TWI726352B - 非直接接觸式生理與活動訊號監測方法 - Google Patents

Abstract

一種非直接接觸式生理與活動訊號監測方法，適用於一長照輔助系統。長照輔助系統包括一裝置主體及一氣墊床。裝置主體可以感測氣墊床內部的氣壓變化，以產生氣壓訊號。裝置主體提供一第一操作模式及一第二操作模式。在第一操作模式下，裝置主體讀取氣壓訊號，以供同時運行一呼吸檢測演算法及一姿態辨識演算法。在第二操作模式下，裝置主體讀取拍痰聲的聲音訊號，以供運行一拍痰手勢判斷演算法。本方法無需對病患進行攝影且無需裝設任何感測器在病患身上，即可達到呼吸檢測、姿態辨識及輔助拍痰等功能，可兼顧病患的舒適及隱私。

Description

非直接接觸式生理與活動訊號監測方法

本發明與一種非直接接觸式生理與活動訊號監測方法有關，特別是與一種用來監測呼吸、臥床姿態變化及拍痰手勢正確性的方法有關。

世界衛生組織(World Health Organization，WHO)聲明在2050年後，全球將會有20%的人口年齡高於60歲，意味著長期照護的需求將與日俱增。尤其是對於無法自由行動的長期臥床病患，照顧者必須付出更多的時間及醫療成本。長期臥床病患除了可能在睡眠中發生呼吸中止或心跳驟停的情況，也容易因長期沒有翻身而導致壓瘡。此外，長期臥床病患通常免疫力較低，因此容易感染肺炎等呼吸道疾病。

經調查發現，睡眠中發生呼吸中止或心跳驟停已經不是個案，它極大程度地威脅著人們的身體健康。長期臥床病患因壓瘡而致死的比率高達50%以上。此外，長期臥床病患若有肺炎、慢性阻塞性肺病、呼吸衰竭等疾病，常有呼吸困難、濃痰多又咳不出來的現象。痰液蓄積在呼吸道，除了容易咳嗽外，有時更可能塞住呼吸道而造成缺氧的危險。因此，持續地監控長期臥床病患的姿勢及呼吸，並且在照顧者對病患進行拍痰時隨時提供輔助是有必要的。

然而，傳統對於長期臥床病患的監測方法是屬於接觸式的方法，其需要在病患身上加裝感測器或是穿戴式裝置，並且大多是針對呼吸、心跳、血壓等項目進行監測，缺少對病患臥床姿勢的監測。傳統的方法雖然能獲得較高的資料準確率，但易造成病患不舒服，而且有電池更換等問題，因此不適合用於長期監測。

近年來，非接觸式監測方法被提出，透過一高解析度攝影機，擷取特定身體部位的連續影像來偵測皮下組織內血管的搏動訊號，或是搭配影像分析技術來辨識病患的臥床姿勢，並於危險發生時提出警示通知照護者。習知的非接觸式監測方法雖然具有高舒適性與便利性，且可用於呼吸與姿勢的監測，但攝影內容卻可能涉及病患隱私問題，且容易受到環境影響量測的準確率，例如病患衣服顏色、光線變化等。

在輔助拍痰方面，一般僅是以人為方式在平時對照顧者加強教育訓練，或是利用高頻震盪拍痰機來輔助拍痰。然而，平時的教育訓練並無法在臨床上提供自動且即時地拍痰手勢正確性辨識，而高頻震盪拍痰機並不是普及化的設備。

有鑑於此，若能將呼吸檢測、姿態監測及輔助拍痰的功能整合至同一裝置中，應更具實用性及普及性。

本發明之一目的在於提供一種非直接接觸式生理與活動訊號監測方法，將呼吸檢測、姿態監測及輔助拍痰功能整合至同一長照輔助系統中，無需穿戴任何感測器於病患身上，適用於長期監測，並能兼顧病患的舒適性、 便利性及其隱私。

