝置及方法，能夠在跌倒或意外發生時啟動並立即發出警示，此專利文獻係利用在壓力式感應元件做活動力狀況的判斷。台灣專利證書號M342870的文獻揭露一種運動信號與資訊信號之整合模組，係利用全球定位系統(Global Positioning System，GPS)、微處理器、以及生理訊號感測技術，來偵測戶外運動時之人體生理與運動相關資料。將此原始資料儲存至微處理器記憶體。

美國公開第20080025477號揭露一種利用聲音偵測與比對來辨識在一區域內活動力的裝置。如第一圖的範例所示，此裝置係於一封閉環境中，利用一微處理器來偵測日常聲音是正常、不正常活動、或是噪音所產生。此封閉環境中可裝設聲音輸入元件，如麥克風，以及能夠與近端使用者互動的影像顯示器。此裝置能夠透過近端方式控制，例如鍵盤或使用通用串列匯流排(Universal Serial Bus，USB)連接至一手提電腦；或是透過遠端方式控制，例如電話線或乙太網路連接至網路。此裝置還可執行聲音樣式辨識，比對聲音波形來偵測代表日常活動之預先程式化之聲音的出現。此微處理器會記錄在特定週期或其他持續時間內，所有出現的可辨識聲音。此裝置判斷環境聲音的組成，並偵測不正常活動的聲音。

本揭露的實施範例中，可提供一種活動力監測方法與系統。

在一實施範例中，本揭露是關於一種活動力監測方法，係應用在一活動力監測系統，此活動力監測系統備有一聲音感測裝置、一聲音資料/事件傳輸介面、以及一聲音活力估算裝置。此方法可包含：此聲音感測裝置感測一場域內活動所產生的聲音訊號，然後此聲音資料/事件傳輸介面擷取此聲音訊號為聲音資料並進行傳送，此聲音活動力接收此聲音資訊進行活動力評估並輸出聲音活動力的指標。

在一實施範例中，本揭露是關於一種活動力監測系統，此系統可包含至少一聲音感測裝置、一聲音資料/事件傳輸介面、以及一聲音活動力估算模組。此聲音資料/事件傳輸介面連接於在一場域內的此聲音感測裝置，再將此聲音感測裝置所偵測到位於該場域內之各種不同音源所發出之聲響傳輸至此聲音活動力估算裝置，並加以估算此場域內的聲音活動力。

茲配合下列圖示、實施範例之詳細說明及申請專利範圍，將上述及本揭露之其他目的與優點詳述於後。

本揭露之活動力監測方法與系統，係透過聲音感測器接收聲音訊號以識別活動所造成的聲響，然後量化一場域內的活動頻繁程度，並可根據不同場域的需求來裝設適量的聲音感測器，再加以分析出在此場域內的活動能量大小。

第二圖是一個範例流程圖，說明一種活動力監測方法，並與本揭露之某些實施範例一致。活動力監測方法可應用在一場域內的活動力監測系統，此活動力監測系統備有至少一聲音感測裝置、一聲音資料/事件傳輸介面、以及一聲音活力估算裝置。在第二圖的範例中，如步驟210所示，此聲音藉由此至少一感測裝置感測出此場域內活動所產生的至少一聲音資料。然後，此聲音資料/事件傳輸介面，擷取此至少一聲音資料，並輸出至少一相對應的聲音數位資料，如步驟230所示。此聲音活動力估算裝置根據此至少一聲音數位資料，選擇出一相對應的聲音事件並進行活動力評估後，再輸出一相對應之聲音活動力的指標，如步驟250所示。

步驟210中，此場域之聲音資料可包含一種或一種以上於此場域內各種不同音源可能發出之聲響，例如此場域內之生物所發出之聲響、此場域內之非生物所發出之聲響、以及此場域內生物與非生物交互作用後產生之聲響等。

此場域內之生物所發之聲響可包含至少一種生物所發出的聲音，例如是選自人類發出之談話聲、鼾聲、打呵欠聲、哀叫呻吟聲、呼救聲等，以及其它生物所發出之貓叫聲、狗叫聲、以及蟲鳴聲等前述聲音之其中至少一種聲音。

此場域內之非生物所發之聲響可包含至少一種非生物所發出之聲音，例如是選自物體碰撞聲、電視播出聲、冷氣運轉聲、電器運轉聲、音樂、以及收音機發出的無線廣播聲響等前述聲音之其中至少一種聲音。

