TWI623923B - 一種穿戴式裝置及其方法 - Google Patents
一種穿戴式裝置及其方法 Download PDFInfo
- Publication number
- TWI623923B TWI623923B TW106117052A TW106117052A TWI623923B TW I623923 B TWI623923 B TW I623923B TW 106117052 A TW106117052 A TW 106117052A TW 106117052 A TW106117052 A TW 106117052A TW I623923 B TWI623923 B TW I623923B
- Authority
- TW
- Taiwan
- Prior art keywords
- acceleration
- acceleration data
- wearable device
- samples
- data
- Prior art date
Links
Landscapes
- Percussion Or Vibration Massage (AREA)
Abstract
一種穿戴式裝置,包含加速度偵測模組、輸出模組及處理模組。處理模組耦接加速度偵測模組以及輸出模組。加速度偵測模組用以偵測穿戴式裝置之加速度資料。處理模組用以從加速度資料中提取穿戴式裝置上的動作頻率變化及動作深度變化。處理模組具備兩項功能,一將將動作頻率變化與心肺復甦按壓頻率範圍比較,二將將動作深度變化與心肺復甦按壓深度範圍比較以產生判斷結果,且根據判斷結果透過輸出模組輸出提示訊息。
Description
本揭示文件係關於一種穿戴式裝置及用於穿戴式裝置之方法。更明確而言是用於偵測心肺復甦(Cardiopulmonary Resuscitation,CPR)按壓變化的穿戴式裝置以及其相關方法。
智慧型穿戴式裝置可具有偵測器以及連網功能,能長時間自動偵測、蒐集、顯示或傳送資訊,並且具備網際網路的資料傳輸能力,同時方便使用者長時間穿著或配戴而不影響日常生活作息。目前穿戴式裝置已有智慧眼鏡、智慧手環、智慧手錶、智慧服飾、智慧戒指、智慧鞋襪、與智慧皮帶等。吾人常應用智慧型穿戴式裝置上的偵測器所偵測之資料於日常生活。然而此種偵測資訊亦可應用於醫療用途。
本揭示內容提供一種穿戴式裝置,包含加速度偵測模組、輸出模組及處理模組。處理模組耦接加速度偵測模組以及輸出模組。加速度偵測模組用以偵測穿戴式裝置之加速度
資料。處理模組用以從加速度資料中提取穿戴式裝置上的動作頻率變化及動作深度變化。處理模組具備兩大功能,一將動作頻率變化與心肺復甦按壓頻率範圍比較,二將動作深度變化與心肺復甦按壓頻率範圍比較以產生判斷結果,且根據判斷結果透過輸出模組輸出提示訊息。
本揭示內容更提供一種用於穿戴式裝置之方法。上述方法包含以下步驟。首先,偵測穿戴式裝置之加速度資料。隨後,從加速度資料中提取穿戴式裝置上的動作頻率變化及動作深度變化。之後,將動作頻率變化與心肺復甦按壓頻率範圍比較,同時將動作深度變化與心肺復甦按壓頻率範圍比較以產生判斷結果。最後,根據判斷結果輸出提示訊息。
100‧‧‧穿戴式裝置
110‧‧‧加速度偵測模組
120‧‧‧處理模組
130‧‧‧輸出模組
S220‧‧‧步驟
S240‧‧‧步驟
S260‧‧‧步驟
S280‧‧‧步驟
S231‧‧‧步驟
S232‧‧‧步驟
S233‧‧‧步驟
S234‧‧‧步驟
S235‧‧‧步驟
Am‧‧‧平均加速度資料
Ah‧‧‧歷史加速度取樣
Ac‧‧‧當前加速度取樣
Da‧‧‧加速度差值
Dth‧‧‧門檻加速度差值
N‧‧‧數量
Nth‧‧‧門檻數量
a(t)‧‧‧加速度函數
A、B、C、D及E‧‧‧參數
T1、T2、T3、T4及T5‧‧‧時間點
Tc、Tc1及Tc2‧‧‧時間點
a’‧‧‧加速度向量
M(t)‧‧‧統計值
Fn‧‧‧動作頻率
k‧‧‧時間
F(k)‧‧‧動作頻率
Tp‧‧‧先前時間
#t’‧‧‧資料個數
T‧‧‧時間常數
ax、ay及az‧‧‧加速度分量
gx、gy及gz‧‧‧重力加速度分量
703至705‧‧‧曲線
803至805‧‧‧曲線
第1圖係依照本揭示文件實施例繪示之一種穿戴式裝置之功能方塊圖。
