TWI817899B - 肢體水腫智慧檢測系統 - Google Patents
肢體水腫智慧檢測系統 Download PDFInfo
- Publication number
- TWI817899B TWI817899B TW112104000A TW112104000A TWI817899B TW I817899 B TWI817899 B TW I817899B TW 112104000 A TW112104000 A TW 112104000A TW 112104000 A TW112104000 A TW 112104000A TW I817899 B TWI817899 B TW I817899B
- Authority
- TW
- Taiwan
- Prior art keywords
- skin
- images
- sunken
- computing device
- camera
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 208000014987 limb edema Diseases 0.000 title claims abstract description 23
- 238000011084 recovery Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 206010030113 Oedema Diseases 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 4
- 210000003811 finger Anatomy 0.000 description 15
- 238000000034 method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 210000003414 extremity Anatomy 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 206010030124 Oedema peripheral Diseases 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010058679 Skin oedema Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一種肢體水腫智慧檢測系統包括攝像機及運算裝置。攝像機用以擷取涵蓋肢體的皮膚的影片。運算裝置用以依取樣率對影片依序進行影格擷取以產生多張影像。運算裝置更用以應用機器學習分類器以依據所述多張影像之產生的時間順序來依序判斷所述多張影像是各自對應至凹陷皮膚或者是未凹陷皮膚。運算裝置還用以根據機器學習分類器的判斷結果來計算皮膚自凹陷狀態恢復至未凹陷狀態所經過的皮膚恢復時間。
Description
本發明是關於一種肢體水腫智慧檢測系統，且特別是關於一種用以計算皮膚恢復時間的肢體水腫智慧檢測系統。
周圍水腫是心血管疾病及腎臟疾病等發作或惡化的關鍵指標，然而目前關於周圍水腫之診斷評估缺乏標準化程序，且看診時間短暫，醫師缺乏足夠時間評估凹陷性水腫恢復時間。再者，目前關於周圍水腫之居家照護也缺乏一種簡便的居家檢測系統以提供病患本人或居家照護者自行操作從而利於進行每日檢測。若能夠一種簡便的居家檢測系統也能實現因應疫情影響所需的遠距醫療。
另外，目前關於周圍水腫之量測亦缺乏一種數據保存及趨勢監測之長期監測照護系統，無法據以對於病患的水腫狀況進行長期趨勢評估，從而根據健康管理的方向提供進一步的相對應的照護建議。
本發明之目的在於提出一種肢體水腫智慧檢測系統包括攝像機及運算裝置。攝像機用以擷取涵蓋肢體的皮膚的影片。運算裝置通訊連接攝像機以接收影片。運算裝置用以：依取樣率對影片依序進行影格擷取以產生多張影像；應用機器學習分類器以依據所述多張影像之產生的時間順序來依序判斷所述多張影像是各自對應至凹陷皮膚或者是未凹陷皮膚；及根據機器學習分類器的判斷結果來計算皮膚自凹陷狀態恢復至未凹陷狀態所經過的皮膚恢復時間。
在一些實施例中，上述運算裝置更用以：依據皮膚恢復時間來判定皮膚的水腫等級，其中水腫等級有以下五種：無、輕度、中度、重度與極嚴重。
在一些實施例中，上述運算裝置更用以：紀錄不同日期所各別對應的皮膚恢復時間，並據此以圖表方式呈現出皮膚恢復時間隨著不同日期的變化趨勢。
