TWI840265B - 呼吸系統病徵感測系統及裝置 - Google Patents
呼吸系統病徵感測系統及裝置 Download PDFInfo
- Publication number
- TWI840265B TWI840265B TW112124536A TW112124536A TWI840265B TW I840265 B TWI840265 B TW I840265B TW 112124536 A TW112124536 A TW 112124536A TW 112124536 A TW112124536 A TW 112124536A TW I840265 B TWI840265 B TW I840265B
- Authority
- TW
- Taiwan
- Prior art keywords
- processor
- vibration
- receivers
- symptom
- respiratory
- Prior art date
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 102
- 210000002345 respiratory system Anatomy 0.000 claims description 87
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000013145 classification model Methods 0.000 claims description 27
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 25
- 230000005236 sound signal Effects 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 23
- 230000000241 respiratory effect Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 20
- 229940079593 drug Drugs 0.000 claims description 18
- 239000003814 drug Substances 0.000 claims description 18
- 239000008280 blood Substances 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 description 15
- 210000000056 organ Anatomy 0.000 description 14
- 241001465754 Metazoa Species 0.000 description 7
- 230000035790 physiological processes and functions Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 241000699670 Mus sp. Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000621 bronchi Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一種呼吸系統病徵感測系統包含一貼片以及一處理器。該貼片包含至少一震動器以及複數個接收器。該些接收器各者產生對應該至少一震動器的一參考震動訊號以及對應一生物體之一呼吸系統的一震動訊號。該處理器根據該些參考震動訊號、該些震動訊號以及該至少一震動器分別對應該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置。該處理器利用一分類模型，根據該些震動訊號以及對應該些接收器的該些相對位置，產生對應該呼吸系統中的一空間位置及對應之一病徵種類。
Description
本揭露有關於一種病徵感測系統、裝置及方法，特別是有關於一種針對生物呼吸系統的病徵感測系統、裝置及方法。
現今臨床上診斷患者呼吸系統的方式，多由醫師以聽診器聽取患者的肺音，並進一步根據肺音判斷病徵的種類以及位置。然而，人耳能夠聽到的聲音或震動在振幅和頻率上的範圍有限，頻率過高或過低和細微的聲音皆無法被聽到。此外，醫師無法持續地監聽患者的肺音，無法長時間地監控患者的肺部徵狀。
