TWI836783B - 獨居個人適用型智能監測方法及智能監測系統 - Google Patents
獨居個人適用型智能監測方法及智能監測系統 Download PDFInfo
- Publication number
- TWI836783B TWI836783B TW111147664A TW111147664A TWI836783B TW I836783 B TWI836783 B TW I836783B TW 111147664 A TW111147664 A TW 111147664A TW 111147664 A TW111147664 A TW 111147664A TW I836783 B TWI836783 B TW I836783B
- Authority
- TW
- Taiwan
- Prior art keywords
- real
- time
- space
- activity
- monitored object
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 145
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 201000002859 sleep apnea Diseases 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 206010062519 Poor quality sleep Diseases 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 25
- 208000008784 apnea Diseases 0.000 claims description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 13
- 230000035790 physiological processes and functions Effects 0.000 claims description 12
- 230000000241 respiratory effect Effects 0.000 claims description 4
- 238000003287 bathing Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010205 computational analysis Methods 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims description 2
- 230000000284 resting effect Effects 0.000 claims 1
- 206010038669 Respiratory arrest Diseases 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000007774 longterm Effects 0.000 description 10
- 230000003860 sleep quality Effects 0.000 description 8
- 230000037053 non-rapid eye movement Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008667 sleep stage Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004461 rapid eye movement Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明提供一種獨居個人適用型智能監測方法及智能監測系統。該智能監測方法包括:利用偵測裝置實時偵測監控區域而取得監測對象之實時活動訊號及/或實時生理訊號,經由運算或以第一機器學習模型、第二機器學習模型及小波熵分析法解析而得到一實時活動數據、實時生理數據、實時活動狀態資訊、實時生理狀態資訊、睡眠呼吸中止指數(AHI)等,藉由比對來判斷該監測對象的日常活動狀態、清醒或睡眠狀態是否屬於正常或異常或者有無呼吸中止狀況,若屬於異常,則發出警示訊息。該智能監測系統至少包括偵測裝置、本地運算儲存裝置、雲端伺服器。
Description
本發明係有關於一種照護服務監測設備的技術領域,特別是有關於一種藉由發射和接收電磁波以偵測監測對象的活動及生理狀態並藉由物聯網技術蒐集數據且能夠適時發出警示的一種獨居個人適用型智能監測方法及一種獨居個人適用型智能監測系統。
隨著社會老齡化,獨居老人變多,事故也頻傳。另外,人口高齡化已成為國際趨勢,台灣亦將在2025年提前邁向超高齡社會,屆時每5人中將有一位是高齡長者。在高齡化進程加速下,預期國人的長照需求將在5至10年內有爆發性成長。根據工研院調查報告指出,目前各國政府積極推動在宅老化政策,居家相關需求服務持續湧現,相較於以往僅聚焦在失能後的照護,如今則以「促進健康」為出發點,從健康預防與生活支援等類別切入,維持健康減緩老化並避免失能、以及維持日常生活品質的重點,相關產業未來成長可期。
獨居老人不管在家或在機構,若其生活起居資訊能時時被取得加以監控,當有異常時,發出訊息通知相關人員。對照顧者而言可減輕負擔。因此需要有一個監測系統,可以長期收集他們的健康狀況,並在異常發生前發出預警或異常發生後發出警報以通知相關人員給予適時關懷或幫助至關重要。
現有的用於照護服務的監控系統如台灣專利M558444所揭露的內容,其是藉由穿戴式裝置來監測老人的行動或生理狀態,但是,當老人未佩戴穿戴式裝置時,這種監控系統就無法產生作用。另一種現有的用於照護服務的監控系統如台灣專利M587352所揭露的內容,其是以攝影機擷取空間的影像來監控獨居老人的健康狀況及生活起居,但是攝影機的影像有隱私上的疑慮。
另一方面,近幾年來, 對於呼吸中止及睡眠品質的客觀性測量與評估,多半是在醫院中藉由睡眠多項生理檢查(Polysomnography, PSG)來評價。在進行PSG 評價時,例如,睡眠障礙患者等之PSG受測者必須在指定的睡眠實驗室或睡眠中心,睡上一夜。在護理人員的監督下,在頭部、眼角、下顎、心臟、腿部都貼上電極片,再以傳輸線連接到記錄器上,另外在胸部及腹部套上感應帶,手指套上血氧測量器,口鼻套上呼吸感應器,手臂套上血壓計,雖然有些不舒服,但卻能完整的記錄下整夜的睡眠生理狀況。