在一些實施例中，在攝像機擷取影片之前，運算裝置更用以：接收對應至凹陷皮膚的多張歷史凹陷皮膚影像以及對應至未凹陷皮膚的多張歷史未凹陷皮膚影像；及根據所述多張歷史凹陷皮膚影像與所述多張歷史未凹陷皮膚影像來訓練機器學習分類器。
在一些實施例中，上述攝像機的顯示介面具有多條相機格線，上述攝像機根據所述多條相機格線來定位影片的拍攝位置。
在一些實施例中，所述多條相機格線將攝像機的顯示介面劃分為九宮格，其中先使受測者之按壓的手指僅位於九宮格的中間格再進行影片的擷取操作。
在一些實施例中，上述運算裝置更用以：依據所述多張影像之產生的時間順序來依序判斷所述多張影像是對應至凹陷皮膚或者是未凹陷皮膚；將對應至凹陷皮膚的所述多張影像中之產生的時間順序最早者定義為最初凹陷皮膚影像；將對應至凹陷皮膚的所述多張影像中之產生的時間順序最晚者定義為最末凹陷皮膚影像；及將最末凹陷皮膚影像之產生的影像產生時間減去將最初凹陷皮膚影像之產生的影像產生時間，來計算皮膚恢復時間。
在一些實施例中，上述運算裝置更用以：在產生所述多張影像之後，依據所述多張影像之產生的時間順序來依序判斷所述多張影像是否包含受測者之按壓的手指；將包含手指的所述多張影像中之產生的時間順序最晚者定義為最末含手指影像；將所述多張影像中之產生的時間順序晚於最末含手指影像者定義為多張待測影像；及應用機器學習分類器以依據所述多張待測影像之產生的時間順序來依序判斷所述多張待測影像是各自對應至凹陷皮膚或者是未凹陷皮膚。
在一些實施例中，上述運算裝置更用以：先對於所述多張影像進行色彩映射預處理之後，再應用機器學習分類器對於進行了色彩映射預處理之後的所述多張影像進行判斷。
在一些實施例中，上述機器學習分類器為VGG(Visual Geometry Group)卷積神經網路分類器，上述運算裝置更用以：調整至少一超參數以最佳化VGG卷積神經網路分類器，其中至少一超參數包括以下至少一者：層數、損失函數、卷積核的大小、學習率。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的概念，其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明，並非用以限定本發明之範圍。
圖1係根據本發明的實施例之肢體水腫智慧檢測系統100的示意圖。肢體水腫智慧檢測系統100包括攝像機120及運算裝置140。其中攝像機120可例如為病患本人或居家照護者的智慧型手持裝置(例如手機)的相機，本發明並不在此限，攝像機120亦可為數位相機之類的取像裝置。運算裝置140為可為病患本人或居家照護者的智慧型手持裝置、伺服器、雲端伺服器、工業電腦、分散式電腦或具有計算能力的各種電子裝置等，本發明並不在此限。
攝像機120用以擷取涵蓋肢體的皮膚的影片。具體而言，攝像機120所拍攝之影片所記錄的過程為整個水腫檢測過程，包括病患本人或居家照護者先以手指(例如大拇指)往下用力按壓肢體的皮膚一段時間(例如五秒)後再放開並接著繼續記錄皮膚自凹陷狀態恢復至未凹陷狀態的整個過程。在本發明的實施例中，肢體可為上肢或下肢，具體而言，攝像機120所拍攝的部位係對應至水腫施測部位，可例如為足背(例如按壓在足背最高點並避開骨頭)、脛骨前側(例如從地板往上15~20公分，但主要是看病患哪邊比較腫就按哪邊)、內側足踝、內踝、內踝後側、內踝上方(例如內踝上方的小腿下半部距離內踝中點7公分處)、前臂、手掌、腳掌等。
在本發明的實施例中，攝像機120的顯示介面(用以顯示攝像機120的拍攝畫面，例如手機的螢幕畫面)具有多條相機格線(camera grid)，而攝像機120係根據所述多條相機格線來定位攝像機120所拍攝之影片的拍攝位置。具體而言，所述多條相機格線將攝像機120的顯示介面劃分為九宮格，而要使用攝像機120進行影片拍攝之前，需使受測者之按壓的手指僅位於九宮格的中間格，以實現攝像機120之拍攝位置的定位。需於完成攝像機120之拍攝位置的定位之後，才進行攝像機120之影片擷取/影片拍攝。
運算裝置140通訊連接至攝像機120以自攝像機120接收其所擷取/拍攝的影片。其中，若運算裝置140為手機，則運算裝置140透過其瀏覽器所支援之mediaDevices API來存取手機的相機，以實現在瀏覽器中的影片錄製功能。