另一方面，目前藥物實驗中實施動物實驗時，為了確認服藥後動物體內血液的藥物濃度變化，需要在不同的階段對動物進行抽血。然而，動物（例如：老鼠）的血液有限，對抽血的次數產生了限制。此外，若需要判斷動物體內的病徵變化情況，亦只能進行切片觀察，而無法以非侵入式的方式持續追蹤病徵。
有鑑於此，如何提高偵測肺音的精準度及進行長時間的監控並據以診斷患者的病徵種類、位置、嚴重程度等，為一可能可行之努力目標。
為了解決上述問題，本揭露提出一種呼吸系統病徵感測系統，包含一貼片以及一處理器。該貼片包含至少一震動器以及複數個接收器，並且該貼片用以偵測對應一生物體的一呼吸系統所產生的一震動，其中該至少一震動器用以產生一參考震動。該處理器通訊連接該貼片。該呼吸系統病徵感測系統用以執行以下運作：該些接收器各者感測對應該至少一震動器的該參考震動，並分別產生一參考震動訊號；該些接收器各者感測對應該生物體之該呼吸系統的該震動，並分別產生一震動訊號；該處理器根據該些參考震動訊號、該些震動訊號以及該至少一震動器分別對應該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置；該處理器自該些震動訊號各者擷取對應之一異常訊號；以及該處理器利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應該些接收器的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
本揭露還提出一種呼吸系統病徵感測裝置，包含一收發介面以及一處理器。該收發介面通訊連接一貼片，其中該貼片包含至少一震動器以及複數個接收器。該呼吸系統病徵感測裝置用以執行以下運作：該收發介面自該貼片接收對應該至少一震動器的複數個參考震動訊號以及對應一生物體之一呼吸系統的複數個震動訊號；該處理器根據該些參考震動訊號、該些震動訊號以及該貼片的該至少一震動器分別對應該貼片的該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置；該處理器自該些震動訊號各者擷取對應之一異常訊號；以及該處理器利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應該些接收器的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
應該理解的是，前述的一般性描述和下列具體說明僅僅是示例性和解釋性的，並旨在提供所要求的本揭露的進一步說明。
為了使本揭露之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。
請參照第1圖，其為本揭露部分實施例中呼吸系統病徵感測系統1的示意圖。呼吸系統病徵感測系統1包含處理器12以及貼片14，其中處理器12通訊連接貼片14。呼吸系統病徵感測系統1用以根據生物體的震動或聲音判斷生物體內的生理狀態。
在一些實施例中，處理器 12可包含中央處理單元（central processing unit，CPU）、多重處理器、分散式處理系統、特殊應用積體電路（application specific integrated circuit，ASIC）和/或合適的運算單元。
貼片14包含震動器V以及接收器R1、R2及R3。貼片14用以貼附於生物體的表面，並透過接收器R1、R2及R3偵測生物體的呼吸系統中之臟器（例如：支氣管、肺臟、氣管）產生的震動（亦可以理解為呼吸系統中之臟器產生的聲音）。震動器V用以產生參考震動，而接收器R1、R2及R3各者可以根據參考震動以及生物體產生的震動（例如：心音、肺音），確認其相對於生物體的相對位置。
須說明者，貼片所包含的震動器可為一個或多個，本發明未限制震動器的數量。應理解，基於多個震動器可使判斷結果更準確。為便於說明，後述實施例將以使用震動器V為例說明。
在一些實施例中，貼片14為設有震動器V以及接收器R1、R2及R3的軟性薄膜。另外，貼片14中的震動器V及接收器R1、R2及R3可與處理器12透過有線或無線的方式進行控制訊號及資料的交換。