PSG 檢測的項目包括:腦電圖(EEG)、眼電圖(EOG)、心電圖(ECG)、肌電圖(EMG)、胸腹部活動(Respiratory Effort)、口鼻氣流(Air Flow)、血壓變化(Blood Pressure)、血液含氧量(Blood Oxygen Saturation, SaO2)、心跳頻率(Heart Rate)、睡眠體位 (Sleep Gesture)等。因此,PSG雖然是呼吸中止睡眠品質的一種客觀性黃金標準,然而,PSG評價卻具備有不容易執行取得、非常昂貴、耗費時日,而且不利於長時期監測。
因此,業界莫不期待開發出一種能夠取代PSG評價並解決現有技術的各項缺陷,不需要直接拍攝受測者的影像、亦不必強迫佩戴特定的穿戴式裝置,不但能夠確保受測者的隱私,而且實施監測受測者之呼吸中止及睡眠品質的客觀性測量與評估的一種獨居個人適用型智能監測方法及一種獨居個人適用型智能監測系統。
有鑑於此,本發明的目的在於提供:一種能夠解決現有技術之必須強迫被照護者(監測對象)佩戴特定的穿戴式裝置才能實施監控或者是直接拍攝被照護者(監測對象)的影像而造成無法保有隱私等之各種問題的獨居個人適用型智能監測系統。
亦即,根據本發明之獨居個人適用型智能監測系統可以達成:能夠取代PSG評價並解決現有技術的各項缺陷,不需要直接拍攝受測者的影像、亦不必強迫佩戴特定的穿戴式裝置,不但能夠確保被照護者(監測對象)的隱私,而且能夠對被照護者(監測對象)之呼吸中止狀況、及睡眠品質等實施監測、客觀性評價並適時發出警示訊息的優異的功效。
在一實施例中,本發明之一種獨居個人適用型智能監測方法,其包括:利用一第一偵測裝置實時偵測一第一空間而取得監測對象處於該第一空間中之一實時活動訊號;利用一第二偵測裝置實時偵測一第二空間而取得監測對象處於該第二空間中之一實時生理訊號;基於該實時活動訊號運算得到監測對象於該第一空間中之一實時活動數據、一實時活動狀態資訊,再與一歷史活動數據進行比對以判斷該監測對象的日常活動狀態是否屬於正常或異常,若屬於異常,則發出「日常活動狀態異常」的警示訊息。
接著,基於該實時生理訊號以一第一機器學習模型解析該實時生理訊號產生一實時生理數據,再與一歷史生理數據進行比對以判斷於該第二空間中之監測對象是否為處於非睡眠時期或睡眠時期;當判斷為非睡眠時期時,基於該實時生理訊號經由運算得到監測對象於該第二空間中之一實時生理狀態資訊,再與一歷史生理狀態資訊進行比對判斷該監測對象的非睡眠時期是否屬於正常或異常,若屬於異常,則發出「非睡眠時期異常」的警示訊息。
當判斷為睡眠時期時,則以一第二機器學習模型及一小波熵分析法進行運算及分析該實時生理訊號而得到該監測對象的一睡眠呼吸中止指數(AHI),再與一歷史呼吸數據進行比對以判斷該監測對象的呼吸中止狀態是否屬於正常或異常,若屬於異常,則發出「呼吸中止狀態異常」的警示訊息。
又,在本發明之獨居個人適用型智能監測方法的一實施例中,該實時活動訊號為至少表示該第一空間的座標、該監測對象於該第一空間所處的位置座標及進入、離開或停留於該第一空間的時間訊息之複數個時間序列訊號。
又,在本發明之獨居個人適用型智能監測方法的一實施例中,該實時活動數據包括該監測對象所在空間的移動距離、移動速度、移動角度以及動作狀態中之至少一種。
又,在本發明之獨居個人適用型智能監測方法的一實施例中,進一步以該實時活動數據的經時變化來判定該監測對象的一活動狀態資訊,該活動狀態資訊包括靜止、移動、移動軌跡、停留時間、進入時間、離開時間中之至少一種。
又,在本發明之獨居個人適用型智能監測方法的一實施例中,該實時生理訊號為至少表示在該第二空間之該監測對象的身體隨機轉動(random body movement,RBM)、呼吸及心跳的訊息之複數個時間序列訊號。
在一實施例中,經由以第一機器學習模型、第二機器學習模型、或小波熵法對實時生理偵測訊號進行運算及分析而得到於該空間中活動的監測對象的實時生理數據;又,例如,經過類神經學習網路大量學習後,可以輸出睡眠階段區分及呼吸中止狀態區分。又,在本發明之獨居個人適用型智能監測方法的一實施例中,該生理狀態資訊至少包括監測對象是否處於睡眠狀態下的生理資訊,亦即,至少包括監測對象處於「睡眠時期」或「非睡眠時期」的生理狀態資訊。又,根據本發明,該睡眠時期可以區分為清醒期、眼球快速轉動(Rapid Eye Movement,REM)期、非眼球快速轉動(Nonrapid Eye Movement,NREM)期等大類;其中,非眼球快速轉動(NREM)可以進一步區分為三種階段,即,N1階段(Lightest Sleep,最輕度睡眠)、N2階段(Light Sleep,輕度睡眠)、及N3階段(Deep Sleep,深度睡眠)。
另外,本發明還進一步提供一種獨居個人適用型智能監測系統,其包括:一第一偵測裝置、一第二偵測裝置、一本地運算儲存裝置、一雲端伺服器、一雲端資料庫。
根據本發明之技術思想,在獨居個人適用型智能監測系統的一實施例中,該第一偵測裝置為設置於一第一空間,且由一第一感測單元、一第一接收器及一第一傳輸單元所構成,該第一感測單元發出一第一電磁波,該第一接收器接收經反射的該第一電磁波,以得到處於該第一空間中之一監測對象的至少一監測對象的一實時活動訊號,該第一傳輸單元通過一網路傳輸該實時活動訊號。
根據本發明之技術思想,在獨居個人適用型智能監測系統的一實施例中,該一第二偵測裝置為設置一第二空間,且至少由一第二感測單元、一第二接收器及一第二傳輸單元所構成,該第二感測單元發出一第二電磁波,該第一接收器接收經反射的第二電磁波,以得到處於該第二空間中之一監測對象的一實時生理訊號,該第二傳輸單元通過一網路傳輸該實時生理訊號。
根據本發明之技術思想,在獨居個人適用型智能監測系統的一實施例中,該本地運算儲存裝置為通訊連接於該第一偵測裝置以接收該實時活動訊號,基於該實時活動訊號運算得到監測對象於該第一空間中之的一實時活動數據、一實時活動狀態資訊;基於該實時生理訊號運算得到監測對象於該第二空間中之一實時生理數據、一實時生理狀態資訊據以判斷於該第二空間中之監測對象是否為處於非睡眠時期或睡眠時期; 當判斷為非睡眠時期時,經由以一第一機器學習模型解析該實時生理訊號產生該實時生理數據;當判斷為睡眠時期時,則以一第二機器學習模型及一小波熵分析法進行運算及分析該實時生理訊號而得到該監測對象的一睡眠呼吸中止指數(AHI)。
根據本發明之技術思想,在獨居個人適用型智能監測系統的一實施例中,該雲端伺服器為經由一網路連接於該本地運算儲存裝置,並接收由該本地運算儲存裝置所傳送的該監測對象的該實時活動數據、該實時生理數據、該實時生理狀態資訊、與該睡眠呼吸中止指數(AHI),且據以判斷該監測對象的日常活動狀態、非睡眠時期或呼吸中止狀態是否屬於正常或異常,若屬於異常,則發出「日常活動狀態異常」、「非睡眠時期異常」或「呼吸中止狀態異常」的警示訊息;以及