此場域內生物與非生物交互作用後產生之聲響可包含一種或一種以上之生物與非生物交互作用後產生之聲響，人類或其它生物與一場域內非生物交互作用後產生之聲響，例如是選自上下床活動聲、睡覺後之躁動聲、上廁所聲、開關門聲、坐上椅子聲、離開椅子聲、喝水聲、走路聲、洗手沖水聲、洗澡沖水聲、上下樓梯聲、跌倒聲、以及電氣用品開啟與關閉聲等前述聲音之其中至少一種聲音。

第三圖是說明聲音活動力估算模組之流程圖，並與本揭露之某些實施範例一致。聲音活動力估算模組可包含一聲音事件偵測模組與一聲音活動力估算次模組。如步驟310所示，聲音事件偵測模組接收一聲音資料/事件傳輸介面之聲音數位資料後，進行聲音特徵參數擷取與聲音事件比對，並輸出一相對應的聲音事件。如步驟330所示，當聲音活動力估算次模組接收到此聲音事件後，則進行以聲音為基礎的聲音活動力估算與以行為為基礎的聲音活動力估算後，輸出一相對應的聲音活動力指標。

第四圖以一流程範例，進一步說明聲音事件偵測次模組與聲音活動力估算次模組，並與本揭露之某些實施範例一致。在步驟310中，當聲音事件偵測次模組接收聲音數位資料，由一聲音特徵參數擷取模組進行聲音特徵擷取，如步驟311所示。然後，由一聲音事件比對模組進行與預先建立好的聲音事件模型進行比對，選擇出最相似的聲音事件類別為聲音事件，並輸出此聲音事件，如步驟313所示。聲音活動的估算是根據輸出之聲音事件，來進行估算，包括以聲音事件為基礎的聲音活動力估算與以行為為基礎的聲音活動力估算。步驟331所示為，以聲音事件為基礎的聲音活動力估算。步驟333所示為，以行為模式為基礎的聲音活動力估算，並根據聲音事件行為模型中的定義。然後，綜合331及333之結果經由聲音活動力估算，獲得聲音活動力指標，如步驟335所示。

在步驟311中，聲音特徵參數可選自梅爾倒頻譜係數(Mel-scale Frequency Cepstrum Coefficients，MFCCs)、倒頻譜(Cepstrum)、線性預估係數(Linear Spectrum Frequency Pairs，LSP)、線性頻譜對、過零率(Zero Crossing Rate，ZCR)、聲音能量(Energy)、或頻譜係數等。

在步驟313中，聲音事件模型可選自聲音事件樣板、聲音事件統計模型、或聲音事件機率模型。

在步驟333中，以行為模型行為模式為基礎的聲音活動力估算是先從聲音事件序列，根據聲音事件行為中的定義，將聲音事件序列轉換成行為，再從行為的發生的次數、比例、時間點、持續的時間長度、以及發生的地點進行加權計算。

第五圖以一流程範例，說明以聲音事件進行聲音活動力估算，並與本揭露之某些實施範例一致。第五圖的範例中，將聲音事件E1~聲音事件En，如步驟3311所示；分別給予事件權重W1~事件權重Wn，如步驟3313所示。然後，進行活動力估算即可獲得聲音活動力指標。

步驟331包含聲音事件E1~聲音事件En(步驟3311)與事件權重W1~事件權重Wn(步驟3313)。在步驟331中，聲音活動力估算可以根據聲音事件發生的次數、比例、時間點、持續的時間長度、以及發生的地點等來進行加權計算。

第六圖是活動力監測系統的一個範例示意圖，並與本揭露之某些實施範例一致。活動力監測系統包含至少一聲音感測裝置610、一聲音資料/事件傳送介面630、以及一聲音活動力估算模組650。聲音資料/事件傳送介面630連接在一場域內的至少一聲音感測裝置610，再將聲音感測裝置610所感測到之各種不同音源所發出的聲響傳輸至聲音活動力估算模組650，以估算此場域內的聲音活動力。

聲音資料/事件傳送介面630可包括一傳送網路。此傳送網路為控制區域網路(Control Area Networks，CAN)或乙太網路(Ethernet)，用來傳送聲音資料/事件傳輸介面感測到之聲音相關資料，可採用有線或無線進行傳輸。聲音感測裝置610可以是一組或多組的固定式或攜帶式之聲音訊號擷取裝置，例如麥克風。

