TWI725673B - 狀態評估系統、診療系統及其操作方法 - Google Patents
狀態評估系統、診療系統及其操作方法 Download PDFInfo
- Publication number
- TWI725673B TWI725673B TW108146476A TW108146476A TWI725673B TW I725673 B TWI725673 B TW I725673B TW 108146476 A TW108146476 A TW 108146476A TW 108146476 A TW108146476 A TW 108146476A TW I725673 B TWI725673 B TW I725673B
- Authority
- TW
- Taiwan
- Prior art keywords
- subject
- image
- signal
- treatment
- diagnosis
- Prior art date
Links
Images
Abstract
一種狀態評估系統、診療系統及其操作方法,其中,利用共振模型將受測者的生理訊號轉換至一個定義的特徵影像,並利用分類模型依據至少一該特徵影像分析出該受測者的狀態資訊,以供分析模型依據該受測者的狀態資訊輸出該受測者的治療建議,並輔以AR投影裝置投影人體之穴道位置至該受測者身上,以方便依據該治療建議對該受測者進行治療。
Description
本發明係有關健康評估技術,尤指一種狀態評估系統、診療系統及其操作方法。
一般家中常見的健康量測儀器有血壓計、體重計、體溫計等,然而這些健康量測儀器僅提供實際量測到的數據,大多數的使用者並不具備醫療背景相關知識,故也就無法從這些量測到的數據中了解自己的健康狀態,因此,若想了解自己身體的健康狀態,必須到醫療診所或醫學中心等醫學機構進行健康檢查,以藉由醫護人員依據該健康檢查的報告來對受健康檢查者解說身體的健康狀態並給予治療建議。然而,健康檢查及醫護人員的診斷皆須花費大量的時間,而無法讓使用者接受健康檢查的同時,能夠即時得知自己的健康狀態。
因此,如何即時得知自己的健康狀態並進行治療,實已成目前亟欲解決的課題。
為解決上述問題,本發明提供一種狀態評估系統,係包括:訊號擷取裝置,係擷取受測者的生理訊號;以及評估裝置,係包含:共振模型,係將該生理訊號轉換至特徵影像;及分類模型,係依據至少一該特徵影像分類出該受測者的狀態資訊。
本發明另提供一種診療系統,係包括:訊號擷取裝置,係擷取受測者的生理;以及擴增實境設備(AR設備),係包含:共振模型,係將該生理訊號轉換至特徵影像;分類模型,係依據至少一該特徵影像分類出該受測者的狀態資訊;及分析模型,係依據該受測者的狀態資訊輸出該受測者的治療建議。
本發明復提供一種診療系統之操作方法,係包括:利用訊號擷取裝置擷取受測者的生理訊號;利用共振模型將該生理訊號轉換至特徵影像;利用分類模型依據至少一該特徵影像分類出該受測者的狀態資訊;以及利用分析模型依據該受測者的該狀態資訊輸出該受測者的治療建議。
由上可知,本發明透過共振模型可將受測者的生理訊號轉換至特徵影像,以利用分類模型對至少一該特徵影像分析出該受測者的狀態資訊以及利用分析模型產生對應該受測者的狀態資訊的治療建議,並輔以AR投影裝置投影人體之穴道位置至AR設備之顯示器中所顯示的該受測者的影像上以及紅外光裝置的紅外光將該受測者之血管顯示於體表上,以方便避開血管並依據該治療建議對該受測者進行治療。
以下藉由特定的具體實施例說明本發明之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知,本說明書所附圖式所繪示之結構、比例、大小等,均僅用以配合說明書所揭示之內容,以供熟悉此技藝之人士之瞭解與閱讀,並非用以限定本發明可實施之限定條件,故不具技術上之實質意義,任何結構之修飾、比例關係之改變或大小之調整,在不影響本發明所能產生之功效及所能達成之目的下,均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。
第1圖係本發明之狀態評估系統100之示意圖。如第1圖所示,狀態評估系統100係包括訊號擷取裝置1、影像擷取裝置2以及評估裝置3,其中,訊號擷取裝置1、影像擷取裝置2以及評估裝置3之間透過有線或無線方式連接並進行資料傳輸。以下請一併參閱第2圖。
