TWI782303B - 人工智慧精神壓力檢測裝置 - Google Patents

Abstract

本發明的人工智慧精神壓力檢測裝置包括一精神感測晶片、一通訊模組、及一微控制單元。精神感測晶片是組態成感測使用者的生理特徵及/或環境特徵及/或行為特徵。通訊模組是組態成通訊於一行動裝置。微控制單元連接至精神感測晶片及通訊模組，並組態成將來自精神感測晶片所感測到的使用者的生理特徵及/或環境特徵及/或行為特徵透過通訊模組來發送至行動裝置。

Description

人工智慧精神壓力檢測裝置

本發明是關於人工智慧精神壓力檢測裝置，其可為可攜式或穿戴式裝置。

根據世界衛生組織（World Health Organization，WHO）的報告，全球有5.4億人罹患精神疾病。以中國大陸為例，其精神科病患多達1億人，但其精神科醫生卻僅有2萬人，如此概算，每名醫生平均面對5千名病患，醫療負擔非常沉重。

而且，病患在就診時，總是須填寫冗長的評量問卷，填寫時間平均長達30分鐘，耗時費神。再者，問卷的填答偏向於病患主觀的感覺，以至於精神疾病的診治缺乏客觀資料以供量化分析。此外，病患與醫師之間往往存在隔閡，病患無法坦然向醫師陳述自身狀況，何況每次就診時間平均只有10分鐘，且每隔2周才回診，導致病情無法有效察知與追蹤。

因此，亟須提出一種改良的精神壓力檢測裝置，以消除或緩和上述問題。

有鑑於此，本發明旨在提供一種人工智慧精神壓力檢測裝置，可分析人的精神壓力，並給予照護及支持。具體而言，本發明的人工智慧精神壓力檢測裝置可實現下列功能：

第一，物聯網（IoT）感測，涉及心跳、呼吸、光照的強度或光譜、皮膚阻抗、睡眠、運動等項目，並結合全球定位系統（global positioning system，GPS）進行感測。

第二，人工智慧預測，是將IoT感測所蒐集到的訊息加上醫院的電子病歷報告的訊息輸入至人工智慧，以預測使用者的精神狀況，輔助醫師診斷，協助醫師選擇治療方案，以達成精準醫療的成效。

第三，人工智慧支持，包括聊天機器人關懷及照護，特別是，可引進自然語言處理（natural language processing，NLP）套件來定性及定量分析使用者的情緒表達，以與使用者更加密切地互動。

下文將配合圖式並詳細說明，使本發明的其他目的、優點、及新穎特徵更明顯。

以下提供本發明的不同實施例。這些實施例是用於說明本發明的技術內容，而非用於限制本發明的權利範圍。一實施例的一特徵可透過合適的修飾、置換、組合、分離以應用於其他實施例。

應注意的是，在本文中，除了特別指明者之外，具備「一」元件不限於具備單一的該元件，而可具備一或更多的該元件。

此外，在本文中，除了特別指明者之外，「第一」、「第二」等序數，只是用於區別具有相同名稱的多個元件，並不表示它們之間存在位階、層級、執行順序、或製程順序。一「第一」元件與一「第二」元件可能一起出現在同一構件中，或分別出現在不同構件中。序數較大的一元件的存在不必然表示序數較小的另一元件的存在。

在本文中，除了特別指明者之外，所謂的特徵甲「或」（or）或「及/或」（and/or）特徵乙，是指甲單獨存在、乙單獨存在、或甲與乙同時存在；所謂的特徵甲「及」（and）或「與」（and）或「且」（and）特徵乙，是指甲與乙同時存在；所謂的「包括」、「包含」、「具有」、「含有」，是指包括但不限於此。

此外，在本文中，所謂的「上」、「下」、「左」、「右」、「前」、「後」、或「之間」等用語，只是用於描述多個元件之間的相對位置，並在解釋上可推廣成包括平移、旋轉、或鏡射的情形。