第2圖係依照本揭示文件一實施例中繪示之用於穿戴式裝置之方法之流程圖。
第3圖係依照本揭示文件一實施例中繪示之用於穿戴式裝置之方法之細部流程圖。
第4圖係依據本揭示文件所偵測之加速度資料之波形圖。
第5圖係根據本揭示文件所偵測之一個周期內加速度資料之波形圖範例。
第6圖係根據本揭示文件所偵測之一個周期內加速度資料之另一波形圖範例。
第7A圖為動作深度隨時間之變化圖。
第7B圖為統計值M(t)隨時間之變化圖。
第8A圖為動作深度隨時間之變化圖。
第8B圖為統計值M(t)隨時間之變化圖。
第1圖係依照本揭示文件實施例繪示之一種穿戴式裝置之功能方塊圖。如第1圖所示,穿戴式裝置100包含加速度偵測模組110、處理模組120及輸出模組130。處理模組120耦接加速度偵測模組110以及輸出模組130。本揭示文件之穿戴式裝置100是利用加速度偵測模組110的加速度偵測元件(第1圖未示)來偵測心肺復甦術中,使用者對於急救安妮假人或人體胸部按壓的頻率以及深度。
於一實施例中,穿戴式裝置100可為智慧手環、智慧手錶、智慧袖套、智慧手套、智慧服飾或智慧戒指等任何適於量測心肺復甦術的按壓頻率及按壓深度之穿戴式裝置。
於一實施例中,加速度偵測模組110可以是一種加速度計(accelerometer)或任何加速感測組件。
於一實施例中,處理模組120可以是中央處理器(Central Processing Unit,CPU)、多核心處理器、數位訊號處理器(DSP)、系統單晶片(SoC)、圖形處理單元(GPU)、微處理器(MPU)、微控制器(MCU)或嵌入式系統。
於一實施例中,輸出模組130可以是顯示器、揚聲器、蜂鳴器、振動器或發光裝置。
第2圖係依照本揭示文件一實施例中繪示之用於穿戴式裝置100之方法之流程圖。同時參考第1及2圖。在步驟S220,加速度偵測模組110可偵測穿戴式裝置100之加速度資料。於一實施例中,當使用者配戴穿戴式裝置100並對他人施行心肺復甦術時,穿戴式裝置100可以偵測使用者不停對人體按壓時的加速度資料,加速度資料可以表示為正弦(sine)波,並且可以由與加速度資料對應之正弦波波形中偵測到使用者所執行的心肺復甦動作的動作頻率變化以及動作深度變化。在步驟S240,處理模組120可從加速度資料中提取穿戴式裝置100上的動作頻率變化及動作深度變化,關於如何從加速度資料提取動作頻率變化及動作深度變化,將在後續實施例中有完整說明。在步驟S260,處理模組120可將動作頻率變化與心肺復甦按壓頻率範圍比較並將動作深度變化與心肺復甦按壓深度範圍比較以產生判斷結果。最後,在步驟S280,處理模組120根據上述判斷結果透過輸出模組130輸出提示訊息。上述提示訊息可為音效、文字、語音、振動或閃爍或任何人類所能感知之訊息,然而本揭示文件並不僅限於此。
第3圖係依照本揭示文件一實施例中繪示之用於穿戴式裝置100之方法之細部流程圖。由於在偵測各加速度資料之頻率及深度可能會有些許誤差,為使得複數個加速度取樣為連續取樣資料且為了排除雜訊,第3圖提供加速度偵測模組110在偵測中排除極端值之機制,上述極端值可能為在儀器操
作產生之脈衝所造成。然而,在心肺復甦術中的按壓的頻率及深度亦可能產生變化。例如按壓的速度可能加快(頻率上升)或是按壓的力道更用力(深度增加),因此第3圖亦提供加速度偵測模組110在以偵測到的當前加速度資料(包含頻率及深度)取代先前加速度資料之機制。
如第3圖所示,在第2圖的步驟S220及S240間另可包含步驟S231至S235。參考第1圖至第3圖。在步驟S231,加速度偵測模組110重複地偵測加速度資料分別獲得複數個加速度取樣。從上述複數個加速度取樣取得平均加速度資料Am以作為連續複數個加速度取樣。複數個加速度取樣包含複數個歷史加速度取樣Ah以及當前加速度取樣Ac。在步驟S232,判定當前加速度取樣Ac與複數個歷史加速度取樣Ah之加速度差值Da(即|Ac-Ah|)是否大於門檻加速度差值Dth(即Da>Dth)。繼續進行步驟S233,使用計數器來計算在Da>Dth之情況下之連續的加速度取樣集合的數量N。在計數器中,數量N的初始值為0(即數量N=0),且設定門檻數量Nth。在數量N並未大於門檻數量Nth的情況下,所測得的當前加速度取樣Ac會視為極端值而排除,且計數器會將數量N往上加1(步驟S234)。繼續回到步驟S231至S232判定加速度差值Da是否大於門檻加速度差值Dth(即Da>Dth)。若繼續滿足Da>Dth,則數量N繼續往上增加。直到在步驟S233中,已超過Nth個加速度差值Da是大於門檻加速度差值Dth時(即N>Nth),則跳到步驟S235,使用當前加速度取樣集合測得之第二平均加速度資料代替上述之平均加速度資料,並將計數器歸零(即N=0)。