訊號擷取裝置1係對受測者量測,以擷取受測者的生理訊號,其中,該生理訊號包含心跳訊號、呼吸訊號或血氧飽和度(Sp
O2
),該心跳訊號係可為心電圖(ECG,如第2圖中方框21所示),該呼吸訊號可為呼吸頻率圖(如第2圖中方框20所示),但不以此為限。
影像擷取裝置2係擷取受測者的面像影像或舌像影像,然後轉換成面像特徵影像或舌像特徵影像。舉例而言,面像特徵影像係包含臉部各個位置的像素資訊;舌像特徵影像係包含舌頭各個位置的像素資訊。
於一實施例中,該生理訊號可隨時間變化,例如方框20中呼吸頻率圖的波長為10秒(擷取受測者的呼吸頻率),而方框21中心電圖(Electrocardiography)的波長為1秒等(擷取受測者的心跳,QRS波群代表心臟跳動資訊);或者,擷取受測者的動脈脈搏訊號(arterial pulse)。所謂的特徵影像是指不隨時間變化的圖像,可為一維圖像、二維圖像或三維圖像,但不以此為限。在本實施例中,特徵圖像係以三維圖像(如第3A至3D圖所示)來作為範例說明,特徵圖像係由心跳訊號與該呼吸訊號耦合為心跳與呼吸的特徵影像。
評估裝置3係包含共振模型31及分類模型32,其中,共振模型31係將該生理訊號轉換成特徵影像,分類模型32係依據至少一該特徵影像分類出該受測者的狀態資訊。以下藉由第2圖說明共振模型31將生理訊號轉換至特徵影像之步驟順序。
共振模型31包含方框20、21、22、23、24、25、26等步驟。由於受測者的心跳訊號(方框21)及呼吸訊號(方框20)是隨時間連續變化的訊號,呼吸訊號(方框20)的原生頻率 (Protophase)為呼吸原生頻率θr
,並且隨時間以循環方式(cycle)進行震盪。同理,心跳訊號(方框21)的原生頻率為心跳原生頻率θe
,隨時間以循環方式進行震盪。進一步,分別將呼吸原生頻率θr
與心跳原生頻率θe
(頻率空間)轉換為以最大震幅為2π(一個完整週期,例如心跳訊號的兩個R波之間)且隨時間變化作圖(時間空間),如方框24上方為呼吸原生頻率θr
的振幅對時間作圖。進一步,分別將呼吸原生頻率θr
與心跳原生頻率θe
轉換為呼吸訊號的相位φr
以及心跳訊號的相位φe
。方框25代表震幅為2π且隨時間變化作圖,方框25上方為呼吸訊號相位φr
,方框25下方為心跳訊號的相位φe
。再者,利用公式(1)、(2)將兩個震盪系統進行耦合或相互作用,形成如方框26的特徵影像,其中,X軸與Y軸分別為呼吸訊號相位φr
以及心跳訊號的相位φe
,Z軸為公式(2)兩者耦合後的量值。綜言之,利用共振模型31將受測者的心跳訊號(方框21)或呼吸訊號(方框20)轉換成心跳原生頻率(方框23)或呼吸原生頻率(方框22),再讓兩個獨立震盪系統進行耦合,成為呼吸與心跳耦合且交互作用的3維特徵影像如方框26,以使分類模型32(方框27)能依據受測者的心跳與呼吸耦合的特徵影像、以及從影像擷取裝置2接收受測者的面像特徵影像或舌像特徵影像中的至少一特徵影像分析出該受測者的狀態資訊。於一實施例中,該分類模型32係為卷積神經網路(Convolutional Neural Networks,CNN)或支援向量機(Support Vector Machine, SVM),分類模型32藉由耦合後的3維特徵影像(方框26)、面像特徵影像或舌像特徵影像進行訓練,使得受測者的病徵與特徵影像進行對應,分類模型32能利用上述特徵影像判斷出受測者的狀態資訊,但不以此為限。而所謂受測者的狀態資訊,係指受測者的氣虛、氣實、氣正常、血虛、血實、血正常等狀態而言。要說明的是,分類模型32是以所收集來的臨床數據(經過共振模型31轉換為3維特徵影像)作為訓練資料而建立的病性分類模型,此病性分類模型可通過受測者的心跳、呼吸、面像或舌像特徵影像的輸入,來對受測者進行病性分類,例如有氣虛、氣實、氣正常、血虛、血實、血正常等分類,進而評估健康狀態。
共振模型31係以心肺做為模擬體內兩個自主振盪器作為分析基礎,推導公式可例如為下述公式(1)~(2),但本發明並不以此為限。其中,公式(1)~(2)中各參數可定義為:φ1
為心跳訊號的相位(等同φe
),φ2
為呼吸訊號的相位(等同φr
),q1
為心跳訊號的耦合係數(Coupling Coefficient),q2
為呼吸訊號的耦合係數,Q1
為心跳訊號的耦合函數(Coupling Function),Q2
為呼吸訊號的耦合函數,ω1