此外，在本文中，除了特別指明者之外，「一元件在另一元件上」或類似敘述不必然表示該元件接觸該另一元件。

此外，在本文中，「較佳」或「更佳」是用於描述可選的或附加的元件或特徵，亦即，這些元件或特徵並不是必要的，而可能加以省略。

此外，在本文中，除了特別指明者之外，所謂的一元件「適於」或「適合於」另一元件，是指該另一元件不屬於申請標的的一部分，而是示例性地或參考性地有助於設想該元件的性質或應用；同理，在本文中，除了特別指明者之外，所謂的一元件「適於」或「適合於」一組態或一動作，其描述的是該元件的特徵，而不表示該組態已經設定或該動作已經執行。

此外，各元件可以適合的方式來實現成單一電路或一積體電路，且可包括一或多個主動元件，例如，電晶體或邏輯閘，或一或多個被動元件，例如，電阻、電容、或電感，但不限於此。各元件可以適合的方式來彼此連接，例如，分別配合輸入信號及輸出信號，使用一或多條線路來形成串聯或並聯。此外，各元件可允許輸入信號及輸出信號依序或並列進出。上述組態皆是依照實際應用而定。

此外，在本文中，「系統」、「設備」、「裝置」、「模組」、或「單元」等用語，是指一電子元件或由多個電子元件所組成的一數位電路、一類比電路、或其他更廣義電路，且除了特別指明者之外，它們不必然有位階或層級關係。

此外，在本文中，除了特別指明者之外，二元件的電性連接可包括直接連接或間接連接。在間接連接中，該二元件之間可能存在一或多個其他元件，例如，電阻、電容、或電感。電性連接是用於傳遞一或多個訊號，例如，直流或交流的電流或電壓，依照實際應用而定。

此外，終端機或伺服器皆可包括上述元件，或以上述方式來實現。

此外，在本文中，除了特別指明者之外，一數值可涵蓋該數值的±10%的範圍，特別是該數值±5%的範圍。除了特別指明者之外，一數值範圍是由較小端點數、較小四分位數、中位數、較大四分位數、及較大端點數所定義的多個子範圍所組成。

（環境光訊息的人工智慧精神壓力檢測裝置）

研究顯示，光照對於人的情緒與心理壓力會產生影響。當人暴露在不合時宜或幾乎沒有變化的光照之下時，人的生物節律與行為節律會變得不同步。此外，晝夜調節亦滲透到許多生理系統中，包括：下視丘-腦下垂-腎上腺軸（hypothalamic-pituitary-adrenal axis，HPA軸）與神經傳遞物（neurotransmitter），例如，褪黑素（melatonin）。特別是，HPA軸的活化有關於人適應外部環境或應對生活壓力，而褪黑素的分泌則有關於人的睡眠調節、情緒、或行為。

過去的研究已知，情緒障礙可因不規則的光週期而引起。然而，過去的研究並沒有探討的是，不同波段的光會對於人體造成何種影響？主要原因在於缺乏適合的光感測器，而無法在現實生活中長時間追蹤完整的環境光訊息。習知的光學設備包括：光譜儀（spectrometer）、照度計（photometer）、或直接照明。其中，光譜儀的缺點在於：笨重且耗能，難以應用於可攜式裝置或穿戴式裝置；照度計的缺點在於：不同波段的光訊息會丟失，且通常無法待機超過一天；直接照明的缺點在於：只可概略得知特定類型的燈泡會影響人體，但難以具體分析不同波段的光所帶來的影響，且限於固定場域，而無法廣泛應用於現實生活。

是故，對此，本發明提出一種人工智慧精神壓力檢測裝置，其包括微型化環境光感測模組，在體積上，其可為可攜式或穿戴式；在功能上，其具有多通道而可追蹤紫光到紅外光的完整光訊息；在效能上，其因低耗能而可長時間連續紀錄光訊息。

在一種情境下，本發明可結合大數據研究。根據本發明，環境光在機器學習上的可行性亦得到驗證；具體而言，使用支援向量機（support vector machine，SVM）模型識別所在場域，其準確率高達95%。