第七圖是聲音活動力估算裝置的一個範例示意圖，並與本揭露之某些實施範例一致。如第七圖所示，聲音活動力估算模組650可包括一聲音事件偵測元件651以及一聲音活動力估算元件653。聲音活動力估算元件653接收由聲音事件偵測元件651所偵測到的至少一聲音事件，並進行一場域內的聲音活動指標的估算。此至少一聲音事件例如是選自上下床活動事件、睡覺躁動事件、上廁所事件、開關門事件、坐上椅子事件、離開椅子事件、喝水事件、走路事件、洗手沖水事件、洗澡沖水事件、上下樓梯事件、跌倒事件、物體碰撞聲事件、打鼾事件、打呵欠事件、哀叫呻吟事件、呼救事件、以及危險事件等前述事件之其中至少一事件。

第八圖以一工作範例示意圖來說明活動力偵測方法與系統，並與本揭露之某些實施範例一致。第八圖的工作範例係實施於一環境，在此環境中，備有一電腦、一控制區域網路匯流排(CAN BUS)、以及多個控制區域網路卡(CAN Card)。此控制區域網路匯流排是聲音事件偵測次模組的一個範例。控制區域網路卡將對應的麥克風所感測到的聲音識別成聲音事件，再透過控制區域網路匯流排傳送到電腦上，以進行聲音活動力指標的估算。

聲音事件偵測次模組可先透過聲音特徵參數擷取模組，將收到的聲音訊號轉換成聲音特徵值，此聲音特徵值可包含如梅爾倒頻譜係數、倒頻譜、線性頻譜對、過零率、能量等。聲音事件比對模組可採用聲音識別技術、關鍵詞識別技術、聲音分段技術等技術來實現。識別技術所使用之識別模組例如有隱藏式馬可夫模型(Hidden Markov Model,HMM)、高斯混合模組(Gaussian Mixture Model,GMM)等機率模式，而其所使用之匹配量度方式包含距離、相似度等。在活動事件偵測方法中，可用關鍵詞識別技術為一範例，可採用隱藏式馬可夫模型為識別模組，可使用相似度為匹配量度方式。隱藏式馬可夫模型是一種以機率統計的方法來做辨識的模組，模型將語音被視為一連串符號的集合，並使用了雙重隨機程序(Doubly Stochastic Process)，其中一個是狀態轉移機率(State Transition Probability)、另一個是狀態觀測機率(State Observation Probability)，以識別輸入語音。

第九圖是一範例流程圖，進一步說明聲音事件識別模組，並與本揭露之某些實施範例一致。聲音事件偵測之識別模組建立的隱藏式馬可夫模型是一種左到右的隱藏式馬可夫模型(Left-To-Right HMM)。如第九圖所示，場域內之聲音資料911經過特徵參數擷取913，求出聲音識別相關資料，再根據人工標註聲音事件915，透過重估演算法(Segmental K-means)917，訓練得到聲音事件識別模組919。在聲音事件識別模組919中，每一聲音事件E之識別模組HMM_E 有三個狀態，每一狀態有32個混合數(Mixtures)，特徵參數可採用倒頻譜係數或梅爾倒頻譜係數，特徵值的維度為26維。場域聲音資料庫910可包括一場域內之聲音資料911、一人工標註聲音事件915、以及一聲音事件識別模組919。

第十圖是說明一聲音事件偵測，並與本揭露之某些實施範例一致。在訓練完聲音事件識別模組，可利用識別模組結合關鍵詞識別技術來偵測聲音事件，在關鍵詞識別技術運算中。第十圖的範例中，本揭露使用文法樹(Grammar Tree)，使用之一階式演算法(One Stage)來比對聲音與聲音事件識別模組之間的相似度，以偵測聲音事件。sil代表著靜音之模組，而中間之開門、呵欠聲、呼喊家人、以及救命喲皆是所欲偵測之聲音事件，補白(Fill)模組是在關鍵詞識別技術的運算中，用來吸收無關所欲偵測之聲音事件的聲音模組。