為心跳訊號的頻率,ω2
為呼吸訊號的頻率。心跳訊號的相位φ1
的微分等於心跳訊號的耦合函數Q1
。呼吸訊號的相位φ2
的微分等於呼吸訊號的耦合函數Q2
。當延伸至多項振盪器時,量測方法也相似。=(1)=(2)
以下詳述本發明所採用的振盪器量測理論方法。首先,本發明在量測時是以不同的觀測點測量不同的時間序列數值,例如以心電圖及手腕的脈搏跳動,或其他脈動點來作為觀測點。所測得的數值序列(呼吸頻率如方框20、心電圖訊號如方框21)可經由不同轉換方法來轉換成一個有頻率或相位變化的二維圖(由時域轉為頻域,呼吸原生頻率圖如方框22、心跳原生頻率圖如方框23,頻率f與相位φ可互相轉換,例如ω=2πf,ω乘上時間t,則等於相位),例如可經由希爾伯特轉換(Hilbert Transform)、小波轉換(Wavelet Transform)等。每一個觀測點的時間序列所轉換成的二維圖代表一個有限範圍的圖像,有限範圍是因為心肺的震盪頻率及週期有基本節奏及規律所致。例如,人體實際生理結構上,心臟有一個竇房結(Sinoatrial Node, SA Node)作為節律器(Pacemaker)來控制心臟的脈動。經轉換後所產生的二維圖,可以是週期性的有限範圍循環圖像,例如第2圖方框22所示的代表呼吸頻率的二維圖,或是方框23所示的代表ECG的二維圖,而此二維圖可稱為原生頻率 (Protophase, θ)。接著,可將方框22、23的二維圖改為方框24、25的表現形式,震幅為2π且隨時間變化作圖。
在一實施例中,希爾伯特轉換(Hilbert Transform)之方程式可例如由以下公式轉換:
由於不同的觀測點會產生不同的二維圖,原生頻率可經由一個映射(mapping)來求得原本內部振盪器的相位(Phase,),例如利用下列公式(3)計算內部原振盪器相位(Phase,),來得到第2圖中方框25所示之二維圖,其中,為虛部,為傅立葉級數係數,為。公式(3)係將原生頻率θ轉換為內部原振盪器相位,使用在方框24轉換為方框25的過程,分別將呼吸原生頻率θr
與心跳原生頻率θe
轉換為呼吸訊號的相位φr
以及心跳訊號的相位φe
。儘管不同的觀測點還原到內部振盪器相位,皆應可對應到一個接近的值,即接近原振盪器相位。
在內部原振盪器相位()之週期上,利用下列公式(4)進行內部原振盪器相位函數轉換,會得到一個3維圖像,之後可對此3維圖像進行比對與標記,利用公式(1)、(2)將兩個震盪系統進行耦合或相互作用,再利用公式(4)整理為一耦合函數。於本實施例中,此二維圖像可為心跳特徵影像、呼吸特徵影像的耦合函數(Coupling Function, Q(),此處等同上述心跳訊號的相位φ1 ,等同上述呼吸訊號的相位φ2 ),例如第2圖中方框26所示的3維圖,其中,心跳訊號的原振盪器相位,為呼吸訊號的原振盪器相位,為時間係數,為訊號係數,為心跳訊號相位化後的時間序列,為呼吸訊號相位化的時間序列。(4)
受測者的心跳訊號或呼吸訊號經由共振模型31進行上述振盪器量測理論方法,能轉換成如第2圖中方框26所示或第3A至3D圖所示的特徵影像(心跳訊號與呼吸訊號耦合為心跳與呼吸的耦合函數,再將耦合函數繪成特徵影像,故特徵影像為心跳與呼吸耦合且交互作用的影像),第3A至3B圖為從原生頻率所得的耦合函數(未經公式(3)轉換,橫軸為呼吸與心跳原生頻率θ1
、θ2
,縱軸為原生頻率耦合函數F(θ1
+θ2
)),而第3C至3D圖為經映射轉換為相位後所得的耦合函數(經公式(1)、(2)、(3)轉換,橫軸為呼吸與心跳相位φ1
、φ2
,縱軸為耦合函數)。此特徵影像可具體描述中醫中所謂的「證」的空間分佈,而有別於西醫傳統量測僅求取平均數值。本發明係藉由此特徵影像來作不同的分群(Clustering)或標記(Labeling),進而達成「證」空間分佈的顯示,例如可進入第2圖中所示的方框27來使用分類模型,以對特徵影像進行分群或標記。例如,弱(weak)、較輕(light)、輕(mild)、中(medium)、平均(average)、重(strong)、超過(over)等參數來對特徵影像進行分類(如分類成虛、正常、實三種狀態),但並不以此為限。