在另一種情境下，根據本發明，可探討光與心理壓力之間的關係。結果顯示，自我評估為高度心理壓力的族群普遍缺乏綠光、紅光、及紅外光的照射。

圖1顯示本發明的一實施例的環境光訊息壓力檢測系統2的系統架構圖。如圖1所示，本發明的環境光訊息壓力檢測系統1包括一人工智慧精神壓力檢測裝置100、一行動裝置200、及一雲端伺服器300（含有雲端資料庫）。人工智慧精神壓力檢測裝置100可為一穿戴式裝置。人工智慧精神壓力檢測裝置100與行動裝置200之間可以藍芽來通訊，但不限於此。在某些實施例中，人工智慧精神壓力檢測裝置100可與行動裝置200為一體成形，亦即，人工智慧精神壓力檢測裝置100的晶片可植入行動裝置200內。行動裝置200與雲端伺服器300可以WiFi、3G、4G、5G等網路來通訊，但不限於此。

圖2顯示本發明的一實施例的人工智慧精神壓力檢測裝置100的方塊圖。如圖2所示，本發明的人工智慧精神壓力檢測裝置100包括一環境光感測器110、一電源管理模組120、一微控制單元（microcontroller unit，MCU）130、一通訊模組（BLE4.0模組）140、一儲存模組150、及一實時時鐘（real-time clock，RTC）160。

環境光感測器110是用於收集環境光資訊。

圖3顯示本發明的一實施例的環境光感測器110的光感測結構117的剖面圖。其中，干涉濾波器組（即依序排列的多個干涉濾波片）是直接沉積在矽元件之上，故環境光感測器110的體積可達到微型化，同時達到省電。

回到圖2，環境光感測器110是由AS72651、AS72652、及AS72653這三個晶片組成。每個晶片負責蒐集（接收）六個波段的光訊息，故可涵蓋紫光到紅外光總共十八個波段的光訊息。

圖4顯示本發明的一實施例的環境光感測器110所涵蓋的十八個波段。其中，各波段可峰值波長為代表，但亦可以中心波長為代表，以下定義亦同。

回到圖2，電源管理模組120是用於管理電池的供電與充電至其他相連的模組或細部元件。

MCU 130是用於控制各模組或各細部元件之間的溝通。其中，在設計MCU 130時，根據本發明的特點：

第一，由於須蒐集十八個波段的光信息，至少需要128位元組（bytes）的串口緩存，否則訊息在傳輸時，可能部分丟失。

第二，須將電壓控制在低壓3.3V，以達到省電的需求。

第三，雖然存在電壓5V對應晶振16Mhz及電壓3.3V對應晶振8Mhz的兩種韌體，但前者電壓5V不合上述第二特點的要求，而後者晶振8MHz太慢，會導致MCU 130與環境光感測器110無法正常溝通，故須將MCU 130進行超頻，例如，直到12MHz。

通訊模組140可為藍芽模組，用於無線傳輸，但不限於此。

圖5顯示本發明的一實施例的人工智慧精神壓力檢測裝置100的運作流程圖。其中，根據通訊模組140（藍芽）是否連接，本發明的人工智慧精神壓力檢測裝置100會進入不同運作方式。若藍芽沒有連接，則裝置100是設定成每間隔16秒（其他間隔時間亦可）接收一次環境光訊息；當藍芽有連接，則裝置100會執行行動裝置200傳送過來的指令，例如，上傳資料或時間同步。詳細步驟請參閱圖5的流程圖的文字。

回到圖2，RTC 160則用於記錄真實時間。特別是，實時時鐘的時間戳（timestamp）可結合於使用者的生理特徵及/或環境特徵及/或行為特徵，而形成一節律資料。當建議的節律資料（例如，健康者的生物節律）與感測所得的使用者的節律資料存在嚴重落差（例如，延遲）時，亦可產生一提醒通知來提醒使用者調整生活作息。

儲存模組150則用於暫存上述環境光訊息與時間訊息，其可為microSD卡，但不限於此。

由下表1可知，本發明與市面上現有設備作比較，本發明的人工智慧精神壓力檢測裝置100比起現有設備，在體積上小了6倍以上，在重量上亦輕了9倍以上，足以達成可攜式或穿戴式的要求。此外，本發明使用500毫安時（mAh）的鋰電池，可持續蒐集環境光訊息長達37個小時。 [表1]