也就是說,透過第3圖所示的進一步步驟S231至S235,可以初步處理偵測加速度資料,將異常突升或突降的加速度取樣濾除,保留穩定的加速度取樣,以避免某些雜訊造成的異常加速度取樣影響了整體的加速度資料的平均結果。
第4圖係依據本揭示文件所偵測之加速度資料之波形圖,上述加速度資料是由加速度偵測模組110所偵測。參考第4圖,一般而言,當使用者進行CPR按壓時偵測到的加速度資料之波形會假設為一種週期性的正弦波。偵測第4圖加速度資料之波形的週期及深度的方法將在第5圖至第8圖說明。
以下敘述說明如何計算第4圖所示加速度資料之動作頻率。第5圖係根據本揭示文件所偵測之一個周期內加速度資料之波形圖範例。加速度偵測模組110偵測加速度資料可獲得加速度資料的波形,也就是如第4圖所示的加速度資料的波形變化,具有許多連續性的波形起伏(多個波峰及波谷),隨後在處理模組120基於如第4圖的加速度資料的波形提取CPR的動作頻率變化。
也就是說,處理模組120需在第4圖所示的加速度資料連續性的波峰與波谷中區分出每一個具有單個波峰及單個波谷的一個局部週期單元,一個局部週期單元的波形如第5圖所示。於一實施例中,處理模組120由第4圖所示的加速度資料提取第5圖所示的一個局部週期單元的做法如下。定義加速度資料對於時間的函數為加速度函數a(t),其中加速度函數a(t)為加速度資料的三個維度之分量的平方和(即a(t)=ax(t)2+ay(t)2+az(t)2)。界定參數A、B、C、D及E。參數A、B、C、
D及E是藉由機器學習(machine learning)的方式而選定。可藉由重複地用心肺復甦術按壓人體模特(manikin)來獲得上述參數。根據臨床實務經驗可得出參數[A,B,C,D,E]=[93,108,240,84,90]。以上數據僅為例示,然而本揭示文件並不僅限於此。
參考第5圖,以T1至T5為Tc5之前的連續五個加速度資料的取樣點,其中T1<T2<T3<T4<T5<Tc。可界定以下條件來偵測上述波形而得知動作頻率,將五個時間點T1至T5的加速度數值帶入函數a(t),可以分別得到五個時間點T1至T5的三維加速度平方和a(T1)、a(T2)、a(T3)、a(T4)及a(T5),接著將五個時間點的三個維度加速度平方和a(T1)、a(T2)、a(T3)、a(T4)及a(T5)分別與參數[A,B,C,D,E]進行比較,判斷五個時間點的三維加速度平方和a(T1)、a(T2)、a(T3)、a(T4)及a(T5)是否符合下列判斷條件:a(T1)<D,a(T2)>A,a(T3)>B,a(T4)<D且a(T5)<E。
a(T1)至a(T5)為在時間點Tc之前連續五個時間點的三維加速度平方和,Tc為當前時間點,且T1、T2、T3、T4、T5及Tc間為時間間隔相同的取樣時間點(一般而言,上述時間間隔會大於0.33秒)。
若符合上述判斷條件,代表時間點T1的三維加速度平方和較低,時間點T2的三維加速度平方和略為提高,時間點T3的三維加速度平方和更高(可能為區域高點),時間點T4的三維加速度平方和相對時間點T3略為降低,時間點T5的三維加速度平方和更為降低。也就是說,若上述判斷條件符
合,則可判斷T1至T5之間存在一個週期波的波峰,其波峰最高點大致落在時間點T3附近。可以記錄在時間點Tc的前五個取樣時間點中存在一個波峰。依此類推,可以對第4圖中的加速度資料的連續正弦波形,重複進行上述判斷,在每一個波峰之後,均可以得到一個相應的Tc。
對第4圖的加速度資料重複地執行第5圖的局部週期單元判斷,可以對應每個局部週期單元(均存在一個局部週期單元的波峰)先後獲得多個時間點Tc的,例如可執行第5圖的判斷可以在第4圖決定時間點Tc1及時間點Tc2其分別為作為一個局部週期單元的結束點。並將依據時間點Tc1及時間點Tc2之間的時間間隔判斷為一個局部週期單元的長度,可以由上述時間點Tc1及時間點Tc2之間的時間間隔的倒數,推算出加速度資料所對應的頻率。