在中醫系統中,對於左右或不同點的量測,代表著不同臟腑的關係,而不同量測點之間的變化差異,都可對應不同的病理機制,例如心跳訊號可對應到中醫的「血」,呼吸訊號可對應到中醫的「氣」。也就是說可以用不同的觀察點測量到的差異性,在不同的震盪器相位空間中清楚顯示不同點的分佈,而所觀察到的耦合函數足以量化出氣血的空間差異。氣與血在相位空間中,可視為不同振盪器的相位函數的空間。亦即,此特徵影像可對「氣」、「血」兩個指標判斷虛、正常、實三種狀態,以進一步評估身體所具有的「證」。因此,方框27中的分類模型可將特徵影像分類成氣虛、氣實、氣正常、血虛、血實、血正常等類別,但並不以此為限。
第3A至3D圖是根據前述流程所計算出的特徵影像,做為後續病性分類模型(卷積神經網路(CNN)、支援向量機(SVM) )來達到分群、分類的效果。而如何決定分類及分群的結果,可以依據分類模型所計算出的向量來做相似性量測(Similarity Measurement) ,其中最基本的方法就是計算向量之間的歐幾里得距離 (Euclidean distance),將距離小的輸出列為同一類別/群。若是單純使用分群演算法,可以使用例如 k-平均演算法 (K-means Clustering) 來將模型輸出向量做分群。標記的部份,是在收集資料的階段與醫療院所/醫師合作收集臨床數據,依照機器學習 (Machine Learning) 模型建立流程,以臨床數據作為訓練資料 (Training Data),以利後續建立病性分類模型使用。
第4圖係本發明之診療系統200之示意圖。如第4圖所示,診療系統200係包括訊號擷取裝置1、AR(Augmented Reality)設備4以及治療裝置5,其中,訊號擷取裝置1、擴增實境(AR)設備4以及治療裝置5之間透過有線或無線方式連接並進行資料傳輸。診療系統200中的訊號擷取裝置1與前述狀態評估系統100中的訊號擷取裝置1相同,於此不再贅述。
AR設備4包含共振模型31、分類模型32、分析模型33、修正模型34、影像擷取裝置2、投影裝置35、紅外光裝置36及顯示器37,其中,AR設備4中的各該模型以及各該裝置之間透過有線或無線方式連接並進行資料傳輸。診療系統200中的共振模型31、分類模型32、影像擷取裝置2與前述狀態評估系統100中的的共振模型31、分類模型32、影像擷取裝置2相同,於此不再贅述。
分析模型33係從分類模型32取得受測者的狀態資訊,以依據受測者的狀態資訊輸出受測者的治療建議以及評估治療結果。於一實施例中,分析模型33所輸出受測者的治療建議係為須治療的穴道,但不以此為限。例如,氣虛時建議診療穴道為足三里、氣海、關元,血虛時建議診療穴道為三陰交、太谿,氣實時建議診療穴道為太衝、行間,血實時建議診療穴道為血海、曲池。
投影裝置35係將人體之穴道位置投影至AR設備4之顯示器37中所顯示的該受測者的影像上,以供使用者配戴該AR設備4時,可從顯示器37中看到受測者的影像與人體之穴道位置相互疊合的影像,俾利使用者可藉由此穴道位置來對受測者進行穴道治療。
紅外光裝置36係將紅外光照射至該受測者身上,以利用紅外光對紅血球吸收波長差異的特性,來顯示血管在該受測者之體表的位置,以利於使用者在對受測者進行穴道治療時可避開血管位置。
治療裝置5係依據該治療建議對該受測者進行治療。於一實施例中,當治療裝置5為電刺激裝置時,則對該治療建議中之須治療的穴道進行電刺激,但不以此為限。
當治療裝置5依據該治療建議對該受測者進行治療時,訊號擷取裝置1或影像擷取裝置2持續擷取受測者於治療中的心跳訊號、呼吸訊號、血氧飽和度、面像影像或舌像影像,共振模型31持續將受測者於治療中的心跳訊號轉換成心跳特徵影像,或將呼吸訊號轉換成呼吸特徵影像(如第2圖所示的流程),分類模型32持續依據受測者於治療中的至少一特徵影像產生該受測者的狀態資訊。
此時,修正模型34依據分類模型32分類出該受測者的狀態資訊,判斷是否修正分析模型33所輸出該受測者的治療建議。
例如,分析模型33產生的治療建議是利用治療裝置5對受測者的某一穴道進行功率5W的電刺激的治療,而預先評估治療結果是呼吸頻率為每分鐘14次,此時,可利用投影裝置35將人體之穴道位置投影至AR設備4之顯示器37中所顯示的該受測者的影像上,以及利用紅外光裝置36將該受測者之血管顯示於體表上,以方便避開血管進行穴道治療,當分類模型32在該受測者於治療階段中,所分析出該受測者的狀態資訊並未達到分析模型33一開始評估治療結果的呼吸頻率為每分鐘14次時,修正模型34則會將分析模型33產生的原始功率修正到符合該評估治療結果的功率,但不以此為限。