設備	光譜儀	照度計	光譜儀	本發明
型號	SMUSB	LX-1128SD	HR-450	本發明
體積	207.5cm 3	541.6cm 3	405.6cm 3	32.5cm 3
涵蓋波段	305nm ～1050nm	無	380nm ～780nm	410nm ～940nm
光訊息類型	多通道	白光	多通道	多通道
重量	263g	489g	276g	28g
待機時間	無	無	大於5h	大於37h
穿戴式可能	無	無	無	有

圖6顯示本發明的一實施例的行動裝置200的行動應用程式（mobile application，APP）的運作流程圖。其主要可分成三大步驟：

第一系列步驟是確認行動裝置200的網路（例如，藍芽功能）是否開啟，及驗證使用者的身分是否正確。

第二系列步驟是將透過行動裝置200將人工智慧精神壓力檢測裝置100所蒐集到的環境光訊息上傳至專用伺服器的雲端資料庫300。

第三系列步驟是以行動裝置200來下達指令，將人工智慧精神壓力檢測裝置100初始化並將其時間與行動裝置200的時間同步。

詳細步驟請參閱圖6的流程圖的文字。

（機器學習）

在本發明中，使用人工智慧精神壓力檢測裝置100在七個不同場域中，以隨機移動的方式，蒐集光訊息。在每個場域中蒐集至少3000筆環境光訊息，故總共蒐集至少2萬1千筆環境光訊息。在每個場域中所蒐集到的環境光訊息以4：1：1的比例分配作為訓練組資料、驗證組資料、及測試組資料。具體而言，本發明以臺北榮民總醫院精神醫學部的建築物為例，選取（場域1）電梯、（場域2）一樓、（場域3）三樓走廊、（場域4）三樓電梯間、（場域5）保護隔離病房、（場域6）樓梯、及（場域7）普通病房，但不限於此。

接著，本發明引進SVM與神經網路（neural network）不同的兩種機器學習模型來進行場域辨識任務。實現機器學習的模型（即機器學習模組）通常是建構於雲端伺服器300，但若硬體規格允許，亦可建構於行動裝置200本身。

其結果顯示，SVM搭配徑向基函數核（radial basis function kernel，RBF核）可達到95%的測試準確率。SVM的實際場域與預測場域的分布如下表2所示。

作為比較，神經網路採用基本的三層架構神經網路可達到79%的測試準確率。神經網路的實際場域與預測場域的分布如下表3所示。 [表2]

	預測 場域0	預測 場域1	預測 場域2	預測 場域3	預測 場域4	預測 場域5	預測 場域6
實際 場域0	99%	0.8%	0%	0.2%	0%	0%	0%
實際 場域1	0%	86.4%	3.6%	6.4%	0%	3.2%	0.4%
實際 場域2	0%	2%	96.6%	0.4%	0%	0.2%	0.8%
實際 場域3	0%	8.8%	0.02%	88%	0%	0.8%	0.4%
實際 場域4	0%	0.2%	0%	0%	99.4%	0.4%	0%
實際 場域5	0%	2%	2.4%	0.1%	0%	94.4%	0.2%
實際 場域6	0%	0.6%	0.6%	0.4%	0%	0.6%	97.8%

[表3]

	預測 場域0	預測 場域1	預測 場域2	預測 場域3	預測 場域4	預測 場域5	預測 場域6
實際 場域0	99%	0.5%	0%	0.2%	0%	0%	0%
實際 場域1	0.2%	61.2%	7.1%	17.3%	0.2%	5.1%	8.6%
實際 場域2	0.09%	3.9%	73%	8.6%	0.3%	4.6%	9.5%
實際 場域3	0.09%	15%	7.7%	67%	0%	4.8%	5.2%
實際 場域4	0%	0.2%	0.5%	0%	99%	0%	0%
實際 場域5	0%	3.8%	5.7%	13.6%	0.1%	72%	4.8%
實際 場域6	0%	1.7%	5%	0.8%	0%	0.3%	90%

（環境光訊息與壓力的關係）

本發明將環境光訊息與心理壓力資料作比較，試圖獲得兩者的相關性。其中，壓力資料可來自問卷調查、生理特徵、或行為特徵；問卷調查可包括身心壓力量表或生活壓力量表。身心壓力量表是用於評估受測者自我感覺的心理壓力，而生活壓力量表則是用於評估環境帶給受測者的壓力。