根據本發明之技術思想,在獨居個人適用型智能監測系統的一實施例中,該雲端資料庫為經由一網路連接於該雲端伺服器,用以儲存:監測對象的基本資料、第一空間資訊、第二空間資訊、第一偵測裝置資訊、第二偵測裝置資訊、實時活動數據、歷史活動數據、實時活動狀態資訊、歷史活動狀態資訊、實時生理數據、歷史生理數據、實時生理狀態資訊、歷史生理狀態資訊、以及警示訊息中之至少一種。
又,在本發明之獨居個人適用型智能監測系統的一實施例中,其進一步包括:一使用者端裝置,經由一網路連接於該雲端伺服器,且用以至少接收經由該雲端伺服器所發送的該警示訊息並進行警示。
又,在本發明之獨居個人適用型智能監測系統的一實施例中,該本地運算儲存裝置包括具有一運算分析模組的一運算單元、電性連接於該運算單元的一儲存單元,該運算分析模組對該實時活動訊號、該實時生理訊號執行運算分析而得到該監測對象的該實時活動數據、該實時生理數據、該實時活動狀態資訊、該實時生理狀態資訊;該儲存單元至少用以依照時間序列儲存該監測對象的該實時活動訊號、該實時生理訊號、該實時活動數據、該實時生理數據、該實時活動狀態資訊、該實時生理狀態資訊中之至少一種。
又,在本發明之獨居個人適用型智能監測系統的一實施例中,該第一空間為可供監測對象日常作息、社交活動、盥洗、如廁或洗浴的空間;該第二空間為可供監測對象休憩或睡眠的空間。又,在本發明之獨居個人適用型智能監測系統的一實施例中,該第一空間、該第二空間可以是相同的空間,也可以是不同的空間。
本發明的獨居個人適用型智能監測系統為透過電波雷達偵測監測對象的起居作息、外出時間、呼吸中止、睡眠時吸呼、心跳、及睡眠品質等。當有異常時,發出訊息通知相關監測對象。
又,在本發明之獨居個人適用型智能監測系統的一實施例中,更包括一閘道器,該本地運算儲存裝置經由該閘道器而連接於該網路及該雲端伺服器。
又,在本發明之獨居個人適用型智能監測系統的一實施例中,該第一感測單元包括以既定的發射頻率發出一第一電磁波的至少一第一雷達晶片;該第二感測單元包括以既定的發射頻率發出一第二電磁波的至少一第二雷達晶片。在另一實施例中,本發明的實時活動數據包括監測對象在空間的移動距離、移動速度、移動角度以及動作狀態。
在另一實施例中,本發明的標準活動數據是對於長期監測監測對象的實時活動狀態數據,經由統計分析而得到的包含平均值及標準差之數據。當基於第一偵測訊號得到的實時活動數據為偏離該標準活動數據小於二個標準差時,即判斷該活動狀態為「正常」;當基於第一偵測訊號得到的實時活動數據為偏離該標準活動數據達二個標準差(含)以上時,即判斷該活動狀態為「異常」並發出警示訊息。
在另一實施例中,其包括複數個偵測裝置,分別設置於多個空間中,該等偵測裝置分別產生多個偵測訊號,本地運算儲存裝置進行運算及分析以得到監測對象於多個空間中活動的多個實時活動數據。
毫米波雷達為電波雷達的一種,因其使用波長在毫米(mm)等級,可取得被測監測對象移動的角度,速度,位移大小,因此可利用此雷達安裝在不同空間如客廳、臥室、廚房、衛浴間、書房、客房、餐廳等來偵測監測對象的起居作息,以及安裝在臥室偵測監測對象睡眠時的吸呼心跳及睡眠品質等。利用毫米波 (mmWave) 雷達、機器學習和自我比對來實現這樣的系統。不同的監測對象有不同的生活作息、生物時鐘和生理體徵,透過長期數據收集和自我比對,能夠偵測到異常情況和預測到風險時可以發出警報。本發明的獨居個人適用型智能監測系統可以應用在獨居老人或身障者的居家長照上,減輕照顧者的負擔。
首先,本說明書或申請專利範圍中提及的「第一」、「第二」等用語僅用以命名元件(element)的名稱或區別不同實施例或範圍,而並非用來限制元件數量上的上限或下限。此外,本說明書中之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。
其次,請參閱圖1。圖1為顯示本發明的獨居個人適用型智能監測方法及智能監測系統之一實施例的配置示意圖。本發明之如圖1所示之一實施例的獨居個人適用型智能監測系統1可以是包括至少一偵測裝置10、一本地運算儲存裝置20、一閘道器30、一雲端伺服器40、一雲端資料庫50以及一使用者端裝置60。偵測裝置10設置於一空間,偵測裝置10發出電磁波且接收反射的電磁波,以產生一偵測訊號。又,本發明之獨居個人適用型智能監測方法為非常適合使用如圖1所示之獨居個人適用型智能監測系統。
具體而言,本實施例的照護服務智能監測系統1包括多個偵測裝置10,分別設置於多個空間A1、A2、A3、A4及A5。多個空間A1、A2、A3、A4及A5為被照護者的多個不同活動空間,例如空間A1為餐廳,空間A2為浴室,空間A3為客廳,空間A4為臥室,空間A5為戶外。多個偵測裝置10安裝在多個空間A1、A2、A3、A4及A5中,以偵測被照護者在間A1、A2、A3、A4及A5中活動的狀態。
其次,請參閱圖2。圖2是顯示本發明的獨居個人適用型智能監測方法及智能監測系統之實施例中偵測裝置的電路圖。依照圖2之配置,則本發明的獨居個人適用型智能監測系統就能夠發射電磁波至監測對象所在空間中以既定的頻率進行掃描,而偵測出監測對象在空間中的活動狀態,以判定監測對象的狀態是否有異常,並發出警示訊息。
在一實施例中,本發明之「監測對象」可以是指單獨生活的個人、或共同生活作息的群體中之個人、一部分成員或全部成員;舉例來說,例如,本發明之「監測對象」可以是獨居個人,特別是獨居老人;也可以是共同居住之個人、一部分成員或全部成員;也可以是家庭中之個人、一部分成員或全部成員;也可以醫療院所、療養院、特殊照護中心、老人照護中心、坐月子中心之個人、一部分成員或全部成員。
如圖2所示,每個偵測裝置10包括一感測單元11以及一傳輸單元12。感測單元11包括一雷達晶片111以及一接收器112。本實施例的偵測裝置10是使用毫米波的雷達晶片111,雷達晶片111以既定的發射頻率發出電磁波掃描空間A1、A2、A3、A4及A5,接收器接收反射電磁波以產生該偵測訊號,對被照護者的各種動作的偵測可以達到毫米等級的精度。
本實施例的雷達晶片111可以是德州儀器公司生產的IWR6843ISK的雷達模組。偵測裝置10可以放置在離被照護者1.5至2公尺處,以得到被照護者的生命徵象。本實施例的雷達晶片111發出30GHz至300GHz的毫米波,例如較佳者為60GHz的毫米波,可以偵測空間中固定的物件或被照護者的位置,雷達晶片111可以每秒上萬幀的速度對空間進行掃描。
雷達晶片111發出的調頻連續波可以以下的方程式表示: 𝑇𝑋(𝑡)=𝐴 cos (2𝜋𝑓
𝑐𝑡+𝜋(𝐵/𝑇
𝑐)𝑡
2+𝜃(𝑡)) (1) 其中A為訊號振幅,𝑓
𝑐為起始頻率,B為訊號頻寬,𝑇
𝑐為訊號週期,𝜃(𝑡)為相位雜訊。
接收器112接收的偵測訊號可以下列的方程式表示: 𝑅𝑋(𝑡)=𝛼𝐴{𝑐𝑜𝑠 (2𝜋𝑓
𝑐(𝑡−𝑡