於一實施例中,AR設備4係為頭戴式裝置,如第5圖所示的眼鏡,投影裝置35、紅外光裝置36、與影像擷取裝置2配置於眼鏡上,此時顯示器37可作為鏡片,其中,該眼鏡提供該受測者或治療者穿戴,當該受測者穿戴該眼鏡時,該受測者(如病患)可利用治療裝置5並輔以AR設備4之功能對自己治療,當治療者(如醫師)穿戴該眼鏡時,則利用治療裝置5並輔以AR設備4之功能對該受測者治療,但不以此為限。
第6圖係本發明之診療系統之操作方法之步驟流程圖。如第6圖所示,該方法係包括下列執行步驟:
在步驟S1中,擷取受測者的生理資訊,其中,該生理資訊包含生理訊號(如心跳訊號與呼吸訊號)、血氧飽和度、面像影像或舌像影像,其中,該心跳訊號、呼吸訊號及血氧飽和度係由訊號擷取裝置1擷取,該面像影像以及舌像影像係由影像擷取裝置2擷取。
在步驟S11中,係對心跳訊號、呼吸訊號或血氧飽和度進行訊號轉換(即共振模型31計算),其中,利用共振模型31將生理訊號轉換成特徵影像。例如心跳訊號與呼吸訊號耦合為心跳與呼吸耦合後的特徵影像(步驟S2)。詳細轉換過程已於前述,於此不再贅述。要說明的是,面像影像及舌像影像可由影像擷取裝置2轉換成面像特徵影像及舌像特徵影像,故不需要再經步驟S11。
在步驟S3中,進行狀態分析,其中,利用分類模型32依據至少一該特徵影像分析出該受測者的狀態資訊,分類模型32例如為卷積神經網路或支援向量機,來對特徵影像進行分群或標記(例如中醫的「證」中的虛、正常、實等)。
在步驟S4中,提出治療建議,其中,利用分析模型33從分類模型32取得受測者的狀態資訊,以依據受測者的狀態資訊輸出受測者的治療建議以及評估治療結果。
在步驟S5中,進行治療,其中,利用治療裝置5依據該治療建議對該受測者進行治療,治療裝置5例如為電刺激裝置。
於一實施例中,該步驟S5更包括先利用投影裝置35將人體之穴道位置投影至擴增實境設備之顯示器中的該受測者的影像上,以及利用紅外光裝置36係將紅外光照射至該受測者身上,用以顯示血管在該受測者之體表的位置,再透過治療裝置5依據該治療建議對該受測者進行治療,但不以此為限。
在步驟S6中,修正治療建議,其中,於治療階段進行該步驟S1~步驟S3,並利用修正模型34,係於該受測者依據該治療建議進行治療時,依據步驟S3所分析出該受測者的狀態資訊,修正分析模型33所輸出該受測者的治療建議。
由上可知,本發明透過共振模型可將受測者的生理訊號轉換成特徵影像,以利用分類模型對至少一該特徵影像分析出該受測者的狀態資訊以及利用分析模型產生對應該受測者的狀態資訊的治療建議,並輔以AR投影裝置投影人體之穴道位置至擴增實境設備之顯示器中該受測者的影像上,以及紅外光裝置的紅外光將該受測者之血管顯示於體表上,以方便避開血管並依據該治療建議對該受測者進行治療。
上述實施形態僅例示性說明本發明之原理及其功效,而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下,對上述實施形態進行修飾與改變。因此,本發明之權利保護範圍,應如後述之申請專利範圍所列。
1:訊號擷取裝置
2:影像擷取裝置
3:評估裝置
4:AR設備
5:治療裝置
20-27:方框
31:共振模型
32:分類模型
33:分析模型
34:修正模型
35:投影裝置
36:紅外光裝置
37:顯示器
100:狀態評估系統
200:診療系統
S1~S6、S11:步驟
第1圖係本發明之狀態評估系統之示意圖;
第2圖係本發明之狀態評估系統中產生特徵影像之流程示意圖;
第3A至3D圖係本發明之特徵影像之示意圖;
第4圖係本發明之診療系統之示意圖;
第5圖係本發明之AR設備之示意圖;以及
第6圖係本發明之診療系統之操作方法之步驟流程圖。
1:訊號擷取裝置
2:影像擷取裝置
3:評估裝置
31:共振模型
32:分類模型
100:狀態評估系統
Claims (21)
- 一種狀態評估系統,係包括:訊號擷取裝置,係擷取受測者的生理訊號;以及評估裝置,係包含:共振模型,係將該生理訊號轉換至特徵影像;及分類模型,係依據至少一該特徵影像分類出該受測者的狀態資訊,其中,該共振模型係將該生理訊號依序計算得到原生頻率、內部原振盪器相位及耦合函數,並將該耦合函數作為該特徵影像。
- 如申請專利範圍第1項所述之狀態評估系統,其中,該生理訊號包含心跳訊號或呼吸訊號,且該共振模型將該心跳訊號與該呼吸訊號耦合為心跳與呼吸耦合後的特徵影像。