圖2係根據本發明的實施例之運算裝置140接收影片後的運作流程圖。於步驟S1，運算裝置140依據一取樣率(例如每1秒擷取1張或者是每0.5秒擷取1張，本發明並不在此限)來對於自攝像機120所接收的影片依時序進行影格(frame)擷取以產生多張影像。換言之，所述多張影像之產生的時間互不相同，且運算裝置140亦會記錄所述多張影像之各別產生的時間點。
接著，於步驟S2，運算裝置140應用機器學習分類器以依據所述多張影像之產生的時間順序來依序判斷所述多張影像是各自對應至凹陷皮膚或者是未凹陷皮膚。具體而言，當按壓水腫施測部位的手指頭(例如大拇指)放開後，皮膚會由凹陷狀態恢復至未凹陷狀態，而由凹陷狀態恢復至未凹陷狀態的時間長短則會根據病患的水腫施測部位的水腫嚴重程度而定，若水腫嚴重程度低則恢復時間短，若水腫嚴重程度高則恢復時間長。具體而言，對應至凹陷皮膚的影像中會具有凹陷特徵(凹陷區域特徵)，而對應至未凹陷皮膚的影像中則不具有凹陷特徵，因此機器學習分類器可據以進行分類判讀。
具體而言，於步驟S2乃是透過經訓練的機器學習分類器來判斷各張影像係對應至凹陷皮膚或者是未凹陷皮膚，換言之，經訓練的機器學習分類器可用以判斷各張影像係對應至凹陷皮膚或者是未凹陷皮膚。
在本發明的實施例中，在攝像機120擷取/拍攝影片之前，運算裝置140需先收集已知為對應至凹陷皮膚的多張歷史凹陷皮膚影像且收機已知為對應至未凹陷皮膚的多張歷史未凹陷皮膚影像，並根據所述多張歷史凹陷皮膚影像與所述多張歷史未凹陷皮膚影像來訓練機器學習分類器。據此，才能在步驟S2以經訓練的機器學習分類器來判斷各張影像係對應至凹陷皮膚或者是未凹陷皮膚。
此外，為了降低環境光源以及膚色變化的影響，並強化影像中的凹陷區域特徵，使用英特爾(Intel)公司發起的跨平台、開放原始碼電腦視覺函式庫OpenCV(Open Source Computer Vision Library)，在步驟S2之前，運算裝置140會先對於步驟S1所產生的所述多張影像分別進行影像處理(或稱為影像前處理，例如灰階處理、降噪處理、色彩映射(color mapping)預處理)，以改善機器學習分類器的分類辨識準確率。舉例而言，可利用色彩映射預處理將所述多張影像的色彩調整至某一色階，以降低環境光源以及膚色變化的影響，並強化影像中的凹陷區域特徵，以改善機器學習分類器的分類辨識準確率。
在本發明的實施例中，機器學習分類器為VGG(Visual Geometry Group)卷積神經網路分類器或漸進式網路分類器，例如三層VGG-like block堆疊的網路結構。在本發明的實施例中，運算裝置140更用以調整至少一超參數以最佳化VGG卷積神經網路分類器，其中至少一超參數包括以下至少一者：層數、損失函數、卷積核的大小、學習率。
接著，於步驟S3，運算裝置140根據於步驟S2之機器學習分類器的判斷結果來計算皮膚自凹陷狀態恢復至未凹陷狀態所經過的皮膚恢復時間。
在本發明的實施例中，步驟S2與步驟S3的細節敘述如下。運算裝置140依據所述多張影像之產生的時間順序來依序判斷所述多張影像是對應至凹陷皮膚或者是未凹陷皮膚；將對應至凹陷皮膚的所述多張影像中之產生的時間順序最早者定義為最初凹陷皮膚影像；將對應至凹陷皮膚的所述多張影像中之產生的時間順序最晚者定義為最末凹陷皮膚影像；及將最末凹陷皮膚影像之產生的影像產生時間減去將最初凹陷皮膚影像之產生的影像產生時間，來計算皮膚恢復時間。換言之，步驟S3所計算之皮膚恢復時間為凹陷皮膚的持續時間。
在本發明的實施例中，因為攝像機120所擷取/拍攝的影片還會包含先以手指按壓肢體的皮膚一段時間後再放開的前置過程，因此運算裝置140還會依時序檢測各張影像中是否有包含手指，且直到運算裝置140檢測到某一影像已不包含手指(即手指已放開)，才開始步驟S2的判斷。換言之，運算裝置140在步驟S1產生所述多張影像之後，依據所述多張影像之產生的時間順序來依序判斷所述多張影像是否包含受測者之按壓的手指；將包含手指的所述多張影像中之產生的時間順序最晚者定義為最末含手指影像；將所述多張影像中之產生的時間順序晚於最末含手指影像者定義為多張待測影像；及於步驟S2中應用機器學習分類器以依據所述多張待測影像之產生的時間順序來依序判斷所述多張待測影像是各自對應至凹陷皮膚或者是未凹陷皮膚，再接著進行步驟S3。