為了達到上述目的，本發明提供一種非直接接觸式生理與活動訊號監測方法。首先，提供一長照輔助系統，具有一第一操作模式及一第二操作模式，長照輔助系統包括一微控制器、一氣壓感測模組、一聲音感測模組及一氣墊床。微控制器電性連接於氣壓感測模組及聲音感測模組，並提供一第一演算法、一第二演算法及一第三演算法。第一演算法用以取得一呼吸率；第二演算法用以取得病患之一當前姿態；第三演算法用來判斷一拍痰手勢是否正確。氣墊床包括至少一氣壓管其連接於氣壓感測模組。當一病患躺在氣墊床上，氣壓感測模組藉由氣壓管而感測氣墊床內部的氣壓變化，進而產生一氣壓訊號。當一照顧者對病患進行拍痰，聲音感測模組感測拍痰聲，而產生一聲音訊號。當進入第一操作模式，微控制器讀取氣壓訊號，以供同時運行第一演算法及第二演算法。隨後可選擇是否要從第一操作模式切換至第二操作模式；若切換至第二操作模式，微控制器讀取聲音訊號，以供運行第三演算法。

在一實施例中，第二演算法先判斷一病患是否翻身，若判斷病患在翻身，則隨後取得病患之當前姿態。

在一實施例中，第一演算法僅對氣壓訊號的交流成分進行數位濾波，並且第二演算法係對氣壓訊號的交流成分及直流成分進行數位濾波。

在一實施例中，氣壓管的數目為複數，氣壓感測模組產生複數不同的氣壓訊號分別對應該複數氣壓管，複數氣壓訊號中的交流成分經數位濾波後形成複數交流訊號，其中第一演算法包括：儲存該複數交流訊號，並且持續儲存的時間達到一特定時間長度；比較每一交流訊號在特定時間長度內的峰值數量，以設定一最小峰值數量；從該複數交流訊號各自取出至少一峰值，所 取的峰值的數目等於最小峰值數量；將所取的峰值大小的總和進行比較，以從該複數氣壓訊號中選出一最佳氣壓訊號；以及記錄最佳氣壓訊號在特定時間長度內的所有峰值及其時間點位；據此，計算此最佳氣壓訊號中相鄰兩峰值之間的時間區間，可得呼吸一次的時間，最後將60除上此時間即可獲得每分鐘的呼吸率。

在一實施例中，第二演算法的步驟包括：對數位濾波後的交流訊號進行微分，以得到一第一微分值；判斷第一微分值是否大於一第一閾值；以及若第一微分值大於第一閾值，則判斷病患在翻身。接著，將判斷第一微分值大於第一閾值的時間點定義為一參考時點；紀錄參考時點之前的一第一時間區間及之後的一第二時間區間內每一氣壓訊號經數位濾波後所得的一交流訊號值及一直流訊號值；以及將來自同一氣壓訊號在同一時間點的交流訊號值及直流訊號值相乘，以得到一能隨氣墊床的充放氣變化而動態調整的點乘結果訊號，並將此點乘結果訊號進行特徵擷取，再將所擷取特徵資料運行機器學習的降維演算法而產生一降維後的特徵資料，將此降維後的特徵資料運行分類演算法，可得病患當前姿態。

在一實施例中，第三演算法包括：將聲音訊號進行數位濾波以將其頻率限制在一預定頻率範圍，以產生一濾波後聲音訊號；對此濾波後聲音訊號進行微分，以得到一第二微分值；提供一第二閾值；判斷第二微分值是否大於第二閾值；若第二微分值大於第二閾值，則判斷照顧者正在對病患拍痰，反之，則進行下一次微分；將判斷第二微分值大於第二閾值的時間點定義為一第二參考時點；接著，紀錄第二參考時點附近固定筆數的濾波後聲音訊號，並將此固定筆數的濾波後聲音訊號進行快速傅立葉轉換成一頻域訊號，並對頻域 訊號進行特徵擷取，再將所擷取的第二特徵資料運行機器學習的分類演算法，可得拍痰手勢的一正確性判斷結果

以本發明之方法做為基礎，長照輔助系統可進一步提供更多附加功能，例如：在病患維持同一姿態超過一預定時間時，透過一警報模組發出聲響通知照顧者需替病患進行翻身，或是進一步提供翻身輔助教學、查詢照顧者替病患翻身的狀況，或是提供照顧者查看病患是否曾發生生理上或姿態上的異常，例如：呼吸過慢、擾動及不良姿態。