- 如申請專利範圍第1項所述之狀態評估系統,更包括:影像擷取裝置,係擷取該受測者的面像影像或舌像影像,以進一步轉換成面像特徵影像或舌像特徵影像。
- 如申請專利範圍第1項所述之狀態評估系統,其中,該分類模型係為卷積神經網路或支援向量機。
- 一種診療系統,係包括:訊號擷取裝置,係擷取受測者的生理訊號;以及擴增實境設備,係包含:共振模型,係將該生理訊號轉換至特徵影像; 分類模型,係依據至少一該特徵影像分類出該受測者的狀態資訊;及分析模型,係依據該受測者的狀態資訊輸出該受測者的治療建議;其中,該共振模型係將該生理訊號依序計算得到原生頻率、內部原振盪器相位及耦合函數,並將該耦合函數作為該特徵影像。
- 如申請專利範圍第5項所述之診療系統,其中,該生理訊號包含心跳訊號或呼吸訊號,且該共振模型將該心跳訊號與該呼吸訊號耦合為心跳與呼吸耦合後的特徵影像。
- 如申請專利範圍第5項所述之診療系統,其中,該擴增實境設備更包含:影像擷取裝置,係擷取該受測者的面像影像或舌像影像,以進一步轉換成面像特徵影像或舌像特徵影像。
- 如申請專利範圍第5項所述之診療系統,其中,該分類模型係為卷積神經網路或支援向量機。
- 如申請專利範圍第5項所述之診療系統,其中,該擴增實境設備更包含:投影裝置,係將人體之穴道位置投影至該擴增實境設備之顯示器中所顯示的該受測者的影像上。
- 如申請專利範圍第5項所述之診療系統,其中,該擴增實境設備更包含: 紅外光裝置,係將紅外光照射至該受測者身上。
- 如申請專利範圍第5項所述之診療系統,更包含:治療裝置,係依據該治療建議對該受測者進行治療。
- 如申請專利範圍第11項所述之診療系統,其中,該治療裝置係為電刺激裝置。
- 如申請專利範圍第5項所述之診療系統,該擴增實境設備更包含:修正模型,係於該受測者依據該治療建議進行治療時,依據該分類模型分類出該受測者的該狀態資訊,修正該分析模型所輸出該受測者的該治療建議。
- 一種診療系統之操作方法,係包括:利用訊號擷取裝置擷取受測者的生理訊號;利用共振模型將該生理訊號轉換至特徵影像;利用分類模型依據至少一該特徵影像分類出該受測者的狀態資訊;以及利用分析模型依據該受測者的該狀態資訊輸出該受測者的治療建議;其中,該共振模型係將該生理訊號依序計算得到原生頻率、內部原振盪器相位及耦合函數,並將該耦合函數作為該特徵影像。
- 如申請專利範圍第14項所述之診療系統之操作方法,其中,該生理訊號包含心跳訊號或呼吸訊號,以利用該共振模型將該心跳訊號與該呼吸訊號耦合為心跳與呼吸耦合後的特徵影像。
- 如申請專利範圍第14項所述之診療系統之操作方法,更包括:利用影像擷取裝置擷取該受測者的面像影像或舌像影像,以進一步轉換成面像特徵影像或舌像特徵影像。
- 如申請專利範圍第14項所述之診療系統之操作方法,更包括:利用投影裝置將人體之穴道位置投影至擴增實境設備之顯示器中所顯示的該受測者的影像上。
- 如申請專利範圍第17項所述之診療系統之操作方法,更包括:利用紅外光裝置將紅外光照射至該受測者身上。
- 如申請專利範圍第14項所述之診療系統之操作方法,更包括:利用治療裝置依據該治療建議對該受測者進行治療。
- 如申請專利範圍第19項所述之診療系統之操作方法,其中,該治療裝置係為電刺激裝置。
- 如申請專利範圍第14項所述之診療系統之操作方法,更包括: 於該受測者依據該治療建議進行治療時,利用修正模型依據該分類模型分類出該受測者的該狀態資訊,修正該分析模型所輸出該受測者的該治療建議。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/720,249 US11564633B2 (en) | 2018-12-21 | 2019-12-19 | State assessment system, diagnosis and treatment system, and method for operating the diagnosis and treatment system |
CN201911330502.XA CN111353972B (zh) | 2018-12-21 | 2019-12-20 | 状态评估系统、诊疗系统及其操作方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862783300P | 2018-12-21 | 2018-12-21 | |