𝑑)+𝜋(𝐵/𝑇
𝑐)(𝑡− 𝑡
𝑑)
2+𝜃(𝑡− 𝑡
𝑑))} (2) 其中𝛼為路徑損耗,𝑡
𝑑為調頻連續波與偵測訊號監的時間延遲。
將𝑇𝑋(𝑡)與𝑅𝑋(𝑡)混波後並通過低通濾波器可以得到與監測對象移動或生命徵象有關的訊號為: 𝑆
𝐼𝐹(𝑡)=𝛼𝐴
2exp (𝑗(2𝜋[(𝐵/𝑇
𝑐)𝑡
𝑑]𝑡+2π𝑓
𝑐𝑡
𝑑+𝜋(𝐵/𝑇
𝑐)𝑡
𝑑 2+Δ𝜃(𝑡))) = 𝛼𝐴
2exp (𝑗(2𝜋[2𝐵𝑑
0/𝑐𝑇
𝑐]𝑡 + ψ(t)) (3)
其中c為電磁波的波速,d
0為雷達至空間壁的距離,ψ(t)為包括監測對象移動或生命徵象相關的函數。
在本實施例中,傳輸單元12可以是具有符合各種通訊協定的無線傳輸晶片,例如符合WiFi或藍芽規格無線通訊晶片,例如ESP32-WROVER通用模組。本發明的傳輸單元12將偵測訊號以無線或有線的方式傳輸至外部。
在本實施例中,每個偵測裝置10更包括一電源單元13,電源單元13經由電源管理晶片(PMIC LP87524J)供給電力於感測單元11及傳輸單元12。本實施例的電源單元13為電池,在其他實施例中也可以是市電或市電與電池並用。
藉此,使用根據如圖2所示之電路圖布置的偵測裝置,本發明可以計算被照護者在空間中移動的速度或移動的路徑。因此,根據本發明,除了可以偵測出被照護者的移動狀態以外,還可以偵測出被照護者的呼吸動作或身體轉動的動作等各種生命徵象,藉此監測被照護者的睡眠狀態及呼吸狀態。
接著,說明本發明之獨居個人適用型智能監測系統的實施例。請參閱圖3、圖4。
如圖3所示,本發明的獨居個人適用型智能監測系統1為包括至少一偵測裝置10、一本地運算儲存裝置20、一雲端伺服器40、一雲端資料庫50以及一使用者端裝置60。
另外,在如圖4所示之本發明的獨居個人適用型智能監測系統1中,除了包括上述的至少一偵測裝置10、一本地運算儲存裝置20、一雲端伺服器40、一雲端資料庫50以及一使用者端裝置60以外,還進一步包括閘道器30。
在如圖3、圖4所示之實施例中,本發明的獨居個人適用型智能監測系統1之偵測裝置10可以設置於一空間,偵測裝置10發出電磁波且接收反射的電磁波,以產生一偵測訊號。又,在本發明的獨居個人適用型智能監測系統1中,可以是包括多個偵測裝置10,分別設置於多個空間A1、A2、A3、A4及A5。多個空間A1、A2、A3、A4及A5為,例如,餐廳、浴室、客廳、戶外等之監測對象的多個不同活動空間,例如空間A1為餐廳,空間A2為浴室,空間A3為客廳,空間A4為臥室,空間A5為戶外。多個偵測裝置10安裝在多個空間A1、A2、A3、A4及A5中,以偵測監測對象在不同空間A1、A2、A3、A4及A5中活動的狀態。
又,在圖3及圖4所示之實施例中,本地運算儲存裝置20可以經由閘道器30連接於一網路N,且藉由網路N連接於雲端伺服器40、雲端資料庫50及使用者端裝置60。本地運算儲存裝置20將監測對象的移動數據與比對結果經由網路N傳送至雲端伺服器40,並儲存於雲端資料庫50。
又,在圖3及圖4所示之實施例中,雲端伺服器40發送警示訊息至使用者端裝置60,以進行警示。使用者通常為照護者或監測對象的家人,當使用者從使用者端裝置60看到警示訊息時,可以立即對監測對象採取救護措施或其他應對措施。
又,在圖3及圖4所示之實施例中,使用者端裝置60可以是可攜式裝置,例如筆記型電腦、平板電腦或智能手機,也可以是固定式裝置,例如桌上型電腦。
又,在圖3及圖4所示之實施例中,傳輸單元12將偵測訊號以無線或有線的方式傳輸至外部。本發明的傳輸單元12可以是具有符合各種通訊協定的無線傳輸晶片,例如符合WiFi或藍芽規格無線通訊晶片,例如ESP32-WROVER通用模組。每個偵測裝置10更包括一電源單元,電源單元經由電源管理晶片(PMIC LP87524J)供給電力於感測單元11及傳輸單元12。本發明的電源單元可以是例如電池,在其他實施例中也可以是市電或市電與電池並用。
又,在圖3及圖4所示之實施例中,本地運算儲存裝置20包括一運算單元21、一儲存單元22以及一運算分析模組23,本地運算儲存裝置20可以是計算機裝置,例如桌上型電腦或筆記型電腦。運算單元21可以是處理器,儲存單元22與運算單元21電性連接,儲存單元22可以是記憶體或磁碟裝置。運算分析模組23為程式模組,其儲存於儲存單元22而且由運算單元21載入後執行,以對偵測訊號進行運算及分析。
在圖3及圖4所示之實施例中,該運算分析模組23對該實時活動訊號、該實時生理訊號執行運算分析而得到該監測對象的該實時活動數據、該實時生理數據、該實時活動狀態資訊、該實時生理狀態資訊。該實時生理訊號為至少表示在該第二空間之該監測對象的身體隨機轉動(RBM)、呼吸及心跳的訊息之複數個時間序列訊號。
在圖3及圖4所示之實施例中,該儲存單元22至少用以依照時間序列儲存該監測對象的該實時活動訊號、該實時生理訊號、該實時活動數據、該實時生理數據、該實時活動狀態資訊、該實時生理狀態資訊中之至少一種。
又,在圖3及圖4所示之實施例中,雲端伺服器40發送警示訊息至使用者端裝置60,以進行警示。使用者通常為照護者或監測對象的家人,當使用者從使用者端裝置60看到警示訊息時,可以立即對監測對象採取救護措施或其他應對措施。
又,在圖3及圖4所示之實施例中,使用者端裝置60可以是可攜式裝置,例如筆記型電腦、平板電腦或智能手機,也可以是固定式裝置,例如桌上型電腦。
又,在圖3及圖4所示之實施例中,感測單元11可以進一步包括以既定的發射頻率發出電磁波掃描空間的一雷達晶片、及接收反射電磁波來產生偵測訊號的一接收器。雷達晶片111為以每秒上萬幀的速度對空間進行掃描,藉此可以計算監測對象在空間中移動的速度或移動的路徑。在圖3及圖4所示之實施例中,雷達晶片可以偵測空間中固定的物件或監測對象的位置,通常是發出30GHz至300GHz的毫米波,例如,較佳者為60GHz的毫米波。
又,在圖3及圖4所示之實施例中,本地運算儲存裝置20可以經由閘道器30連接於一網路N,且藉由網路N連接於雲端伺服器40、雲端資料庫50及使用者端裝置60。本地運算儲存裝置20將監測對象的移動數據與比對結果經由網路N傳送至雲端伺服器40,並儲存於雲端資料庫50。
又,在圖3及圖4所示之實施例中,本發明的運算分析模組23包括類神經學習網路,如圖4所示,例如,可以藉由使用偵測裝置10中之毫米波的雷達晶片,對監測對象的各種生命徵象、各種動作進行偵測,藉由各種的計算模式及相關的演算法,可以得到監測對象的移動的距離、速度、角度或其他如呼吸、心跳、身體轉動等的生命徵象並從多數筆偵測訊號進行深度學習以建立之監測對象的活動模型,並經由特定的分析方法,例如小波熵(wavelet entropy)分析法對偵測訊號的進行分析。