在一些實施例中，震動器V為可以產生震動或聲音的電子元件，例如：震動元件、發聲單元。震動器V用以提供參考震動源，而參考震動可用以校正接收器的訊號。參考震動還可用以提供接收器作為計算與其他震動源（例如：心臟、肺臟）相對位置的依據。除此之外，參考震動還可用以作為針對不同的生物體調整參數的依據，由於震動在不同的身體組織中傳遞的效率並不相同，例如：脂肪的傳遞效率較肌肉低，因此透過已知的參考震動的頻率、功率，可以推算生物體的身體組織構成。
在一些實施例中，接收器R1、R2及R3為可以感測震動或聲音，並且轉換為訊號（例如：數位訊號）的電子元件，例如：麥克風。
在一些實施例中，貼片14可以貼附於生物體表面靠近心臟及肺臟的位置，例如：人體的胸部，使接收器R1、R2及R3得以感測更清楚的心音及肺音。
需要注意的是，由於生物體是立體的物件，貼片14貼附的生物體表面可能並非平面而為弧面或其他樣態。因此，為了定位在三維空間中接收器R1、R2及R3相對於生物體內臟的位置，呼吸系統病徵感測系統1需要包含3個或3個以上的接收器。然而，本實施例中的震動器V以及接收器R1、R2及R3的數量僅作為一示例。在其他實施例中，呼吸系統病徵感測系統的貼片可以設有更多的接收器和作為參考震動源的震動器。
進一步地，貼片14上設有的震動器V以及接收器R1、R2及R3之間的位置關係是已知的。例如在第1圖所繪示的實施例中，接收器R1可位於震動器V之左上角15公分處，接收器R2位於震動器V之右上角15公分處以及接收器R3位於震動器V之正下方15公分處。然而上述實施例僅作為一示例，實際上貼片14的大小及震動器V以及接收器R1、R2及R3之間的位置關係可以根據實際應用場景調整，例如：用於量測人體的貼片之大小可以大略為人體胸腔之面積，而其中的震動器與接收器可平均分布於貼片中，以確保得以感測肺部各個區塊的震動；另一方面，用於量測老鼠的貼片大小則需要調整為對應老鼠肺部大小的面積，並且其中的震動器與接收器之間的距離及位置分布亦可對應調整，以確保得以感測肺部各個區塊的震動。
在貼片14貼附於生物體表面後，由於生物個體的體型及內臟位置有所差異，因此需要先確認接收器R1、R2及R3與生物體的心臟、肺臟和/或其他器官的相對位置。
首先，接收器R1、R2及R3各者感測對應震動器V所發出的參考震動，並分別產生一參考震動訊號。
震動器V在生物體表面發出參考震動後，接收器R1、R2及R3各者則可以感測到參考震動的震動情形，並且分別產生參考震動訊號，其中參考震動訊號可以包含震動的頻率、振幅和/或感測時間。
接下來，接收器R1、R2及R3各者感測對應該生物體之該呼吸系統的該震動，並分別產生一震動訊號。
接收器R1、R2及R3感測生物體發出的震動，例如：心音和/或肺音，並且分別產生震動訊號，其中震動訊號可以包含震動的頻率、振幅和/或感測時間。
需要注意的是，接收器R1、R2及R3感測該參考震動以及該震動的運作並沒有時序上的限制，實際上可以不同的順序進行，亦可以同時進行，並且以頻譜轉換等方式分離來自震動器V的參考震動以及來自生物體的震動。
接著，處理器12根據該些參考震動訊號、該些震動訊號以及震動器V分別對應接收器R1、R2及R3的複數個位置關係判斷接收器R1、R2及R3各者相對於該生物體之該呼吸系統的一相對位置。
處理器12自接收器R1、R2及R3分別接收對應的參考震動訊號以及震動訊號後，由於貼片14上震動器V分別相對於接收器R1、R2及R3各者的相對位置及距離是已知的，處理器12可以利用飛時測距（Time of Flight，ToF）以及三角定位的方式計算接收器R1、R2及R3各者相對於生物體的震動源（例如：心臟、肺臟）的相對位置，進而確認接收器R1、R2及R3各者相對於生物體的呼吸系統之相對位置。
在一些實施例中，處理器12還可以根據取得的相對位置建立一三維模型，該三維模型中包含貼片14以及生物體的心臟、肺臟和/或呼吸系統中各個器官，並且用以表示貼片14與各個器官在三維空間中的位置關係，以及各個器官的體積大小。
具體來說，生物體的心臟及呼吸系統的器官運作時，各個部位（例如：心臟瓣膜、支氣管、肺臟）將規律地產生震動，因此可透過不同部位產生的震動計算心臟及呼吸系統的器官的位置，進一步取得心臟及呼吸系統的器官的體積及相對位置。
接下來，處理器12從該些震動訊號各者中擷取對應之一異常訊號。
由於生物體的心臟及呼吸系統的器官之各部位在健康狀態下產生的震動是規律的，因此處理器12可以將震動訊號去除心臟及呼吸系統的器官正常狀態下的震動訊號以取得心臟或呼吸系統的器官有異常徵狀的震動訊號（即，該異常訊號）。