US62/783,300 | 2018-12-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202025177A TW202025177A (zh) | 2020-07-01 |
TWI725673B true TWI725673B (zh) | 2021-04-21 |
Family
ID=73005006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108146476A TWI725673B (zh) | 2018-12-21 | 2019-12-18 | 狀態評估系統、診療系統及其操作方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI725673B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100488448C (zh) * | 2007-01-10 | 2009-05-20 | 赵峰 | 一种立体影像心电图仪及实现方法 |
CN105615831A (zh) * | 2015-12-18 | 2016-06-01 | 李占和 | 医学影像全息ar显示系统 |
CN106251381A (zh) * | 2016-07-29 | 2016-12-21 | 上海联影医疗科技有限公司 | 图像重建方法 |
TW201742597A (zh) * | 2016-05-31 | 2017-12-16 | Yonglin Biotech Corp | 生理信號感測裝置 |
US20180300919A1 (en) * | 2017-02-24 | 2018-10-18 | Masimo Corporation | Augmented reality system for displaying patient data |
-
2019
- 2019-12-18 TW TW108146476A patent/TWI725673B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100488448C (zh) * | 2007-01-10 | 2009-05-20 | 赵峰 | 一种立体影像心电图仪及实现方法 |
CN105615831A (zh) * | 2015-12-18 | 2016-06-01 | 李占和 | 医学影像全息ar显示系统 |
TW201742597A (zh) * | 2016-05-31 | 2017-12-16 | Yonglin Biotech Corp | 生理信號感測裝置 |
CN106251381A (zh) * | 2016-07-29 | 2016-12-21 | 上海联影医疗科技有限公司 | 图像重建方法 |
US20180300919A1 (en) * | 2017-02-24 | 2018-10-18 | Masimo Corporation | Augmented reality system for displaying patient data |
Also Published As
Publication number | Publication date |
---|---|
TW202025177A (zh) | 2020-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reyes et al. | Tidal volume and instantaneous respiration rate estimation using a volumetric surrogate signal acquired via a smartphone camera | |
Thomas et al. | BioWatch: A noninvasive wrist-based blood pressure monitor that incorporates training techniques for posture and subject variability | |