第十一A圖與第十一B圖是一工作範例，說明將本揭露應用於室內居家生活環境，並與本揭露之某些實施範例一致。此工作範例的場域為一居家生活環境，並於此場域中進行聲音資料的收集與系統效能驗證。第十一A圖為此室內居家環境與麥克風配置圖，其中收音區域為中間沒有格紋線覆蓋的空間，共有四個收音麥克風，分別為吧檯1101、洗手台1102、馬桶1103、以及床邊1104。如第十一B圖說明收錄到的聲音事件與辨識結果的正確率，以及容易產生混淆的聲音事件類別。本場域聲音資料庫儲存一場域內各種聲音相關資料；其儲存資料包含一場域內聲音資料、聲音事件、聲音活動力、以及聲音特徵值等。此場域內聲音資料包含語音、電氣用品開啟與關閉聲、人的日常生活活動所產生之聲響等各種場域內不同音源可能發出之聲響。上述居家生活環境中，日常生活活動所產生之聲響可包含如上下床活動聲、睡覺後之躁動聲、上廁所聲、開關門聲、坐上椅子聲、離開椅子聲、喝水聲、走路聲、洗手沖水聲、洗澡沖水聲、上下樓梯聲、跌倒聲、物體碰撞聲等，語音包含鼾聲、哀叫呻吟聲、以及呼救聲等。

此場域聲音資料庫之聲音資料儲存的一種方式為wave檔，其取樣頻率為8kHz，單音，解析度為8-bit。一個劇情會有4個channel音檔，其檔名分別為：yyyymmddhhmmss_Ecu0.wav、yyyymmddhhmmss_Ecu1.wav、yyyymmddhhmmss_Ecu2.wav、yyyymmddhhmmss_Ecu3.wav，其中yyyy為年；mm為月；dd為日；hh為時；mm為分；ss為秒。

第十二圖是一個範例示意圖，說明聲音事件標註視窗介面，並與本揭露之某些實施範例一致。場域聲音資料庫更包含用以標註聲音事件的一聲音事件之視窗化標註介面。第十二圖的範例中，左下方的病患資料視窗1211可選擇聲音之個案。左方中間之錄音檔案視窗1213顯示的是一場域內個案之聲音檔案，可利用滑鼠點選欲標註聲音檔案，此時在上方會出現綠色之聲音波形1215，透過滑鼠在波形視窗的點選或拖曳，可選擇某範圍之聲音資料，如波形視窗中黃色線區間1216，然後透過右邊標記功能short term voice 1217或long term event 1218，在事件空格1219中，標入對應之事件，以標記此段聲音之聲音事件。

第十三圖是一工作範例，說明自動標註演算法，並與本揭露之某些實施範例一致。第十三圖的範例中，聲音事件之視窗化標註介面採用以自動標註聲音事件之一自動標柱演算法。如第十三圖所示，場域聲音資料庫1310包括一未標註聲音資料1312、一聲音事件辨識模組1313、以及一人工標註聲音事件1314，其中一未標註聲音資料1312可利用聲音事件辨識模組1313進行經由一聲音事件識別程序1315，得到預設為此段聲音資料對應之聲音事件1316，再經過一人工調整驗證1317，可確定出此段聲音資料與聲音事件為正確對應，之後寫入人工標註聲音事件1314之資料庫。

第十四圖是日常生活功能事件表的一個範例示意圖，並與本揭露之某些實施範例一致。活動力指標代表日常生活功能，也就是自我照顧能力；評估此活動力指標是代表老人的獨立程度，更是預測老人存活的指標。聲音活動力估算方法之一具體估算方法可採用所偵測聲音事件所對應聲音活動力量值之權重總結合。如果透過聲音事件偵測方法所偵測之聲音事件E={E₁ E₂ ...E_n }，其所對應之聲音活動力量值之權重W={W₁ W₂ ...W_n }，則聲音活動力指標ActivityIndex 之估算公式如下：

活動力量值之權重決定方法可由專業人員根據其專業經驗與日常生活功能之重要性而給定數值、或由巴氏基本日常生活活動量表(Table of Activity Index of Daily Living)來定訂、或經由統計式活動事件頻率分析估測等方法來定訂。以統計式活動事件頻率分析估測定訂活動力量值權重之一範例方式為，先將日常生活功能分為七種日常生活功能類別F={f₁ f₂ ...f₇ }，如第十四圖的範例所示。每一日常生活功能類別可依專業人員根據其專業經驗與日常生活功能之重要性而給定數值、或由巴氏基本日常生活活動量表來定訂、或經由七種類別來平分活動力總量值；一般總量值為100，所以各類別之活動力量值最高為100/7。在各類別中，每一活動事件之活動力量值是依其頻率分析來決定數值，如移位類別(f₂ )包含之上下床事件E₁ 、坐上椅子事件E₂ 、離開椅子事件E₃ ，其對應之每天活動次數為NE₁ 、NE₂ 、NE₃ ，其中某E事件之整天所有活動力量值TW_E 之決定可用下式來表示：