繼續參考第4圖及第5圖,可藉由所偵測到相鄰之加速度函數之週期波的時間間隔來判定動作頻率(Fn=60/(Tc2-Tc1),Fn為最近測得之動作頻率,Tc2為當前時間,Tc1為先前時間,Tc1及Tc2的單位為秒)。由於獲得之相鄰的加速度函數之波峰的時間差可能會有些許誤差,為獲得較連續的動作頻率變化,在第k個時間輸出的動作頻率F(k)為最近測得之動作頻率Fn與在前一個時間(即(k-1))輸出的動作頻率F(k-1)之平均值(即動作頻率F(k)=(Fn+F(k-1))/2)。重複上述加速度資料之計算可獲得連續的動作頻率F(k)作為實際輸出。
第6圖係根據本揭示文件所偵測之一個週期內加
速度資料之另一波形圖範例。參考第6圖,與第5圖相似,可界定以下條件來偵測上述波形而得知頻率:a(T1)<D,a(T2)>C,a(T3)<D,a(T4)<E,a(T1)至a(T4)為在時間點Tc之前連續四個加速度資料,Tc為當前時間。可同時參考第4圖及第6圖並根據與第5圖類似之方式計算動作頻率變化,計算動作頻率變化之方法已於先前相關段落揭露,故在此不贅述。
在依據上述段落獲得動作頻率變化後,處理模組120可將動作頻率變化與已知的心肺復甦按壓頻率範圍比較而產生判斷結果。在此心肺復甦按壓頻率範圍可從臨床實務經驗得知,亦可根據被施以心肺復甦術急救之患者的身高、體重及/或性別而最適化調整。最後,處理模組120根據上述判斷結果透過輸出模組130輸出提示訊息。例如,在動作頻率超出心肺復甦按壓頻率範圍時,輸出模組130輸出「再慢一點」的語音訊息或顯示訊息;或是在動作頻率低於心肺復甦按壓頻率範圍時,輸出模組130輸出「再快一點」的語音訊息或顯示訊息。
以下敘述說明如何計算第4圖所示加速度資料之動作深度。一般而言,加速度偵測模組110偵測獲得的加速度資料會與動作深度呈正相關,且在CPR過程中,按壓的施力是向下的,所以需減去重力加速度的向量,因而用以下公式獲得與CPR按壓的動作深度相關之加速度向量a’,其中ax、ay及az為加速度偵測模組110偵測到的x、y及z三個方向之加速度分量,gx、gy及gz為x、y及z三個方向之重力加速度分量:
另外界定統計值M(t),可藉由處理模組120計算統計值M(t),公式如下:
在此,#t’為加速度資料個數,T為時間常數,實作上時間常數T為3至5秒,然而本揭示內容並不限於此。
第7A及7B圖展示動作深度與統計值隨時間變化之關係。第7A圖為動作深度隨時間之變化圖。第7B圖為統計值M(t)隨時間之變化圖。第7B圖同時繪示時間常數T為3、4及5秒時計算出的統計值M(t)(曲線703至705)。在第7A及7B圖中,假設CPR按壓的動作頻率以及動作深度為固定,動作深度為45mm,在第3秒時有稍微休息,在第4秒時繼續按壓。參考第7A圖,可明顯看出在第3至4秒間之深度為0。相對而言,在第7B圖中,顯然以時間常數T=3所計算出的統計值M(t)(曲線703)有相對明顯之波谷特徵。
第8A及8B圖展示動作深度與統計值隨時間變化之關係。第8A圖為動作深度隨時間之變化圖。第8B圖為統計值M(t)隨時間之變化圖。與第7B圖類似,第8B圖同時繪示時間常數T為3、4及5秒時計算出的統計值M(t)(曲線703至705)。在第7A及7B圖中,假設CPR按壓的動作頻率為固定,在第0~3秒時按壓的動作深度為45mm,在第3秒時動作深度突然降為30mm,並在第4.5秒時有稍微休息,再以30mm的動作深度繼續按壓。與第7A及7B的實例相似,在第8B圖中,亦是以時間常數T=3所計算出的統計值M(t)(曲線803)有相對
明顯之波谷特徵。
綜上所述,由第7A、7B、8A及8B圖,在時間常數T=3(曲線703及803)可獲得由統計值M(t)對應動作深度之最佳值。然而本揭示內容並不僅限於此。可藉由臨床實務經驗來獲得最佳的時間常數T。
在一實施例中,於處理模組120可藉由加速度偵測模組110偵測獲得的加速度資料以計算上述統計值M(t)對應之動作深度查找表來提取動作深度變化。然而本揭示內容並不僅限於此。