100:長照輔助系統

120:裝置主體

121:顯示介面

122:微控制器

123:第一資訊框

124:氣壓感測模組

125:第二資訊框

126:聲音感測模組

127:第三資訊框

128:警報模組

140:氣墊床

142、144、146:氣壓管

S30~S32:長照輔助系統的操作流程

M1:病患監控模式

M2:輔助拍痰模式

P2、P4、P6:氣壓訊號

PA2、PA4、PA6:氣壓訊號中的交流成分

PD2、PD4、PD6:氣壓訊號中的直流成分

PF2、PF4、PF6:數位濾波後的交流訊號

PK2、PK4、PK6:最佳峰值的時間點位

PM2、PM4、PM6:點乘結果訊號

PN2、PN4、PN6:訊號

R、G、BL、BK、Y:群

S40:呼吸檢測及姿態辨識演算法的開始步驟

S41A~S49A:呼吸檢測演算法的步驟

S41B~S49B:姿態辨識演算法的步驟

S50:拍痰手勢判斷演算法的開始步驟

S51~S58:拍痰手勢判斷演算法的步驟

圖1是本發明之一實施例的長照輔助系統架構示意圖。

圖2是本發明之一實施例的長照輔助系統的安裝示意圖

圖3是本發明之一實施例的非直接接觸式生理與活動訊號監測方法應用於長照輔助系統的操作流程。

圖3A是本發明之一實施例的顯示介面示意圖。

圖3B是在輔助拍痰模式下的顯示畫面示意圖。

圖4是本發明之一實施例的呼吸檢測及姿態辨識演算法的流程圖

圖4A及圖4B顯示數位濾波前後的氣壓訊號變化。

圖4C是將圖4B中三通道濾波後的交流訊號運行呼吸檢測演算法的結果圖。

圖4D是將找到的最佳峰值的時間點位標記至圖4A的結果。

圖4E是姿態變換時所造成的氣壓訊號的交流成分及直流成分。

圖4F是將氣壓訊號的交流成分進行正規化及點乘的結果。

圖4G是本發明之一實施例的特徵擷取結果。

圖4H是本發明之一實施例的姿態分類結果。

圖5是本發明之一實施例的拍痰手勢判斷演算法流程圖。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之一較佳實施例的詳細說明中，將可清楚的呈現。以下實施例中所提到的方向用語，例如：上、下、左、右、前或後等，僅是用於參照隨附圖式的方向。因此，該等方向用語僅是用於說明並非是用於限制本發明。

圖1是本發明之一實施例的長照輔助系統100架構示意圖。長照輔助系統100包括一裝置主體120，其連接一氣墊床140，用以實現本發明之非直接接觸式的生理與活動訊號監測方法。裝置主體120包括一搭載顯示介面的微控制器122、一氣壓感測模組124、一聲音感測模組126及一警報模組128。微控制器122電性連接於氣壓感測模組124、聲音感測模組126及警報模組128。

圖2為長照輔助系統100的安裝示意圖。在本實施例中，氣壓感測模組124具有三個通道；聲音感測模組126包括一麥克風；警報模組128包括一蜂鳴器。為了偵測氣墊床140因病患之呼吸與翻身所造成的氣壓變化，將氣墊床140靠近病患胸部之三個軟質氣壓管142、144及146引出後連接至氣壓感測模組124的三個通道。當一病患躺在氣墊床140上，氣壓感測模組124藉由三個通道分別感測三氣壓管142、144及146內部的氣壓變化，每一通道對應地產生一氣壓訊號。聲音感測模組126黏貼於床頭。當一照顧者對該病患進行拍痰，聲音感測模組126感測照顧者之拍痰聲，而產生一聲音訊號。

圖3是長照輔助系統100的操作流程。裝置主體120提供一病患監控模式M1及一輔助拍痰模式M2。如圖3，在進入開機初始畫面(S30)後，裝置主體120預設進入病患監控模式M1，之後也可選擇性的切換到輔助拍痰模式M2(S31)。

當進入病患監控模式M1，微控制器122擷取三通道的氣壓訊號，其為呼吸檢測及姿態辨識演算法的開始步驟(S40)，以供同時運行呼吸檢測演算法及姿態辨識演算法，其中呼吸檢測演算法用以取得呼吸率，姿態辨識演算法用以取得該病患之當前姿態及其維持時間。最後透過顯示介面121顯示病患的呼吸率、當前姿態及其維持時間。