圖3係根據本發明的實施例之運算裝置140接收影片後的運作流程圖。圖3與圖2類似，區別在於圖3還包含步驟S4與步驟S5。於步驟S4，運算裝置140依據於步驟S3所計算出的皮膚恢復時間來判定皮膚的水腫等級。水腫等級有以下五種：無、輕度、中度、重度與極嚴重。當皮膚恢復時間為0，則水腫等級為無(或表示為「0」，代表未凹陷)。當皮膚恢復時間為低於1秒，則水腫等級為輕度(或表示為「1」或「1+」，代表凹陷但立即回彈)。當皮膚恢復時間為介於1~9秒，則水腫等級為中度(或表示為「2」或「2+」，代表凹陷且需1~9秒才回彈)。當皮膚恢復時間為介於10~30秒，則水腫等級為重度(或表示為「3」或「3+」，代表凹陷且需10~30秒才回彈)。當皮膚恢復時間為大於30秒，則水腫等級為極嚴重(或表示為「4」或「4+」，代表凹陷且需大於30秒才回彈)。
具體而言，可於肢體水腫智慧檢測系統的顯示螢幕中顯示出皮膚恢復時間，並且還可進一步地於肢體水腫智慧檢測系統的顯示螢幕中顯示出皮膚的水腫等級。如此一來，病患本人及居家照護者即可得知病患的凹陷性水腫恢復時間及水腫等級，實現居家自我照顧之核心概念。皮膚恢復時間及水腫等級可由病患提供給醫護人員，以利於醫護人員提供遠距照護。皮膚恢復時間及水腫等級也可於線下或看診時由病患直接提供給醫師進行評估，以改善傳統看診時間短暫所衍生的相關問題，且更利於提供臨床資訊並具體提供後續的醫療評估、健康管理和/或飲食管理。
於步驟S5，運算裝置140紀錄不同日期所各別對應的皮膚恢復時間，並據此以圖表方式呈現出皮膚恢復時間隨著不同日期的變化趨勢，以實現數據視覺化。
具體而言，病患本人或居家照護者可對於皮膚恢復時間進行每日檢測，並且運算裝置140可於肢體水腫智慧檢測系統的顯示螢幕中顯示出凹陷性水腫之皮膚恢復時間隨著不同日期的變化趨勢。如此一來，病患本人、居家照護者和/或醫師即可對於病患的水腫狀況進行長期趨勢評估，利於病情的早期發現早期介入，並根據健康管理的方向提供進一步的相對應的照護建議(例如衛教資訊、健康狀態、飲食管理和/或服藥提醒等日常生活方面)，從而實現智慧化的輔助管理應用。
圖4係根據本發明的實施例之肢體水腫智慧檢測系統的運作流程圖。於步驟P1，攝像機120擷取涵蓋肢體的皮膚的影片。於步驟P2，使用者決定是否直接上傳影片已計算皮膚恢復時間；若是，則進入步驟S1，運算裝置140依據取樣率來對於影片依時序進行影格擷取以產生多張影像；若否，則進入步驟P3將影片儲存至運算裝置140後結束流程。於步驟P4，使用者可選擇儲存於運算裝置140中的影片來進入步驟S1。於步驟P5，將多張影像上傳。於步驟P6，對多張影像進行影像處理，例如色彩映射預處理。於步驟P6之後再依序進入步驟S2、步驟S3、步驟S4(圖4未示出)及步驟S5後結束流程。
以上概述了數個實施例的特徵，因此熟習此技藝者可以更了解本發明的態樣。熟習此技藝者應了解到，其可輕易地把本發明當作基礎來設計或修改其他的製程與結構，藉此實現和在此所介紹的這些實施例相同的目標及/或達到相同的優點。熟習此技藝者也應可明白，這些等效的建構並未脫離本發明的精神與範圍，並且他們可以在不脫離本發明精神與範圍的前提下做各種的改變、替換與變動。
100:肢體水腫智慧檢測系統
120:攝像機
140:運算裝置
S1~S5,P1~P6:步驟
從以下結合所附圖式所做的詳細描述，可對本發明之態樣有更佳的了解。需注意的是，根據業界的標準實務，各特徵並未依比例繪示。事實上，為了使討論更為清楚，各特徵的尺寸都可任意地增加或減少。
[圖1]係根據本發明的實施例之肢體水腫智慧檢測系統的示意圖。
[圖2]係根據本發明的實施例之運算裝置接收影片後的運作流程圖。
[圖3]係根據本發明的實施例之運算裝置接收影片後的運作流程圖。
[圖4]係根據本發明的實施例之肢體水腫智慧檢測系統的運作流程圖。
S1,S2,S3:步驟
Claims (9)
- 一種肢體水腫智慧檢測系統，包括：一攝像機，用以擷取涵蓋一肢體的一皮膚的一影片；及一運算裝置，通訊連接該攝像機以接收該影片，其中該運算裝置用以：依一取樣率對該影片依序進行影格擷取以產生複數張影像；應用一機器學習分類器以依據該些影像之產生的時間順序來依序判斷該些影像是各自對應至凹陷皮膚或者是未凹陷皮膚；及根據該機器學習分類器的判斷結果來計算該皮膚自凹陷狀態恢復至未凹陷狀態所經過的一皮膚恢復時間；其中在該攝像機擷取該影片之前，該運算裝置更用以：接收對應至凹陷皮膚的多張歷史凹陷皮膚影像以及對應至未凹陷皮膚的多張歷史未凹陷皮膚影像；及根據該些歷史凹陷皮膚影像與該些歷史未凹陷皮膚影像來訓練該機器學習分類器。