在依據上述段落獲得動作深度變化後,處理模組120可將動作深度變化與心肺復甦按壓深度範圍比較以產生判斷結果。在此心肺復甦按壓深度範圍可從臨床實務經驗得知,亦可根據被施以心肺復甦術急救之患者的身高、體重及/或性別而最適化調整。最後,處理模組120根據上述判斷結果透過輸出模組130輸出提示訊息。例如,在動作深度超出心肺復甦按壓深度範圍時,輸出模組130輸出「再小力一點」的語音訊息或顯示文字訊息;或是在動作深度低於心肺復甦按壓深度範圍時,輸出模組130輸出「再用力一點」的語音訊息或顯示文字訊息。
本揭示內容可應用於智慧型電子產品,例如智慧手環、智慧手錶、智慧袖套、智慧手套、智慧服飾或智慧戒指等任何適於量測心肺復甦術的按壓頻率及按壓深度之穿戴式裝置。然而本揭示內容並不限於此。使用者可依其需求將本揭示內容應用於各項電子產品。
Claims (10)
- 一種穿戴式裝置,包含:一加速度偵測模組,用以偵測該穿戴式裝置之一加速度資料,並重複地偵測該加速度資料以分別獲得複數個加速度取樣,且由該複數個加速度取樣取得一平均加速度資料,且其中該複數個加速度取樣包含複數個歷史加速度取樣以及一當前加速度取樣;一輸出模組;以及一處理模組,耦接該加速度偵測模組以及該輸出模組,用以從該加速度資料中提取該穿戴式裝置上的一動作頻率變化及一動作深度變化,該處理模組將該動作頻率變化與一心肺復甦按壓頻率範圍比較並將該動作深度變化與一心肺復甦按壓深度範圍比較以產生一判斷結果,且根據該判斷結果透過該輸出模組輸出一提示訊息。
- 如請求項1所述之裝置,其中若該當前加速度取樣與該複數個歷史加速度取樣之一加速度差值大於一門檻加速度差值,則於計算該平均加速度資料時排除該當前加速度取樣。
- 如請求項2所述之裝置,其中該加速度偵測模組連續偵測複數個當前加速度取樣作為一當前加速度取樣集合,若該當前加速度取樣集合之每一者與該複數個歷史加速度取樣之一加速度差值均大於該門檻加速度差值,且該加 速度取樣集合之一數量大於一門檻數量,則使用該當前加速度取樣集合測得之一第二平均加速度資料代替該平均加速度資料。
- 如請求項1所述之裝置,其中該處理模組由該加速度資料提取該穿戴式裝置上的該動作頻率變化及該動作深度變化是根據一計算模型,該計算模型是根據操作一心肺復甦動作時所收集的一加速度統計資料而建立。
- 如請求項1所述之裝置,其中該輸出模組產生之該提示訊息可為一音效、一文字、一語音、一振動或一閃爍。
- 一種用於穿戴式裝置之方法,包含:偵測該穿戴式裝置之一加速度資料;從該加速度資料中提取該穿戴式裝置上的一動作頻率變化及一動作深度變化;將該動作頻率變化與一心肺復甦按壓頻率範圍比較並將該動作深度變化與一心肺復甦按壓深度範圍比較以產生一判斷結果;以及根據該判斷結果輸出一提示訊息;其中重複地偵測該加速度資料分別獲得複數個加速度取樣,且由該複數個加速度取樣取得一平均加速度資料,且其中該複數個加速度取樣包含複數個歷史加速度取樣以及一當前加速度取樣。
- 如請求項6所述之方法,其中若該當前加速度取樣與該複數個歷史加速度取樣之一加速度差值大於一門檻加速度差值,則於計算該平均加速度資料時排除該當前加速度取樣。
- 如請求項7所述之方法,其中連續偵測複數個當前加速度取樣作為一當前加速度取樣集合,若該當前加速度取樣集合之每一者與該複數個歷史加速度取樣之一加速度差值均大於該門檻加速度差值,且該加速度取樣集合之一數量大於一門檻數量,則使用該當前加速度取樣集合測得之一第二平均加速度資料代替該平均加速度資料。
- 如請求項6所述之方法,其中由該加速度資料提取該穿戴式裝置上的該動作頻率變化及該動作深度變化是根據一計算模型,該計算模型是根據操作一心肺復甦動作時所收集的一加速度統計資料而建立。
- 如請求項6所述之方法,其中該提示訊息可為一音效、一文字、一語音、一振動或一閃爍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106117052A TWI623923B (zh) | 2017-05-23 | 2017-05-23 | 一種穿戴式裝置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106117052A TWI623923B (zh) | 2017-05-23 | 2017-05-23 | 一種穿戴式裝置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI623923B true TWI623923B (zh) | 2018-05-11 |