在本發明的測試中，受測者在工作天配戴本發明的人工智慧精神壓力檢測裝置100，持續記錄環境光訊息至少半天的時間。最後，使用曼-惠特尼U檢驗（Mann-Whitney U test）來進行統計分析。

針對記錄而得的環境光訊息，可以多種視覺化方式來呈現，包括：

第一種是頻譜圖，以輸入卷積神經網路（convolutional neural network，CNN）等圖形化辨識架構來進行訓練與預測，足以結合大數據研究。

第二種是折線圖，以顯示隨著受測者在其生活場域中的移動，各波段隨時間的變化。

第三種是箱形圖，以顯示受測者照光的分佈與趨勢。

圖7顯示根據本發明的測驗，身心壓力大或小的不同受測者與輻照度（irradiance）之間的關係。如圖7所示的測試結果顯示，身心壓力大的族群在生活中所接受到的光照較弱。

此外，由各使用者所配戴的本發明的人工智慧精神壓力檢測裝置100的環境光感測器110所蒐集到照射的十八個波段的輻照度（單位：μＷ/cm ²）分別如表3至表5所示。據此進一步分析身心壓力大的族群所接受到的光的波段，可發現他們主要缺乏綠光（包括波長為510nm及535nm者）、紅光（包括波長為680nm、705nm、及730nm者）、及紅外光（包括波長為760nm、810nm、及900nm者）等八個波段的照射。 [表3]

	410nm	435nm	460nm	485nm	510nm	535nm
1	24.29	56.53	47.33	40.78	36.22	42.43
2	110.17	192.64	78.48	322.35	114.84	126.8
3	125.38	198.15	150.25	283.34	139.69	173.74
4	213.01	515.65	342.07	578.73	255.28	298.03
5	203.37	1290.46	1093.44	374.51	414.8	1728.91
6	41.38	214.26	235.19	103.48	287.18	565.51
7	166.06	1007.15	1018.77	375.2	444.27	1500.86
8	16.88	20.66	33.41	31.46	36.68	52.87
9	298.52	491.84	296.82	565.29	357.31	334
10	326.13	2031.52	1269.49	1796.42	861.24	4114.13

[表4]

	560nm	585nm	610nm	645nm	680nm	705nm
1	76.37	32.82	57.3	40.92	17.49	19.14
2	137.78	262.74	209.71	249.06	39.27	51.41
3	160.11	239.64	263.29	231.37	97.74	104.47
4	484.42	477.08	637.34	407.21	34.2	63.18
5	412.68	513.55	4828.6	411.64	125.44	243.97
6	441.71	743.98	697.49	506.62	310.83	310.15
7	328.1	315.99	1915.38	324.78	88.54	186.36
8	63.17	60.22	57.74	56.99	59.58	59.86
9	366.9	493.5	408.08	519.05	212.82	220.02
10	3286.32	3096.16	8098.05	1106.14	348.47	804.62

[表5]

	730nm	760nm	810nm	860nm	900nm	940nm
1	16.06	16.23	18.15	13.26	8.88	4.73
2	26.77	37	52.24	52.17	29.81	12.94
3	63.8	84.51	87.53	88.3	49.21	21.05
4	25.88	21.93	68.9	27.33	22.82	17.29
5	221.14	112.28	207.89	72.66	81.55	47.24
6	148.56	128.76	114.33	76.69	41.1	20.25
7	99.72	106.27	175.24	55.2	60.27	28.02
8	43.87	60.26	54.76	50.87	26.41	7.85
9	168.27	209.31	223.13	166.79	105.15	51.88
10	311.94	162.91	384.93	174.95	142.31	71.45

已知，室內一般日光燈（fluorescent lamp）即缺乏上述綠光、紅光、及紅外光，而身心壓力大的族群在工作日亦有大部分時間停留在僅有日光燈照射的室內空間中。按，憂鬱或沮喪會使人變得退縮且降低活動力，以至於減少外出的頻率，而無法獲得健康的光照。而根據本發明的上述測試，若無法獲得健康的光照，則人的生理與心理又會受到些影響，而變得更加憂鬱或沮喪。如此，可能形成惡性循環。