照顧者可自行決定是否要切換到輔助拍痰模式M2(S31)。若切換到輔助拍痰模式M2，微控制器122擷取聲音訊號，做為一拍痰手勢判斷演算法的開始步驟(S50)，以供運行此拍痰手勢判斷演算法來判斷一拍痰手勢是否正確，並透過顯示介面121顯示照顧者的總拍痰次數及使用正確手勢拍痰的次數。若拍痰執行完畢，可選擇是否要切換回病患監控模式M1(S32)。

圖3A為裝置主體120的顯示介面121，可將呼吸檢測結果、病患當前姿態顯示於同一畫面中。圖3A的上圖中，畫面左側的三條曲線，分別代表來自三個氣壓管142、144及146的氣壓訊號P2、P4及P6；畫面右側包括一第一資訊框123、一第二資訊框125及一第三資訊框127。第一資訊框123顯示病患當前呼吸率，其內的數值「18.52」代表每分鐘的呼吸次數。第二資訊框125顯示病患當前姿態與維持時間，其內顯示「Lie」代表病患目前為正躺，維持時間為3分46秒。如圖3A的下圖，當病患的姿態由正躺改為側躺時，第二資訊框125顯示的姿態變成「Lean」表示側躺，此時維持時間也會重新計 算。第三資訊框127顯示「Mic」，點擊後會切換到輔助拍痰模式M2。在另一實施例中，當在病患監控模式M1偵測到病患的姿態為側躺時，會自動切換到輔助拍痰模式M2。一旦病患維持同一姿態超過一設定時間時，如六十分鐘，裝置主體120會透過蜂鳴器發出聲響，提醒照顧者實施適當的照顧。若照顧者遺忘時，爾後每五分鐘會再次提醒。若病患維持同一姿態超過五分鐘時，裝置主體120會自動將病患當前的呼吸速率、姿態、維持時間，透過無線通訊模組將資料上傳至雲端資料庫。

當點擊第三資訊框127進入輔助拍痰模式M2時，會顯示如圖3B的左側或右側畫面。左側畫面中間的Correct代表最後一次拍背使用正確手勢、其下方的數字為使用正確手勢的次數與整體次數的統計，最下方顯示當前的手勢正確率。若使用錯誤的手勢拍痰，會顯示如圖3B的右側畫面，可以發現整體次數上升了一次且中間顯示Error字樣，但手勢正確的次數並沒有上升，且手勢正確率也同步計算。一旦按下上方的return鍵離開輔助拍痰模式M2時，裝置主體120會將正確手勢次數與整體次數，透過無線通訊模組上傳至雲端資料庫。

圖4為呼吸檢測及姿態辨識演算法的流程圖。圖4的左半部為呼吸檢測演算法的步驟(S41A至S49A)；圖4的右半部為姿態辨識演算法的步驟(S41B至S49B)。S40則為呼吸檢測及姿態辨識演算法的共同開始步驟。

如圖4的左半部，呼吸檢測演算法開始時(如步驟S40)，裝置主體120將氣壓感測模組124之三通道的氣壓訊號P2、P4及P6讀入。接著，擷取氣壓訊號P2、P4及P6中的交流成分PA2、PA4及PA6分別運行數位濾波(S41A)使訊號更平滑，並做正規化將訊號值限制在0~1之間，並使訊號頻率限制在人 呼吸的頻率下。在一實施例中，氣壓訊號P2、P4及P6中的交流成分PA2、PA4及PA6如圖4A所示，其經過數位濾波後的交流訊號PF2、PF4及PF6如圖4B所示。為避免失真，本案圖4A至圖4H皆採用實際電腦畫面的截圖來輔助說明。

接著，儲存數位濾波後的交流訊號PF2、PF4及PF6(S42A)，並判斷持續儲存訊號的時間是否達到一特定時間長度(S43A)，例如持續儲存10秒。再對此特定時間長度內的每一交流訊號PF2、PF4及PF6週期性地檢測峰值(S44A)；比較每一交流訊號PF2、PF4及PF6在該特定時間長度內的峰值數量，以設定一最小峰值數量k(S45A)，而k的數學定義如下，k=min(|peak[1][m ₁]|,|peak[2][m ₂]|,|peak[3][m ₃]|)，其中peak[n][m _n ]表示儲存第n個通道檢測到的m _n 個峰值大小及位置的陣列，因為有三個通道，所以n的範圍為1~3，|．|表示陣列裡共有幾個元素，min為輸出最小值的函數。之後分別對每一交流訊號PF2、PF4及PF6計算其中峰值大小排在前k個的峰值總和，並比較所計算出的三個總和，其數學定義如下：