TW201901639A TW201901639A (zh) | 2019-01-01 |
Family
ID=62951469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106117052A TWI623923B (zh) | 2017-05-23 | 2017-05-23 | 一種穿戴式裝置及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI623923B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109172333A (zh) * | 2018-10-12 | 2019-01-11 | 冯美丽 | 一种数据处理方法及装置 |
CN109223503A (zh) * | 2018-10-09 | 2019-01-18 | 深圳市智城华业科技有限公司 | 测量心肺复苏按压深度的方法、装置、设备和存储介质 |
CN113593341A (zh) * | 2021-08-02 | 2021-11-02 | 徐州医科大学 | 一种基于动作捕捉系统的心肺复苏教学指导装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI508034B (zh) * | 2014-01-08 | 2015-11-11 | Ind Tech Res Inst | 心肺復甦術教學系統及方法 |
WO2016200202A2 (ko) * | 2015-06-12 | 2016-12-15 | 주식회사 크레도 | 흉부 압박을 보조하는 장치 및 그 방법 |
TWI564851B (zh) * | 2015-11-23 | 2017-01-01 | Interactive Cardiopulmonary Resuscitation Teaching Aids and Methods |
-
2017
- 2017-05-23 TW TW106117052A patent/TWI623923B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI508034B (zh) * | 2014-01-08 | 2015-11-11 | Ind Tech Res Inst | 心肺復甦術教學系統及方法 |
WO2016200202A2 (ko) * | 2015-06-12 | 2016-12-15 | 주식회사 크레도 | 흉부 압박을 보조하는 장치 및 그 방법 |
TWI564851B (zh) * | 2015-11-23 | 2017-01-01 | Interactive Cardiopulmonary Resuscitation Teaching Aids and Methods |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109223503A (zh) * | 2018-10-09 | 2019-01-18 | 深圳市智城华业科技有限公司 | 测量心肺复苏按压深度的方法、装置、设备和存储介质 |
CN109172333A (zh) * | 2018-10-12 | 2019-01-11 | 冯美丽 | 一种数据处理方法及装置 |
CN109172333B (zh) * | 2018-10-12 | 2021-04-13 | 冯美丽 | 一种数据处理方法及装置 |
CN113593341A (zh) * | 2021-08-02 | 2021-11-02 | 徐州医科大学 | 一种基于动作捕捉系统的心肺复苏教学指导装置 |
Also Published As
Publication number | Publication date |
---|---|
TW201901639A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI623923B (zh) | 一種穿戴式裝置及其方法 | |