因此，當發現使用者處在綠光、紅光、及/或紅外光低於特定光譜輻照度（spectral irradiance）門檻值的場域時，本發明的人工智慧精神壓力檢測裝置100可產生一提醒通知，提醒使用者外出照射真實的太陽光。提醒通知可以聲音或影像的形式來呈現於任何相連的裝置，不再贅述。

（廣義人工智慧精神壓力檢測裝置）

圖8顯示本發明的一實施例的人工智慧精神壓力檢測裝置800的架構圖。

本發明的人工智慧精神壓力檢測裝置800可由圖2的實施例的人工智慧精神壓力檢測裝置100擴充而來，故請同時參閱圖2及圖8。人工智慧精神壓力檢測裝置800除了可沿用圖3的裝置100的電源管理模組120、MCU 130、通訊模組140、儲存模組150、及RTC 160之外，可更包括一精神感測晶片810。

精神感測晶片810可包括多種感測器，例如，陀螺儀、三軸加速計、重力感測器、心率感測器、溫度感測器、及光感測器，以感測使用者的生理特徵及/或環境特徵及/或行為特徵，例如，心跳、呼吸、光照的強度或光譜、皮膚阻抗、睡眠、活動行為等。特別是，光感測器可為圖2的環境光感測器110。

通訊模組140的資料交換可採用藍牙低功耗（Bluetooth low energy，BLE）技術並配合256位加密進階加密標準（advanced encryption standard，AES）在行動裝置200與人工智慧精神壓力檢測裝置800之間進行資料傳輸，資料可包括使用者的生理特徵及/或環境特徵及/或行為特徵。而行動裝置200可將資料進一步傳送到雲端伺服器300，以便由人工智慧來進行分析。

（人工智慧）

圖9顯示各種機器學習的接收者操作特徵線（receiver operating characteristic curve，ROC）曲線。本發明結合遞歸神經網路（recurrent neural network，RNN）、SVM、及模糊類神經網路（fuzzy neural network，FNN）來構成適應性類神經模糊推論系統（adaptive neuro-fuzzy inference system），具有極高的預測準確率及極快的計算速度，尤其適用於精神壓力檢測。

圖10顯示本發明的一實施例的醫療級人工智慧行為特徵演算法的示意圖。

在本發明的演算法中，首先，由以RNN自蒐集到的感測結果（例如，心跳、呼吸、光照的強度或光譜、皮膚阻抗、睡眠、運動等）提取成個人化特徵，再搭配SVM進行再分類，據此有效提升預測準確率及計算效率。預測結果可轉化成一心情指數，來量化表達使用者的精神狀況。

圖11顯示本發明的一實施例的個人化即時照護演算法的示意圖。

承上，其次，以模糊決策來表示演算結果，呈現不同的憂鬱照護模式，以提供使用者最佳照護選擇。如圖11所示，可將感測結果輸入至FNN而得出照護選擇，其建議今天生活需要安排出門玩耍、跑步、及聽音樂等行程，各佔有一定比例，是依照FNN的模糊決策演算結果而定。此外，可以具有可愛圖案的「每日卡牌」形式來呈現上述照護選擇，帶給病患療癒效果。

圖12顯示本發明的一實施例的使用者行為模式的機率預測演算法的示意圖。

承上，最後，以隱藏式馬可夫模型（hidden Markov model，HMM）演算法來長時間進行使用者行為模式的機率預測，掌握憂鬱行為的未來變化，以便提供預防性照護，以避免惡化到趨近於輕生的嚴重狀況。在圖12的例子中，在現在時點（t-1），機器學習給出的建議是在家休息、跑步、及聽音樂；而經由HMM的機率預測，在下一時點（t），機器學習給出的建議是找朋友玩、伸展操、及聽音樂。