，其中score儲存峰值大小累加值的陣列；以總和最大者所對應的氣壓訊號為一最佳氣壓訊號，數學定義如下b=argmax(score[1],score[2],score[3])，其中argmax為回傳有著最大值索引的函數，b為最佳氣壓訊號所在的通道索引。藉由上述比較峰值總和的過程可決定一最佳氣壓訊號通道(S456)，並紀錄此最佳氣壓訊號在該特定時間長度內所含的所有峰值及其時間點位(S46A)。

舉例來說，在10秒內從氣壓管142的氣壓訊號P2的交流訊號PF2中找到了兩個峰值，大小分別為50、58；從氣壓管144的氣壓訊號P4的交流訊號PF4中找到了3個峰值，大小分別為40、59、56，所以此時的最小峰值數量k 為2，接著累加前2大的峰值訊號，氣壓訊號P2的前2大峰值加總為50+58=108，氣壓訊號P4則為59+56=115，結果會輸出從氣壓訊號P4中找到的3個峰值及其時間點位，代表此10秒內所能找到的最佳峰值及其時間點位來自最佳氣壓訊號P4。

接著，根據步驟(S46A)所紀錄的峰值及其時間點位，計算此最佳氣壓訊號P4中相鄰兩峰值之間的時間區間(PtP)，可得呼吸一次的時間(S47A)，再以算式「60/(PtP)」來換算成每分鐘呼吸率(S48A)，最後藉由顯示介面121同時顯示呼吸率及三通道濾波後的交流訊號PF2、PF4及PF6(S49A)。

值得一提的是，本發明的呼吸檢測演算法可以動態地檢測多通道中最大峰值及其時間點位(Dynamic Detection Maximum)，其解決了影響氣壓訊號分析的三個主要問題：第一，個體間的差異，包括體重、身高及胸腔運動、背部構造等；第二，病患每次躺在氣墊床140上的位置都不一樣；第三，氣墊床140本身的充放氣訊號對呼吸檢測的干擾。因此，本發明的呼吸檢測演算法可以適應性的在任何氣壓訊號條件下選擇出一最佳氣壓訊號。

如圖4C為將圖4B中三通道濾波後的交流訊號PF2、PF4及PF6運行呼吸檢測演算法的結果圖，每一垂直標線皆為找到最佳峰值的時間點位，例如PK2、PK4及PK6等。圖4D為將找到的所有最佳峰值的時間點位PK2、PK4及PK6等標記至圖4A的交流成分PA2、PA4及PA6中，可以發現能準確的找到每次呼吸時的峰值及其時間點位。

如圖4的右半部，姿態辨識演算法開始時(如步驟S40)，首先，裝置主體120將氣壓感測模組124之三通道的氣壓訊號P2、P4及P6讀入。再分別對三氣壓訊號P2、P4及P6的交流成分PA2、PA4及PA6及直流成分PD2、PD4 及PD6運行數位濾波(S41B)，以使訊號更平滑，並做正規化將訊號限制在0~1之間，再使訊號限制在人翻身的頻率下，例如：交流訊號限制於0.01Hz~1Hz；直流訊號限制於0.1Hz~1Hz。接著分別將三通道氣壓訊號P2、P4及P6濾波後的交流訊號PF2、PF4及PF6微分(S42B)，此步驟是為了觀察氣壓變化程度，若微分值大於所設定閾值(S43B)，則可能是病患翻身所造成的，在顯示介面121顯示呼吸率的地方顯示”Moving”；反之，則回到步驟S42B，進行下一次微分值的計算。