Ermes et al. | Advancing from offline to online activity recognition with wearable sensors | |
JP5740285B2 (ja) | 歩行分析装置及び歩行分析プログラム | |
CN104215257B (zh) | 一种高精度、高去伪、并集成功耗管理的人体计步方法 | |
Ouchi et al. | Indoor-outdoor activity recognition by a smartphone | |
Suzuki et al. | Quantitative analysis of motor status in Parkinson’s disease using wearable devices: From methodological considerations to problems in clinical applications | |
JP6083799B2 (ja) | 携帯デバイスの携帯場所判定方法、携帯デバイス、携帯デバイスの携帯場所判定システム、プログラム及び情報記憶媒体 | |
Gindre et al. | Reliability and validity of the Myotest® for measuring running stride kinematics | |
JP6134872B1 (ja) | 対象の周期的な運動のサイクル数を計数するデバイス、方法及びシステム | |
US10285650B2 (en) | Heart monitoring device and method | |
JP2010274119A (ja) | 動作判別方法、コンピューター読み取り可能な記憶媒体、動作判別システムおよび体調査定方法 | |
Majumder et al. | A multi-sensor approach for fall risk prediction and prevention in elderly | |
JPWO2013114596A1 (ja) | 情報処理装置、代表波形生成方法および代表波形生成プログラム | |
CN107966161B (zh) | 基于fft的步行检测方法 | |
Fida et al. | Real time event-based segmentation to classify locomotion activities through a single inertial sensor | |
JP6479447B2 (ja) | 歩行状態判定方法、歩行状態判定装置、プログラム及び記憶媒体 | |
CN204033339U (zh) | 穿戴型电子感测装置 | |
Lueken et al. | Peak detection algorithm for gait segmentation in long-term monitoring for stride time estimation using inertial measurement sensors | |
JP6390783B2 (ja) | 食事時間推定方法及び食事時間推定装置 | |
JP6044670B2 (ja) | 歩行分析装置 | |
Mesanza et al. | Machine learning based fall detector with a sensorized tip | |
Zhang et al. | An automatic human fall detection approach using RGBD cameras | |
JP2014087622A (ja) | 運動量算出方法及びその装置 | |
Huynh et al. | Detection of activities daily living and falls using combination accelerometer and gyroscope | |
KR101713496B1 (ko) | 가속도 센서를 이용한 무지연 실시간 걸음검출 시스템 및 방법 |