接著,說明本發明之獨居個人適用型智能監測方法的第一具體實施例。請參閱圖5。圖5為顯示本發明的獨居個人適用型智能監測方法之第一具體實施例的流程圖。如圖5所示之第一具體實施例為適用於監控例如在一第一空間中之獨居個人的日常活動或日常作息。
又,根據本發明,該第一空間為可供監測對象日常作息、社交活動、盥洗、如廁或洗浴的空間,例如,前述之多個空間A1、A2、A3、A4及A5中之至少一個空間,舉例來說,可以是餐廳A1、浴室A2、客廳A3、臥室A4、戶外A5中之至少任一者。又,根據本發明,該第二空間為可供監測對象休憩或睡眠的空間。
如圖5所示之第一具體實施例中之獨居個人、如圖7所示之第二具體實施例中之獨居個人可以是同一人,也可以是不同人。又,如圖5所示之第一具體實施例中之該第一空間、如圖7所示之第二具體實施例中之該第二空間為相異的空間。
根據本發明之獨居個人適用型智能監測方法,在如圖5 所示之步驟S51中,實時接收偵測裝置10(即,第一偵測裝置)監測在一第一空間中之監測對象(例如,獨居個人)的日常作息或日常活動之一活動偵測訊號(即,實時活動訊號);例如,至少包括該第一空間的座標、該監測對象於該第一空間所處的位置座標及進入、離開或停留於該第一空間的時間訊息之複數個時間序列訊號。
然後,在如圖5所示之步驟S52中,該實時活動訊號之複數個時間序列訊號傳送至本地運算儲存裝置20的運算分析模組23,基於該實時活動訊號運算得到監測對象於該第一空間中之一實時活動數據及/或一實時活動狀態資訊。
又,在本發明之獨居個人適用型智能監測方法的一實施例中,該實時活動數據包括該監測對象所在空間的移動距離、移動速度、移動角度以及動作狀態中之至少一種。
又,在本發明之獨居個人適用型智能監測方法的一實施例中,進一步以該實時活動數據的經時變化來判定該監測對象的一活動狀態資訊,該活動狀態資訊包括靜止、移動、移動軌跡、停留時間、進入時間、離開時間中之至少一種。
舉例來說,根據本發明本發明的獨居個人適用型智能監測方法及智能監測系統,可以基於該實時活動數據得到如圖6所示之一監測對象於第一空間移動的軌跡圖、以及如圖12所示的一監測對象於第一空間中之點狀雲圖。
又,根據本發明的獨居個人適用型智能監測方法及智能監測系統,可以基於該實時活動數據得到如圖8、圖9、圖10、圖11之監測對象每日活動指數與時間的關係圖、監測對象每週活動指數與時間的關係圖、監測對象在不同的空間的偵測到活動的示意圖、以及監測對象在一日內每個小時的活動的紀錄。
接著,在如圖5所示之步驟S53中,將監測對象於該第一空間中之一實時活動數據及/或一歷史活動狀態資訊、與例如儲存於雲端資庫中之一歷史活動數據及/或一實時活動狀態資訊進行比對以判斷該監測對象的日常活動狀態是否屬於正常或異常。又,根據本發明,比對判斷正常與否的基準可以使用標準差;例如,當基於第一偵測訊號得到的實時活動數據為偏離該標準活動數據小於二個標準差時,即判斷該活動狀態為「正常」;當基於第一偵測訊號得到的實時活動數據為偏離該標準活動數據達二個標準差(含)以上時,即判斷該活動狀態為「異常」並發出警示訊息。然後,儲存或更新雲端資庫中之一實時活動數據、一歷史活動數據、一實時活動狀態資訊、及/或一實時活動狀態資訊等。
以下,說明本發明之獨居個人適用型智能監測方法的第二具體實施例。請參閱圖7。圖7為顯示本發明的獨居個人適用型智能監測方法之第二具體實施例的流程圖。如圖7所示之第二具體實施例為適用於監控例如在一第二空間中之獨居個人的休憩或睡眠作息。
又,根據本發明,該第二空間為可供監測對象休憩或睡眠的空間。如圖5所示之第一具體實施例中之獨居個人、如圖7所示之第二具體實施例中之獨居個人可以是同一人,也可以是不同人。
根據本發明之獨居個人適用型智能監測方法,在如圖7所示之步驟S71中,實時接收偵測裝置10(即,第二偵測裝置)監測在一第二空間中之監測對象(例如,獨居個人)的休息或睡眠等之一生理偵測訊號(即,實時生理訊號);例如,至少表示在該第二空間之該監測對象的身體隨機轉動(random body movement,RBM)、呼吸及心跳的訊息之複數個時間序列訊號。
然後,在如圖7所示之步驟S72中,該實時生理訊號之複數個時間序列訊號傳送至本地運算儲存裝置20的運算分析模組23,基於該實時生理訊號以一第一機器學習模型解析該實時生理訊號產生一實時生理數據,再與一歷史生理數據進行比對以判斷於該第二空間中之監測對象是否為處於非睡眠時期或睡眠時期。當判斷為非睡眠時期時,基於該實時生理訊號經由運算得到監測對象於該第二空間中之一實時生理狀態資訊,再與一歷史生理狀態資訊進行比對判斷該監測對象的非睡眠時期是否屬於正常或異常。
又,本發明中所謂的「非睡眠時期」係指受測者不是處於睡眠狀態下持續一段時間的期間;本發明中所謂的「睡眠時期」係指受測者為處於睡眠狀態下持續一段時間的期間,例如,受測者為在非眼球快速轉動期(NREM期);例如,最輕度睡眠階段(N1階段)、輕度睡眠階段(N2階段)、及深度睡眠階段(N3階段)等三個階段。在本發明中,該第一機器學習模型,可以使用集成學習(ensemble learning)模型,例如,集成子空間 ( ensemble subspace)KNN模型。
當判斷為睡眠時期時,則如圖7之步驟S74、S75、S76所示,以一第二機器學習模型及一小波熵分析法進行運算及分析該實時生理訊號而得到該監測對象的一睡眠呼吸中止指數(apnea/hypopnea index,AHI),再與一歷史呼吸數據進行比對以判斷該監測對象的呼吸中止狀態是否屬於正常或異常,若屬於異常,則發出「呼吸中止狀態異常」的警示訊息。然後,儲存或更新雲端資庫中之一實時生理數據、一歷史生理數據、一實時生理狀態資訊、及/或一實時生理狀態資訊等。
又,如圖7之步驟S75所示,在本發明中之第二機器學習模型,例如,可以使用基於Bi-LSTM模型來預測睡眠呼吸中止指數(AHI)。
又,在本發明中,睡眠呼吸中止指數(AHI)為用於確定睡眠呼吸中止的分類。又,在本發明中,依據每小時的睡眠呼吸中止指數(AHI),將睡眠呼吸中止狀態的嚴重程度分為四級:正常、輕微、中等及嚴重;其中,正常(AHI<5)、輕微(5≦AHI < 15)、中等(15≦AHI < 30)及嚴重(AHI≧30)。
又,根據本發明,該標準數據是經由長期監測並統計分析監測對象的活動狀態而得到的標準實時活動數據,包含平均值及標準差。當該偵測訊號為偏離該標準數據小於二個標準差時,即判斷為「正常」;當該偵測訊號為偏離該標準數據達二個標準差(含)以上時,即判斷為「異常」當運算分析模組23得到的比對結果判定為不正常時,運算分析模組23產生一警示訊息。
比對結果判定為「異常」或「不正常」可以是以下的數種狀況:外出時段異常,外出後没有回家,長時間待在某一空間没有移動,某天睡眠品質變差,生物時鐘異常變化,活動力逐年下降,睡眠時呼吸心跳異常地快或異常地慢,某日半夜突然上厠所,呼吸中止變嚴重等。又,本發明中所使用之判斷標準沒有特別限定,例如,可以是三個標準差;可以是二個標準差;也可是一個標準差。