若判斷病患正在翻身，則以檢測到微分值大於閾值當時的時間點為一參考時點，紀錄該參考時點之前的一第一時間區間及之後的一第二時間區間內經數位濾波後的每一交流訊號及直流訊號(S44B)；將來自同一氣壓訊號在同一時間點的一交流訊號值及一直流訊號值相乘，此步驟簡稱為「點乘(Multiply)」(S45B)，以得到一能隨氣墊床140的充放氣變化而動態調整的點乘結果訊號。例如：紀錄參考時點之前1.2秒及之後6.8秒的三通道濾波後氣壓訊號中的交流訊號及直流訊號(S44B)。之後把此8秒所紀錄的交流訊號值及直流訊號值相乘進行點乘(S45B)，以產生一點乘結果訊號，並對此點乘結果訊號進行特徵擷取(S46B)，再將所擷取特徵資料運行機器學習的降維演算法(S47B)，最後把降維後的特徵資料運行機器學習的分類演算法(S48B)，可得病患當前姿態。隨後，藉由顯示介面121同時顯示當前姿態及已維持時間(S49B)。

值得注意的是，相較於呼吸檢測演算法，姿態辨識演算法考慮了氣壓訊號的直流成分。這是因為當氣壓管142、144或146在洩氣狀態時，若此時病患剛好變換姿態會造成氣壓訊號振幅放大好幾倍，所以將直流成分當成是交流成分的權重。如此，當氣壓管142、144或146洩氣時，直流訊號值 會下降，則會對交流訊號值給予一個較小的權重，表示抑制氣壓訊號；在充氣狀態時則反之。之後分別將三個氣壓管142、144及146的直流訊號值與交流訊號值做點乘，即可得到一組不論病患是在充氣或是洩氣時翻身，振幅大小都差不多的點乘結果訊號。

在一實施例中，欲分辨的姿態有四種，正躺、側躺、腳彎曲以及擾動，由於氣壓訊號僅會在病患變更姿態時變化，所以實際分類時需分為五種，分別為正躺至腳彎曲、腳彎曲至側躺、側躺至腳彎曲、腳彎曲至正躺以及擾動。

為了提升姿態辨識準確率，使用了機器學習的演算法，首先要建立姿態變換的資料集，如圖4E為姿態變換時所造成的氣壓訊號，上半部為交流成分PA2、PA4及PA6，下半部為直流成分PD2、PD4及PD6，其中不同的訊號曲線分別對應到圖2氣墊床140的三個氣壓管142、144及146，而每兩條垂直標線內的範圍，分別表示正躺至腳彎曲、腳彎曲至側躺、側躺至腳彎曲及腳彎曲至正躺所造成的氣壓訊號變化，其垂直標線的位置為參考時點的前1.2秒及後6.8秒的訊號，儲存此8秒的訊號並進行標記(Label)，再找來三位身高體重相異的實驗者，分別進行各姿態30次的模擬，如表一，共蒐集450筆標記資料，再分析各姿態訊號間的關聯性做適當的特徵擷取。

圖4F上半部為將圖4E上半部的垂直標線內的範圍分別選取並繪製的結果。觀察第一列第二行的feature 2st圖中的訊號PN2、PN4及PN6，對照圖4E下半部中氣壓管142的直流成分PD2，可以發現氣壓管142正在洩氣，所以其交流成分PA2的振幅被放大了好幾倍。而圖4F下半部為交流/直流訊號的點乘結果，觀察第二列第二行的weighted feature 2st圖中的點乘結果訊號，三個氣壓管142、144及146所對應的點乘結果訊號PM2、PM4及PM6的振幅都被限制在差不多的大小。

如圖4G為將圖4F第二列第二行的weighted feature 2st圖中三通道所對應的點乘結果訊號PM2、PM4及PM6分別繪製的結果。特徵擷取的步驟如下：首先，把各通道的8秒點乘結果訊號PM2、PM4及PM6平均地分成8等份，如圖4G中每條垂直線的間隔是1秒；接著在此區間內將大於或等於零的值做累加並儲存；另將小於零的值也做累加並儲存，所以1秒會有2個特徵值，8秒就有16個特徵值，因有三通道，最後共有16*3=48個特徵值，由此48個特徵值組成一48維的特徵資料。

若將所擷取的48個特徵值，直接使用機器學習中的分類演算法-K最近鄰居法(K Nearest Neighbor，KNN)對48維的特徵資料進行分類，其中70%的資料作為訓練(Training)，剩下的30%作為測試(Testing)，得到的辨識準確率約為85.2%。為提升辨識準確率，使用具有將「相同資料群聚，不同資料分開」特性的機器學習降維演算法-線性判別分析(Linear Discriminant Analysis，LDA)，將48維的特徵資料降為一3維的特徵資料後再使用KNN分類， 得到的辨識準確率為91.2%。如圖4H及表二是將此3維的特徵資料進行姿態分類的結果。