其中，每天活動次數N_E 為健康老人每天執行事件E的次數統計平均，或是個人過去每天生活之歷史資料，所求得之每天執行事件E的次數統計平均。而代表事件E之頻率分析值，此值愈高代表此活動在日常生活中所需佔之次數愈多，所以相對上應給予較多之總活動力量值。而每天執行一次事件E的活動量值W_E 可用下式來表示：

故考量以統計式活動事件頻率分析估測定訂之日常生活功能活動力量值權重，訂定日常生活功能活動力為：

第十五圖是活動力監測系統的另一個實施範例，並與本揭露之某些實施範例一致。活動力監測系統可再包括一警示裝置1510，如第十五圖的範例所示。當活動力估算模組650輸出之活動力指標為預設之異常量值時或判斷發生異常活動事件時，可透過聲音資料/事件傳輸介面630來觸發警示裝置1510發出不同之警訊。警示裝置1510例如是手機、PDA、或電腦等，並可透過聲音或燈光效果直接發出警訊。

此異常活動事件的判斷包括如跌倒事件、物體碰撞聲事件、呼救事件、危險事件、睡覺躁動事件、打鼾事件、或哀叫呻吟事件等事件的判斷。活動力指標是預設之異常量值，可分為四個量級，如無失能、輕度失能、中度失能、以及重度失能。例如，當活動力指標小於30時，可發出重度失能警訊；當活動力指標介於31到60之間時，可發出中度失能警訊；當活動力指標介於61到80之間時，可發出輕度失能警訊；當活動力指標大於80時，可顯示無失能狀況。

惟，以上所述者，僅為本揭露之實施範例而已，當不能依此限定本發明實施之範圍。即大凡一本發明申請專利範圍所作之均等變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。