以下,列舉以三個標準差為基準來說明如何判斷是否正常或異常。例如,在本發明之一實施例中,偵測到獨居老人平日晚上的「就寢時間」大約是晚上21:00 左右;根據長期監測及使用機器學習模型分析結果得到獨居老人的就寢時間之平均值是21:00、標準差為30分鐘,因此,三個標準差為90分鐘。所以,若某日所偵測到獨居老人的就寢時間為在19:30以前或在22:30以後,則將獨居老人的就寢時間判斷為「異常」。
又,例如,偵測到獨居老人某日晚上的「廁所使用時間」大約是半夜02:00 左右;根據長期監測及使用類神經網路分析結果得到獨居老人平日在半夜02:00的廁所使用時間之平均值是0、標準差為0分鐘,因此,三個標準差為0分鐘。所以,若某日所偵測到獨居老人的廁所使用時間為在半夜02:00,則將獨居老人的廁所使用時間判斷為「異常」。
又,例如,根據長期監測及使用機器學習分析結果得到獨居老人的「呼吸中止」的指數AHI之平均值大約是40左右、標準差為10,因此,三個標準差為30。所以,若某日所偵測到獨居老人的呼吸中止的指數AHI為70(含)以上,則將獨居老人的呼吸中止指數判斷為「異常」。
又,例如,根據長期監測及使用機器學習分析結果得到獨居老人睡眠時的「隨機身體轉動(RBM)」之平均值大約是100左右、標準差為15,因此,三個標準差為45。所以,若某日所偵測到獨居老人睡眠時的「隨機身體轉動(RBM)」為55以下或145(含)以上,則將獨居老人睡眠時的「隨機身體轉動(RBM)」判斷為「異常」。
綜上所述,藉由本發明的獨居個人適用型智能監測方法及智能監測系統能夠標示監測對象每日或每週的活動量,活動量(activity index)係定義為室內的活動分鐘數+室外的活動分鐘數,而且能夠標示出監測對象在不同空間的活動量,而且經由大量的實時活動數據能夠建立監測對象的活動模式,例如,藉此判斷監測對象的各種異常狀態。
因此,本發明的獨居個人適用型智能監測方法及智能監測系統可以透過電波雷達偵測監測對象的起居作息,外出時間,睡眠時吸呼心跳及睡眠品質等。當有異常時,發出訊息通知相關監測對象。毫米波雷達為電波雷達的一種,因其使用波長在毫米(mm)等級,可取得被測監測對象移動的角度,速度,位移大小,因此可利用此雷達安裝在不同空間如客廳、臥室、廚房、衛浴間、書房、客房、餐廳等來偵測監測對象的起居作息,以及安裝在臥室偵測監測對象睡眠時的吸呼心跳及睡眠品質等。
又,本發明的獨居個人適用型智能監測方法及智能監測系統利用物聯網的技術,以毫米波 (mmWave) 雷達、機器學習和自我比對方法來實現這樣的系統,從多個監測對象的活動空間蒐集雷達波數據。不同的監測對象有不同的生活作息、生物時鐘和生理體徵,透過長期數據收集和自我比對,偵測到異常情況和預測到風險時可以發出警報。本發明的獨居個人適用型智能監測系統可以應用在獨居老人或身障者的居家長照上,減輕照顧者的負擔。如此,不僅以非接觸式的方式偵測監測對象的活動狀態,而且能夠兼顧監測對象的隱私。
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,即大凡依本發明之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。
1:獨居個人適用型智能監測系統
10:偵測裝置
11:感測單元
12:傳輸單元
13:電源單元
20:本地運算儲存裝置
21:運算單元
22:儲存單元
23:運算分析模組
30:閘道器
40:雲端伺服器
50:雲端資料庫
60:使用者端裝置
111:雷達晶片
112:接收器
A1、A2、A3、A4、A5:空間
N:網路
S51~S53:步驟
S71~S78:步驟
圖1為顯示本發明的獨居個人適用型智能監測方法及智能監測系統之一實施例的配置示意圖。 圖2是顯示本發明的獨居個人適用型智能監測方法及智能監測系統之實施例中偵測裝置的電路圖。 圖3為顯示本發明的獨居個人適用型智能監測系統之一實施例的系統方塊圖。 圖4是顯示本發明的獨居個人適用型智能監測方法及智能監測系統之另一實施例的系統方塊圖。 圖5為顯示本發明的獨居個人適用型智能監測方法之第一具體實施例的流程圖。 圖6為顯示本發明的獨居個人適用型智能監測方法及智能監測系統之一實施例中追蹤監測對象於室內空間移動的軌跡圖。 圖7為顯示本發明的獨居個人適用型智能監測方法之第二具體實施例的流程圖。 圖8為顯示根據本發明的獨居個人適用型智能監測方法及智能監測系統所得到之一實施例的一監測對象每日活動指數與時間的關係圖。 圖9為顯示根據本發明的獨居個人適用型智能監測方法及智能監測系統所得到之一實施例的一監測對象每週活動指數與時間的關係圖。 圖10為顯示根據本發明的獨居個人適用型智能監測方法及智能監測系統所得到之一實施例的一監測對象在不同的空間的偵測到活動的示意圖。 圖11顯示根據本發明的獨居個人適用型智能監測方法及智能監測系統所得到之一實施例的一監測對象在一日內每個小時的活動的紀錄。 圖12顯示根據本發明的獨居個人適用型智能監測方法及智能監測系統所追蹤得到之一實施例的一監測對象的點狀雲圖。
1:獨居個人適用型智能監測系統
10:偵測裝置
20:本地運算儲存裝置
40:雲端伺服器
50:雲端資料庫
60:使用者端裝置
Claims (13)
- 一種獨居個人適用型智能監測方法,其包括: 利用一第一偵測裝置實時偵測一第一空間而取得監測對象處於該第一空間中之一實時活動訊號; 利用一第二偵測裝置實時偵測一第二空間而取得監測對象處於該第二空間中之一實時生理訊號; 基於該實時活動訊號運算得到監測對象於該第一空間中之一實時活動數據、一實時活動狀態資訊,再與一歷史活動數據進行比對以判斷該監測對象的日常活動狀態是否屬於正常或異常,若屬於異常,則發出「日常活動狀態異常」的警示訊息; 基於該實時生理訊號以一第一機器學習模型解析該實時生理訊號產生一實時生理數據,再與一歷史生理數據進行比對以判斷於該第二空間中之監測對象是否為處於非睡眠時期或睡眠時期; 當判斷為非睡眠時期時,基於該實時生理訊號經由運算得到監測對象於該第二空間中之一實時生理狀態資訊,再與一歷史生理狀態資訊進行比對判斷該監測對象的非睡眠時期是否屬於正常或異常,若屬於異常,則發出「非睡眠時期異常」的警示訊息; 當判斷為睡眠時期時,則以一第二機器學習模型及一小波熵分析法進行運算及分析該實時生理訊號而得到該監測對象的一睡眠呼吸中止指數(AHI),再與一歷史呼吸數據進行比對以判斷該監測對象的呼吸中止狀態是否屬於正常或異常,若屬於異常,則發出「呼吸中止狀態異常」的警示訊息。