Ravichandran et al. | RespNet: A deep learning model for extraction of respiration from photoplethysmogram | |
Leelaarporn et al. | Sensor-driven achieving of smart living: A review | |
CN111353972B (zh) | 状态评估系统、诊疗系统及其操作方法 | |
CN109414204A (zh) | 用于确定针对对象的呼吸信息的方法和装置 | |
WO2019173237A1 (en) | Systems, devices, and methods for tracking and analyzing subject motion during a medical imaging scan and/or therapeutic procedure | |
US20170055878A1 (en) | Method and system for respiratory monitoring | |
WO2019140155A1 (en) | Systems, devices, and methods for tracking and/or analyzing subject images and/or videos | |
CN113647939B (zh) | 一种针对脊柱退行性疾病的人工智能康复评估与训练系统 | |
KR101576526B1 (ko) | 재활운동 지원 장치 및 방법 | |
WO2022246987A1 (zh) | 一种基于血流动力学的数字人体心血管系统的构建方法和应用 | |
JP7337393B2 (ja) | 非侵襲性インピーダンスベースの呼吸量監視によって取得される連続的に監視された周期性呼吸フローボリュームループ(tbfvl)を計算し表示するデバイスおよび方法 | |
Hersek et al. | A globalized model for mapping wearable seismocardiogram signals to whole-body ballistocardiogram signals based on deep learning | |
D’Mello et al. | Autocorrelated differential algorithm for real-time seismocardiography analysis | |
JP2023502854A (ja) | 電気インピーダンス断層撮影を用いた心肺機能モニタリング方法及びシステム | |
Soliman et al. | Toward wearable estimation of tidal volume via electrocardiogram and seismocardiogram signals | |
US11298290B2 (en) | Systems, devices, and methods for monitoring and modulation of therapeutic procedures | |
TWI725673B (zh) | 狀態評估系統、診療系統及其操作方法 | |
Pechprasarn et al. | Estimation of respiratory rate from smartphone's acceleration data | |
US20180249914A1 (en) | Human health detection system | |
CN108903912A (zh) | 一种幼儿健康状态监测装置及方法 | |
LIU et al. | Artificial intelligence rehabilitation evaluation and training system for degeneration of joint disease | |
Bao et al. | Study on heartbeat information acquired from pressure cushion based on body sensor network | |
TWI769860B (zh) | 指壓治療輔助系統及其方法 |