210．．．此聲音藉由此至少一感測裝置感測出此場域內活動所產生的至少一聲音資料

230．．．然後，此聲音資料/事件傳輸介面，擷取此至少一聲音資料，並輸出至少一相對應的聲音數位資料

250．．．此聲音活動力估算裝置根據此至少一聲音數位資料，選擇出一相對應的聲音事件並進行活動力評估後，再輸出一相對應之聲音活動力的指標

310．．．聲音事件偵測模組接收一聲音資料/事件傳輸介面之聲音數位資料後，進行聲音特徵參數擷取與聲音事件比對，並輸出一相對應的聲音事件

330．．．當聲音活動力估算次模組接收到此聲音事件後，則進行以聲音為基礎的聲音活動力估算與以行為為基礎的聲音活動力估算後，輸出一相對應的聲音活動力指標

311．．．當聲音事件偵測次模組接收聲音數位資料，由一聲音特徵參數擷取模組進行聲音特徵擷取

313．．．由一聲音事件比對模組進行與預先建立好的聲音事件模型進行比對，選擇出最相似的聲音事件類別為聲音事件，並輸出此聲音事件

331．．．以聲音事件為基礎的聲音活動力估算

333．．．以行為模式為基礎的聲音活動力估算，並根據聲音事件行為模型中的定義

335．．．綜合331及333之結果經由聲音活動力估算，經由聲音活動力估算，獲得聲音活動力指標

3311．．．每一聲音事件E1~聲音事件En

3313．．．分別給予事件權重W1~事件權重Wn

610．．．聲音感測裝置

630．．．聲音資料/事件傳送介面

650．．．聲音活動力估算模組

651．．．聲音事件偵測元件

653．．．聲音活動力估算元件

910．．．場域聲音資料庫

911．．．場域內之聲音資料

913．．．特徵參數擷取

915．．．人工標註聲音事件

917．．．重估算演算法

919．．．聲音事件識別模組

1101．．．吧檯

1102．．．洗手台

1103．．．馬桶

1104．．．床邊

1211．．．病患資料視窗

1213．．．錄音檔案視窗

1215．．．聲音波形

1216．．．黃色線區間

1217．．．short term voice

1218．．．long term event

1219．．．事件空格

1310．．．場域聲音資料庫

1312．．．未標註聲音資料

1313．．．加入聲音事件辨識模組

1314．．．人工標註聲音事件

1315．．．聲音事件識別程序

1316．．．聲音事件

1317．．．人工調整驗證

1510．．．警示裝置

第一圖是一種利用聲音偵測與比對來辨識在一區域內活動力的裝置的一個範例示意圖。

第二圖是一範例流程圖，說明活動力監測方法，並與本揭露之某些實施範例一致。

第三圖是說明聲音活動力估算模組之流程圖，並與本揭露之某些實施範例一致。

第四圖以一流程範例，進一步說明聲音事件偵測次模組與聲音活動力估算次模組，並與本揭露之某些實施範例一致。

第五圖以一流程範例，說明以聲音事件進行聲音活動力估算，並與本揭露之某些實施範例一致。

第六圖是活動力監測系統的一個範例示意圖，並與本揭露之某些實施範例一致。

第七圖是聲音活動力估算裝置的一個範例示意圖，並與本揭露之某些實施範例一致。

第八圖以一工作範例示意圖來說明活動力偵測方法與系統，並與本揭露之某些實施範例一致。

第九圖是一範例流程圖，進一步說明聲音事件識別模組，並與本揭露之某些實施範例一致。

第十圖是是說明一聲音事件偵測，並與本揭露之某些實施範例一致。

第十一A圖與第十一B圖是一工作範例，說明將本揭露應用於室內居家生活環境，並與本揭露之某些實施範例一致。

第十二圖是一個範例示意圖，說明聲音事件標註視窗介面，並與本揭露之某些實施範例一致。

第十三圖是一工作範例，說明自動標註演算法，並與本揭露之某些實施範例一致。

第十四圖是日常生活功能事件表的一個範例示意圖，並與本揭露之某些實施範例一致。

第十五圖是活動力監測系統的另一個實施範例，並與本揭露之某些實施範例一致。

Claims

一種活動力監測方法應用在一場域內的活動力監測系統，該活動力監測系統備有至少一聲音感測裝置、一聲音資料/事件傳輸介面、以及一聲音活力估算裝置，該方法包含：該聲音藉由該至少一感測裝置感測出該場域內活動所產生的至少一聲音資料；該聲音資料/事件傳輸介面，擷取該至少一聲音資料，並輸出至少一相對應的聲音數位資料；藉由該聲音活動力估算裝置，根據該至少一聲音數位資料，選擇出一相對應的聲音事件並進行活動力評估後，再輸出一相對應之聲音活動力的指標；其中，該方法還包括：以行為為基礎的聲音活動力估算，該以行為為基礎的聲音活動力估算先從至少一聲音事件序列，根據一聲音事件行為定義，將該至少一聲音事件序列轉換為至少一行為，再從該至少一行為的發生的次數、比例、時間點、持續的時間長度、以及發生的地點進行加權計算。