- 如請求項1之獨居個人適用型智能監測方法,其中該實時活動訊號為至少表示該第一空間的座標、該監測對象於該第一空間所處的位置座標及進入、離開或停留於該第一空間的時間訊息之複數個時間序列訊號。
- 如請求項1之獨居個人適用型智能監測方法,其中該實時活動數據包括該監測對象所在空間的移動距離、移動速度、移動角度以及動作狀態中之至少一種。
- 如請求項1之獨居個人適用型智能監測方法,其中進一步以該實時活動數據的經時變化來判定該監測對象的一活動狀態資訊,該活動狀態資訊包括靜止、移動、移動軌跡、停留時間、進入時間、離開時間中之至少一種。
- 如請求項1之獨居個人適用型智能監測方法,其中該實時生理訊號為至少表示在該第二空間之該監測對象的身體隨機轉動(random body movement,RBM)、呼吸及心跳的訊息之複數個時間序列訊號。
- 如請求項1之獨居個人適用型智能監測方法,其中該生理狀態資訊包括清醒期、REM期、非REM期、睡眠呼吸中止狀態中之至少一種。
- 一種獨居個人適用型智能監測系統,其包括: 一第一偵測裝置,設置於一第一空間,且由一第一感測單元、一第一接收器及一第一傳輸單元所構成,該第一感測單元發出一第一電磁波,該第一接收器接收經反射的該第一電磁波,以得到處於該第一空間中之一監測對象的至少一監測對象的一實時活動訊號,該第一傳輸單元通過一網路傳輸該實時活動訊號; 一第二偵測裝置,設置一第二空間,且至少由一第二感測單元、一第二接收器及一第二傳輸單元所構成,該第二感測單元發出一第二電磁波,該第一接收器接收經反射的第二電磁波,以得到處於該第二空間中之一監測對象的一實時生理訊號,該第二傳輸單元通過一網路傳輸該實時生理訊號; 一本地運算儲存裝置,其通訊連接於該第一偵測裝置以接收該實時活動訊號,基於該實時活動訊號運算得到監測對象於該第一空間中之的一實時活動數據、一實時活動狀態資訊;基於該實時生理訊號運算得到監測對象於該第二空間中之一實時生理數據、一實時生理狀態資訊據以判斷於該第二空間中之監測對象是否為處於非睡眠時期或睡眠時期; 當判斷為非睡眠時期時,經由以一第一機器學習模型解析該實時生理訊號產生該實時生理數據;當判斷為睡眠時期時,則以一第二機器學習模型及一小波熵分析法進行運算及分析該實時生理訊號而得到該監測對象的一睡眠呼吸中止指數(AHI); 一雲端伺服器,經由一網路連接於該本地運算儲存裝置,並接收由該本地運算儲存裝置所傳送的該監測對象的該實時活動數據、該實時生理數據、該實時生理狀態資訊、與該睡眠呼吸中止指數(AHI),且據以判斷該監測對象的日常活動狀態、非睡眠時期或呼吸中止狀態是否屬於正常或異常,若屬於異常,則發出「日常活動狀態異常」、「非睡眠時期異常」或「呼吸中止狀態異常」的警示訊息;以及 一雲端資料庫,經由一網路連接於該雲端伺服器,用以儲存:監測對象的基本資料、第一空間資訊、第二空間資訊、第一偵測裝置資訊、第二偵測裝置資訊、實時活動數據、歷史活動數據、實時活動狀態資訊、歷史活動狀態資訊、實時生理數據、歷史生理數據、實時生理狀態資訊、歷史生理狀態資訊、以及警示訊息中之至少一種。
- 如請求項7所述之獨居個人適用型智能監測系統,其進一步包括:一使用者端裝置,經由一網路連接於該雲端伺服器,且用以至少接收經由該雲端伺服器所發送的該警示訊息並進行警示。
- 如請求項7所述之獨居個人適用型智能監測系統,其中該本地運算儲存裝置包括具有一運算分析模組的一運算單元、電性連接於該運算單元的一儲存單元,該運算分析模組對該實時活動訊號、該實時生理訊號執行運算分析而得到該監測對象的該實時活動數據、該實時生理數據、該實時活動狀態資訊、該實時生理狀態資訊;該儲存單元至少用以依照時間序列儲存該監測對象的該實時活動訊號、該實時生理訊號、該實時活動數據、該實時生理數據、該實時活動狀態資訊、該實時生理狀態資訊中之至少一種。
- 如請求項7所述之獨居個人適用型智能監測系統,其中該第一空間為可供監測對象日常作息、社交活動、盥洗、如廁或洗浴的空間;該第二空間為可供監測對象休憩或睡眠的空間。
- 如請求項7所述之獨居個人適用型智能監測系統,其中該第一空間、該第二空間為相異的空間。
- 如請求項7所述之獨居個人適用型智能監測系統,其係更包括一閘道器,該本地運算儲存裝置經由該閘道器而連接於該網路及該雲端伺服器。
- 如請求項7所述之獨居個人適用型智能監測系統,其中該第一感測單元包括以既定的發射頻率發出一第一電磁波的至少一第一雷達晶片; 該第二感測單元包括以既定的發射頻率發出一第二電磁波的至少一第二雷達晶片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111147664A TWI836783B (zh) | 2022-12-12 | 2022-12-12 | 獨居個人適用型智能監測方法及智能監測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111147664A TWI836783B (zh) | 2022-12-12 | 2022-12-12 | 獨居個人適用型智能監測方法及智能監測系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI836783B true TWI836783B (zh) | 2024-03-21 |
TW202424914A TW202424914A (zh) | 2024-06-16 |
Family
ID=91269883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111147664A TWI836783B (zh) | 2022-12-12 | 2022-12-12 | 獨居個人適用型智能監測方法及智能監測系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI836783B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180330593A1 (en) * | 2015-06-29 | 2018-11-15 | Echocare Technologies Ltd. | Human respiration feature extraction in personal emergency response systems and methods |
CN114399552A (zh) * | 2022-03-24 | 2022-04-26 | 武汉视合远方科技有限公司 | 一种室内监护环境行为识别及定位方法 |
TW202228087A (zh) * | 2021-01-13 | 2022-07-16 | 財團法人工業技術研究院 | 具影像隱私性之衰弱檢測的方法及裝置 |