圖5為拍痰手勢判斷演算法流程圖，首先，裝置主體120將聲音感測模組126所產生的聲音訊號讀入，以此做為拍痰手勢判斷演算法的開始步驟(S50)；並運行數位濾波，使訊號限制在拍痰聲的音頻範圍內(S51)，例如：濾掉0.1Hz以下的頻率。附帶說明的是，此處的頻率是指拍痰時叩擊聲本身的音頻高低，並非是指拍痰時每分鐘的叩擊次數。接著，將濾波後的聲音訊號微分(S52)，此步驟是為了觀察聲音訊號變化的程度；若微分值大於所設定閾值(S53)，則可能是照顧者正在拍痰；反之，若微分值不大於所設定閾值，則回到步驟(S52)進行下一次微分；接著，將判斷微分值大於閾值的時間點定義為一參考時點，紀錄參考時點附近固定筆數的濾波後聲音訊號(S54)，並將此固定筆數的濾波後聲音訊號進行快速傅立葉轉換成一頻域訊號(S55)，並對頻域訊號進行特徵擷取(S56)，特徵擷取的方式為將200~800Hz的頻域能量累加，再將所擷取的特徵資料運行機器學習的分類演算法(S57)，可得拍痰手勢的正確性判斷結果，例如：以前述的KNN方法將拍痰手勢分為正確手勢及錯誤手勢兩類，再依據一待判斷的拍痰手勢的特徵資料將其歸屬於其中一類，藉此得知此待判斷的拍痰手勢是否正確。最後藉由顯示介面121顯示總拍痰次數及使用 正確手勢拍痰的次數(S58)。

在一應用例中，照顧者可以進一步藉由手機的應用程式設定多組翻身提醒鬧鐘。當所設定時間到會發生聲響通知照顧者需替病患進行翻身，並且詢問是否要使用翻身輔助教學。若接受則會進入翻身輔助教學的畫面，畫面中會以文字與圖片顯示當前該執行的步驟，並以語音方式呈現，也能查詢照顧者替病患翻身的狀況，可選擇日期了解當天的總翻身次數及詳細翻身時間。

照顧者或家屬亦可查詢病患的歷史紀錄，例如：選擇特定時間查看呼吸波型；選擇日期查詢當天各姿態的維持時間，以便快速了解病患是曾發生生理上或姿態上的異常，例如呼吸過慢、擾動及不良姿態。此外，應用程式也可提供輔助看診的服務，自動搜尋附近的醫院及診所，並規劃路線，以減少病患就醫的時間。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。另外本發明的任一實施例或申請專利範圍不須達成本發明所揭露之全部目的或優點或特點。此外，摘要部分和標題僅是用來輔助專利文件搜尋之用，並非用來限制本發明之權利範圍。

M1:病患監控模式

M2:輔助拍痰模式

S30~S32:長照輔助系統的操作流程

S40:呼吸檢測及姿態辨識演算法的開始步驟

S50:拍痰手勢判斷演算法的開始步驟

Claims (9)