- 如請求項1所述之肢體水腫智慧檢測系統，其中該運算裝置更用以：依據該皮膚恢復時間來判定該皮膚的一水腫等級，其中該水腫等級有以下五種：無、輕度、中度、重度與極嚴重。
- 如請求項1所述之肢體水腫智慧檢測系統， 其中該運算裝置更用以：紀錄不同日期所各別對應的該皮膚恢復時間，並據此以圖表方式呈現出該皮膚恢復時間隨著不同日期的變化趨勢。
- 如請求項1所述之肢體水腫智慧檢測系統，其中該攝像機的一顯示介面具有多條相機格線，其中該攝像機根據該些相機格線來定位該影片的拍攝位置。
- 如請求項4所述之肢體水腫智慧檢測系統，其中該些相機格線將該攝像機的該顯示介面劃分為九宮格，其中先使一受測者之按壓的一手指僅位於九宮格的中間格再進行該影片的擷取操作。
- 如請求項1所述之肢體水腫智慧檢測系統，其中該運算裝置更用以：依據該些影像之產生的時間順序來依序判斷該些影像是對應至凹陷皮膚或者是未凹陷皮膚；將對應至凹陷皮膚的該些影像中之產生的時間順序最早者定義為一最初凹陷皮膚影像；將對應至凹陷皮膚的該些影像中之產生的時間順序最晚者定義為一最末凹陷皮膚影像；及將該最末凹陷皮膚影像之產生的一影像產生時間減去將該最初凹陷皮膚影像之產生的一影像產生時間，來計算該 皮膚恢復時間。
- 如請求項1所述之肢體水腫智慧檢測系統，其中該運算裝置更用以：在產生該些影像之後，依據該些影像之產生的時間順序來依序判斷該些影像是否包含一受測者之按壓的一手指；將包含該手指的該些影像中之產生的時間順序最晚者定義為一最末含手指影像；將該些影像中之產生的時間順序晚於該最末含手指影像者定義為複數張待測影像；及應用該機器學習分類器以依據該些待測影像之產生的時間順序來依序判斷該些待測影像是各自對應至凹陷皮膚或者是未凹陷皮膚。
- 如請求項1所述之肢體水腫智慧檢測系統，其中該運算裝置更用以：先對於該些影像進行一色彩映射預處理之後，再應用該機器學習分類器對於進行了該色彩映射預處理之後的該些影像進行判斷。
- 如請求項1所述之肢體水腫智慧檢測系統，其中該機器學習分類器為一VGG(Visual Geometry Group)卷積神經網路分類器，其中該運算裝置更用以：調整至少一超參數以最佳化該VGG卷積神經網路分類 器，其中該至少一超參數包括以下至少一者：層數、損失函數、卷積核的大小、學習率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112104000A TWI817899B (zh) | 2023-02-04 | 2023-02-04 | 肢體水腫智慧檢測系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112104000A TWI817899B (zh) | 2023-02-04 | 2023-02-04 | 肢體水腫智慧檢測系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI817899B true TWI817899B (zh) | 2023-10-01 |
Family
ID=89857456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112104000A TWI817899B (zh) | 2023-02-04 | 2023-02-04 | 肢體水腫智慧檢測系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI817899B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205006861U (zh) * | 2015-05-15 | 2016-02-03 | 春泉健康管理(上海)有限公司 | 耳纹学识别远程图像身体诊断系统 |
| CN104799828B (zh) * | 2015-05-15 | 2018-11-02 | 春泉健康管理(上海)有限公司 | 耳纹学识别远程图像身体诊断系统 |
| CN108778097B (zh) * | 2016-02-25 | 2021-08-06 | 三星电子株式会社 | 用于评估心力衰竭的装置和方法 |
-
2023
- 2023-02-04 TW TW112104000A patent/TWI817899B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205006861U (zh) * | 2015-05-15 | 2016-02-03 | 春泉健康管理(上海)有限公司 | 耳纹学识别远程图像身体诊断系统 |