如申請專利範圍第1項所述之活動力監測方法，其中該至少一聲音資料包含至少一種於該場域內各種不同音源發出的聲響，該聲響包括該場域內的生物所發出的聲響、該場域內的非生物所發出的聲響、以及該場域內生物與非生物交互作用後產生的聲響。
如申請專利範圍第2項所述之活動力監測方法，其中該場域內的生物所發的聲響包含至少一種生物所發出的聲音，該聲音是人類發出的談話聲、鼾聲、打呵欠聲、哀叫呻吟聲、呼救聲、以及其它生物所發出的貓叫聲、狗叫聲、蟲鳴聲，的前述聲音的其中至少一種聲音。
如申請專利範圍第2項所述之活動力監測方法，其中該場域內之非生物所發出的聲響包含至少一種非生物所發出的聲音，該聲音是物體碰撞聲、電視播出聲、冷氣運轉聲、電器運轉聲、音樂、以及收音機發出的無線廣播聲響，的前述聲音的其中至少一種聲音。
如申請專利範圍第2項所述之活動力監測方法，其中該場域內生物與非生物交互作用後產生的聲響包含至少一種生物與非生物交互作用後產生之聲響，人類或其它生物與一場域內非生物交互作用後產生的聲響，該聲響是選自上下床活動聲、睡覺後的躁動聲、上廁所聲、開關門聲、坐上椅子聲、離開椅子聲、喝水聲、走路聲、洗手沖水聲、洗澡沖水聲、上下樓梯聲、跌倒聲、以及電氣用品開啟與關閉聲，的前述聲音的其中至少一種聲音。
如申請專利範圍第1項所述之活動力監測方法，其中該活動力估算模組包含一聲音事件偵測模組與一聲音活動力估算次模組；其中該聲音事件偵測模組接收一聲音資料/事件傳輸介面之一聲音數位資料後，進行聲音特徵參數擷取與聲音事件比對，並輸出一相對應的聲音事件；以及當該聲音活動力估算次模組接收到該相對應的聲音事件後，則進行以聲音為基礎的聲音活動力估算與以該行為為基礎的聲音活動力估算後，輸出該相對應的聲音活動力指標。
如申請專利範圍第6項所述之活動力監測方法，其中該方法還包括：當一聲音事件偵測次模組接收一聲音數位資料，由一聲音特徵參數擷取模組進行聲音特徵擷取；由一聲音事件比對模組進行與預先建立好的聲音事件模型進行比對，選擇出最相似的聲音事件類別為一聲音事件，並輸出該相對應的聲音事件。
如申請專利範圍第6項所述之活動力監測方法，其中該聲音特徵參數選自梅爾倒頻譜係數、倒頻譜、線性預估係數、線性頻譜對、過零率、聲音能量、以及頻譜係數，的前述參數的其中至少一種參數。
如申請專利範圍第7項所述之活動力監測方法，其中該聲音事件模型選自聲音事件樣板、聲音事件統計模型、以及聲音事件機率模型，的前述模型的其中至少一種模型。
一種活動力監測系統，該系統包含：至少一聲音感測裝置、一聲音資料/事件傳輸介面；以及一聲音活動力估算模組；該聲音資料/事件傳送介面連接在一場域內該聲音感測裝置，再將該聲音感測模組所感測到之各種不同音源所發出的聲響傳輸至該聲音活動力估算模組，以估算該場域內的聲音活動力；其中，該聲音活動力估算模組進行一種以行為為基礎的聲音活動力估算，該以行為為基礎的聲音活動力估算先從至少一聲音事件序列，根據一聲音事件行為定義，將該至少一聲音事件序列轉換為至少一行為，再從該至少一行為的發生的次數、比例、時間點、持續的時間長度、以及發生的地點進行加權計算。
如申請專利範圍第10項所述之活動力監測系統，其中該聲音資料/事件傳送介面包含一傳輸網路，用來傳送該聲音資料/事件傳輸介面感測到之聲音相關資料。
如申請專利範圍第11項所述之活動力監測系統，其中該傳輸網路是一控制區域網路。
如申請專利範圍第11項所述之活動力監測系統，其中該傳輸網路是一乙太網路。
如申請專利範圍第11項所述之活動力監測系統，其中該傳輸網路採用一有線網路或一無線網路。
如申請專利範圍第10項所述之活動力監測系統，其中該聲音感測置選自固定式聲音訊號擷取裝置、以及攜帶式聲音訊號擷取裝置，的前述聲音訊號擷取裝置的其中至少一聲音訊號擷取裝置。
如申請專利範圍第15項所述之活動力監測系統，其中該至少一聲音訊號擷取裝置為麥克風。
如申請專利範圍第10項所述之活動力監測系統，其中該聲音活動力算模組包括一聲音事件偵測元件、以及一聲音活動力估算元件；該聲音活動力估算元件接收由該聲音事件偵測元件所偵測到的至少一聲音事件，並來進行一場域內的聲音活動指標的估算。
如申請專利範圍第12項所述之活動力監測系統，其中該至少一聲音事件選自上下床活動事件、睡覺躁動事件、上廁所事件、開關門事件、坐上椅子事件、離開椅子事件、喝水事件、走路事件、洗手沖水事件、洗澡沖水事件、上下樓梯事件、跌倒事件、物體碰撞聲事件、打鼾事件、打呵欠事件、哀叫呻吟事件、呼救事件、以及危險事件，的前述事件的其中至少一種事件。
如申請專利範圍第12項所述之活動力監測系統，該系統還包括一警示裝置。