1. 一種非直接接觸式生理與活動訊號監測方法，包括： 提供一長照輔助系統，具有可相互切換的一第一操作模式及一第二操作模式，並且該長照輔助系統包括一微控制器、一氣壓感測模組、一聲音感測模組及一氣墊床，其中該微控制器電性連接於該氣壓感測模組及該聲音感測模組，並提供一第一演算法、一第二演算法及一第三演算法，該氣墊床包括至少一氣壓管連接於該氣壓感測模組，當一病患躺在該氣墊床上，該氣壓感測模組藉由該氣壓管而感測該氣墊床內部的氣壓變化，進而產生一氣壓訊號，當一照顧者對該病患進行拍痰，該聲音感測模組感測拍痰聲，而產生一聲音訊號； 當進入該第一操作模式，該微控制器讀取該氣壓訊號，以供同時運行該第一演算法及該第二演算法，其中該第一演算法用以取得一呼吸率，該第二演算法用以取得該病患之一當前姿態；以及 若切換至該第二操作模式，該微控制器讀取該聲音訊號，以供運行該第三演算法來判斷該照顧者的一拍痰手勢是否正確。
2. 如申請專利範圍第1項所述的非直接接觸式生理與活動訊號監測方法，其中該第二演算法包括： 判斷一病患是否翻身；以及 若該病患在翻身，則取得該病患之該當前姿態。
3. 如申請專利範圍第1項所述的非直接接觸式生理與活動訊號監測方法，其中該第一演算法僅對該氣壓訊號的交流成分進行數位濾波，並且該第二演算法係對該氣壓訊號的交流成分及直流成分進行數位濾波。
4. 如申請專利範圍第3項所述的非直接接觸式生理與活動訊號監測方法，其中該至少一氣壓管包括複數氣壓管，該氣壓感測模組產生複數不同的氣壓訊號分別對應該複數氣壓管，該複數氣壓訊號中的交流成分經數位濾波後形成複數交流訊號，該第一演算法包括： 儲存該複數交流訊號，並且持續儲存的時間達到一特定時間長度； 比較每一該交流訊號在該特定時間長度內的峰值數量，以設定一最小峰值數量； 從該複數交流訊號各自取出至少一峰值，其中該至少一峰值的數目等於該最小峰值數量； 將該最小峰值數量的峰值總和進行比較，以從該複數氣壓訊號中選出一最佳氣壓訊號； 記錄該最佳氣壓訊號在該特定時間長度內的所有峰值及其時間點位； 依據所記錄的該所有峰值及其時間點位，計算該最佳氣壓訊號中相鄰兩該峰值之間的時間區間以得到呼吸一次的時間；以及 將60除上該呼吸一次的時間以獲得每分鐘的呼吸率。
5. 如申請專利範圍第4項所述的非直接接觸式生理與活動訊號監測方法，其中該第二演算法包括： 對數位濾波後的該交流訊號進行微分，以得到一第一微分值； 提供一第一閾值； 判斷該第一微分值是否大於該第一閾值；以及 若該第一微分值大於該第一閾值，則判斷該病患在翻身。
6. 如申請專利範圍第5項所述的非直接接觸式生理與活動訊號監測方法，其中該第二演算法包括： 將判斷該第一微分值大於該第一閾值的時間點定義為一參考時點； 紀錄該參考時點之前的一第一時間區間及之後的一第二時間區間內每一該氣壓訊號經數位濾波後所得的一交流訊號值及一直流訊號值；以及 將來自同一該氣壓訊號在同一時間點的該交流訊號值及該直流訊號值相乘，以得到一能隨該氣墊床的充放氣變化而動態調整的點乘結果訊號。
7. 如申請專利範圍第6項所述的非直接接觸式生理與活動訊號監測方法，其中該第二演算法包括： 將該點乘結果訊號進行特徵擷取以得到一特徵資料； 將該特徵資料進行一降維演算法以產生一降維後的特徵資料；以及 將該降維後的特徵資料進行一分類演算法，以獲得該當前姿態。
8. 如申請專利範圍第1項所述的非直接接觸式生理與活動訊號監測方法，其中該第三演算法包括： 將該聲音訊號進行數位濾波以將其頻率限制在一預定頻率範圍，以產生一濾波後聲音訊號； 對該濾波後聲音訊號進行微分，以得到一第二微分值； 提供一第二閾值； 判斷該第二微分值是否大於該第二閾值； 若該第二微分值大於該第二閾值，則判斷該照顧者正在對該病患拍痰； 若該第二微分值不大於該第二閾值，則進行下一次微分； 將判斷該第二微分值大於該第二閾值的時間點定義為一第二參考時點； 紀錄該第二參考時點附近一固定筆數的該濾波後聲音訊號，並將該固定筆數的該濾波後聲音訊號進行快速傅立葉轉換成一頻域訊號； 對該頻域訊號進行特徵擷取，以得到一第二特徵資料；以及 將該第二特徵資料運行一分類演算法，以得到該拍痰手勢的一正確性判斷結果。
9. 如申請專利範圍第1項所述的非直接接觸式生理與活動訊號監測方法，其中該長照輔助系統包括一警報模組，連接該微處理器，該方法更包括： 該微處理器判斷該病患是否維持同一姿態超過一預定時間；以及 若維持同一姿態超過該預定時間，則該警報模組發出聲響。

Images