| CN104799828B (zh) * | 2015-05-15 | 2018-11-02 | 春泉健康管理(上海)有限公司 | 耳纹学识别远程图像身体诊断系统 |
| CN108778097B (zh) * | 2016-02-25 | 2021-08-06 | 三星电子株式会社 | 用于评估心力衰竭的装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jeong et al. | Introducing contactless blood pressure assessment using a high speed video camera | |
| US11904224B2 (en) | System and method for client-side physiological condition estimations based on a video of an individual | |
| JP7057589B2 (ja) | 医療情報処理システム、歩行状態定量化方法およびプログラム | |
| CN109700433A (zh) | 一种舌象诊断系统和舌诊移动终端 | |
| WO2001088836A1 (en) | Method and apparatus for remote medical monitoring incorporating video processing and system of motor tasks | |
| CN106618481A (zh) | 中医智能诊断专家系统 | |
| CN110580953A (zh) | 采用人工智能的诊病系统和方法 | |
| CN112101424A (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
| TW202221621A (zh) | 用於照護教育之虛擬環境訓練系統 | |
| TWI817899B (zh) | 肢體水腫智慧檢測系統 | |
| CN117292829A (zh) | 一种冠心病分级诊疗信息系统 | |
| CN112741620A (zh) | 基于肢体动作的颈椎病评估装置 | |
| EP4124287A1 (en) | Regularized multiple-input pain assessment and trend | |
| US20220301723A1 (en) | Assessing disease risks from user captured images | |
| CN115105062A (zh) | 髋膝关节协调性评估方法、装置、系统和存储介质 | |
| TWI748485B (zh) | 一種資訊處理系統及其方法 | |
| TWI756793B (zh) | 一種通道資訊處理系統 | |
| TWI796275B (zh) | 疾病風險評估方法 | |
| TWI773259B (zh) | 利用非接觸式生理信號量測技術實現遠距中醫診脈之系統與方法 | |
| TWI844414B (zh) | 阻塞性冠狀動脈疾病的預測系統和方法 | |
| WO2022201418A1 (ja) | 運動支援装置、運動支援方法及び記録媒体 | |
| WO2023214956A1 (en) | Systems, devices, and methods for biomarker detection and tracking | |
| WO2023214957A1 (en) | Machine learning models for estimating physiological biomarkers | |
| US20220087538A1 (en) | Smartphone Software-Based Measurement of Cyanosis and Capillary Refill Time | |
| Sun | Wearable Health Monitoring System Based on One-Dimensional Block Matching Algorithm |