CN115089157A (zh) * | 2022-07-19 | 2022-09-23 | 西安理工大学 | 非接触式居家养老监护系统及监护方法 |
CN115089135A (zh) * | 2022-04-25 | 2022-09-23 | 无锡博奥玛雅医学科技有限公司 | 一种基于毫米波雷达老人健康状态检测方法及系统 |
-
2022
- 2022-12-12 TW TW111147664A patent/TWI836783B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180330593A1 (en) * | 2015-06-29 | 2018-11-15 | Echocare Technologies Ltd. | Human respiration feature extraction in personal emergency response systems and methods |
TW202228087A (zh) * | 2021-01-13 | 2022-07-16 | 財團法人工業技術研究院 | 具影像隱私性之衰弱檢測的方法及裝置 |
CN114399552A (zh) * | 2022-03-24 | 2022-04-26 | 武汉视合远方科技有限公司 | 一种室内监护环境行为识别及定位方法 |
CN115089135A (zh) * | 2022-04-25 | 2022-09-23 | 无锡博奥玛雅医学科技有限公司 | 一种基于毫米波雷达老人健康状态检测方法及系统 |
CN115089157A (zh) * | 2022-07-19 | 2022-09-23 | 西安理工大学 | 非接触式居家养老监护系统及监护方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202424914A (zh) | 2024-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240099607A1 (en) | System, sensor and method for monitoring health related aspects of a patient | |
US11355227B2 (en) | Activity capability monitoring | |
Gokalp et al. | Integrated telehealth and telecare for monitoring frail elderly with chronic disease | |
US10902090B2 (en) | Methods and systems for remotely determining levels of healthcare interventions | |
CN113397520B (zh) | 室内对象的信息检测方法及装置、存储介质和处理器 | |
US10959645B2 (en) | Methods and systems for locating patients in a facility | |
US20140052464A1 (en) | Method and system for remote patient monitoring | |
US20210398666A1 (en) | Systems, apparatus and methods for acquisition, storage, and analysis of health and environmental data | |
US20070123754A1 (en) | Non-encumbering, substantially continuous patient daily activity data measurement for indication of patient condition change for access by remote caregiver | |
JP2020503102A (ja) | 非侵襲的に非接触で健康状態をモニタリングするためのシステム及び方法 | |
Kim et al. | IoT-based unobtrusive sensing for sleep quality monitoring and assessment | |
KR102285597B1 (ko) | 웨어러블 단말 및 이를 이용한 간호지원 시스템 | |
JP2019155071A (ja) | 事象予測システム、センサ信号処理システム、事象予測方法及びプログラム | |
TWI836783B (zh) | 獨居個人適用型智能監測方法及智能監測系統 | |
TWI776284B (zh) | 居家長期智能照顧系統和方法 | |
WO2023283834A1 (zh) | 室内对象的信息检测方法及装置、存储介质和处理器 | |
US11457875B2 (en) | Event prediction system, sensor signal processing system, event prediction method, and non-transitory storage medium | |
TWM639336U (zh) | 照護服務智能監測系統 | |
WO2019156665A1 (en) | Methods and systems for locating patients in a facility | |
JP7502737B2 (ja) | 見守り支援システムおよび見守り支援方法 | |
Gashgari et al. | Collecting patient data from sensor-based systems: benefits and challenges | |
He et al. | Contactless Polysomnography: What Radio Waves Tell Us about Sleep | |
Bandbe et al. | A Survey on IoT Cloud based Contactless Health Monitoring System | |
He et al. | What Radio Waves Tell Us about Sleep! | |
Clarke | Integrated Telehealth and Telecare for Monitoring Frail elderly with Chronic Disease |