儘管本發明已透過多個實施例來說明，應理解的是，只要不背離本發明的精神及申請專利範圍所主張者，可作出許多其他可能的修飾及變化。

1                      環境光訊息壓力檢測系統 100                  人工智慧精神壓力檢測裝置 110                  環境光感測器 117                  光感測結構 120                  電源管理模組 130                  微控制單元（MCU） 140                  通訊模組（BLE4.0模組） 150                  儲存模組 160                  實時時鐘（RTC） 200                  行動裝置 300                  雲端伺服器 800                  人工智慧精神壓力檢測裝置 810                  精神感測晶片

圖1顯示本發明的一實施例的環境光訊息壓力檢測系統的系統架構圖。 圖2顯示本發明的一實施例的人工智慧精神壓力檢測裝置的方塊圖。 圖3顯示本發明的一實施例的環境光感測器的光感測結構的剖面圖。 圖4顯示本發明的一實施例的環境光感測器所涵蓋的十八個波段。 圖5顯示本發明的一實施例的人工智慧精神壓力檢測裝置的運作流程圖。 圖6顯示本發明的一實施例的行動裝置的行動應用程式的運作流程圖。 圖7顯示根據本發明的測驗，身心壓力大或小的不同受測者與輻照度之間的關係。 圖8顯示本發明的一實施例的人工智慧精神壓力檢測裝置的架構圖。 圖9顯示各種機器學習的接收者操作特徵線曲線。 圖10顯示本發明的一實施例的醫療級人工智慧行為特徵演算法的示意圖。 圖11顯示本發明的一實施例的個人化即時照護演算法的示意圖。 圖12顯示本發明的一實施例的使用者行為模式的機率預測演算法的示意圖。

100                  人工智慧精神壓力檢測裝置 110                  環境光感測器 120                  電源管理模組 130                  微控制單元（MCU） 140                  通訊模組（BLE4.0模組） 150                  儲存模組 160                  實時時鐘（RTC）

Claims (7)

1. 一種人工智慧精神壓力檢測裝置，包括：一精神感測晶片，組態成感測使用者的生理特徵及/或環境特徵及/或行為特徵；一通訊模組，組態成通訊於一行動裝置；及一微控制單元，連接至該精神感測晶片及該通訊模組，並組態成將來自該精神感測晶片所感測到的使用者的生理特徵及/或環境特徵及/或行為特徵透過該通訊模組來發送至該行動裝置；其中，該感測器模組包括陀螺儀、加速度計、重力感測器、心率感測器、溫度感測器、及/或光感測器；其中，該光感測器為一環境光感測器，其包括沉積在矽元件之上的一干涉濾波器組，且該環境光感測器是組態成蒐集涵蓋紫光到紅外光的多個波段的光；其中，該環境光感測器所蒐集到的該些波段的光是經由一機器學習模組來映射成一預測結果，該預測結果是關於人工智慧精神壓力檢測裝置所處在的一場域。
2. 如請求項1所述的人工智慧精神壓力檢測裝置，其中，使用者的生理特徵及/或環境特徵及/或行為特徵包括心跳、呼吸、光照的強度或光譜、皮膚阻抗、睡眠、或活動行為。
3. 如請求項1所述的人工智慧精神壓力檢測裝置，其中，該機器學習模組是建構於該行動裝置本身，或者，該機器學習模組是建構於該行動裝置所通訊的一雲端伺服器。
4. 如請求項1所述的人工智慧精神壓力檢測裝置，其中，該機器學習模組是由遞歸神經網路、或支援向量機、或深度神經網路、或模糊類神經網路所構成。
5. 如請求項1所述的人工智慧精神壓力檢測裝置，其中，該微控制單元是組態成當精神感測晶片的一環境光感測器所感測到的特定波長的光低於一光譜輻照度門檻值時，產生一提醒通知。
6. 如請求項1所述的人工智慧精神壓力檢測裝置，更包括一實時時鐘，連接至該微控制單元；該微控制單元是組態成將該實時時鐘的時間戳結合於使用者的生理特徵及/或環境特徵及/或行為特徵，並形成一節律資料。
7. 如請求項1所述的人工智慧精神壓力檢測裝置，該人工智慧精神壓力檢測裝置是組態成判讀一壓力指數，當該壓力指數超過一門檻值，即發出一通知，該通知包括個人化的調整方式。

Images