在一些實施例中，處理器12可以利用頻譜轉換（例如：傅立葉轉換（Fourier transform）、小波轉換（wavelet transform）及希爾伯特黃轉換（Hilbert-Huang transform））將震動訊號轉換為基於頻域的頻譜訊號，再根據頻譜訊號，去除心臟及呼吸系統的器官正常狀態下的震動訊號後，擷取該異常訊號。
最後，處理器12利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應接收器R1、R2及R3的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
具體而言，處理器12確認接收器R1、R2及R3相對該生物體的相對位置後，再根據該異常訊號利用經過訓練的機器學習模型（即，該分類模型）判斷該異常訊號對應的病徵種類，藉以判斷該生物體內具有的病徵，例如：根據肺臟所產生的震動判斷肺臟的特定位置有痰或肺臟是健康的（即，沒有病徵），其中處理器12可以根據異常訊號中的振幅、頻率、接收時間等資料定位對應的生理狀態的位置。
在一些實施例中，處理器12還可以根據該異常訊號利用該分類模型判斷該異常訊號對應的病徵嚴重程度，例如：判斷該生物體處於肺癌的第幾期。
在一些實施例中，處理器12可以利用飛時測距（Time of Flight，ToF）以及三角定位的方式，根據該異常訊號計算對應的該空間位置，進而確認具有病徵的位置。
需要注意的是，本揭露所描述的該空間位置為生物體的呼吸系統所構成的三維空間中，對應異常訊號的空間位置。然而，該空間位置並不限定於一個點，而亦有可能為一個二維平面所構成的平面區域或一個三維空間所構成的空間區域。舉例來說，若呼吸系統病徵感測系統1根據異常訊號判斷左側肺部中的一區域具有纖維化的病徵，則空間位置即對應該區域的範圍。
在一些實施例中，處理器12根據該些震動訊號各者產生對應該生物體的一呼吸系統的一肺音訊號；以及處理器12根據該些肺音訊號以及對應該些接收器的該些相對位置產生對應該生物體之該呼吸系統中的該空間位置及對應該空間位置之該病徵種類。
由於接收器R1、R2及R3接收到對應該生物體的震動中，可能為心音及肺音疊加後的震動，因此在判斷該生物體的生理狀態前，處理器12還可以先將震動訊號分為肺音訊號、心音訊號以及雜訊，並進一步分別根據肺音訊號產生對應該生物體的呼吸系統中特定位置的病徵診斷結果。
需要注意的是，處理器12可以利用多種不同的技術手段自震動訊號中濾除雜訊及心音訊號以擷取肺音訊號。舉例來說，處理器12可以利用訓練後的神經網路（例如：長短期記憶模型（long short term memory network， LSTM））將心音訊號和肺音訊號分離；或是處理器12還可以高通濾波器濾除低頻雜訊後，再使用小波閾值分離心音訊號和肺音訊號。前述實施例中分離心音訊號和肺音訊號之手段僅用作示例，本揭露並不以此為限。
在一些實施例中，該分類模型是基於複數個歷史異常訊號及對應該些歷史異常訊號各者之一病徵診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該分類模型。
該分類模型可以是經由訓練資料訓練後的機器學習模型。舉例來說，臨床上利用呼吸系統病徵感測系統1取得患者的震動訊號，並透過前述方式擷取對應的異常訊號（即，歷史異常訊號），再由醫師透過X光、聽診、攝影或其他方式診斷後確認患者的病癥種類、位置、範圍及嚴重程度（即，病徵診斷結果），取得訓練資料及對應的標籤後訓練機器學習模型以取得該分類模型，其中將震動訊號輸入該分類模型後，該分類模型可以計算該震動訊號對應的病徵種類以及生物體具有對應的病徵種類之機率。
在一些實施例中，處理器12利用一濃度模型，根據該些震動訊號產生一濃度診斷結果，其中該濃度診斷結果用以表示該生物體的血液中的一藥物濃度變化。
除了確認生物體內是否有病徵外，呼吸系統病徵感測系統1還可以用於確認生物服用藥物後，體內血液藥物濃度的變化，其中該濃度模型可以由多次實驗後取得生物體內血液藥物濃度變化與震動訊號的對應關係建構而成。
在一些實施例中，該濃度模型係基於複數個歷史震動訊號組及對應該些歷史震動訊號組各者之一歷史濃度診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該濃度模型。
舉例來說，針對吸入式的肺部疾病用藥，在用藥後以呼吸系統病徵感測系統1持續紀錄生物體的震動訊號，並且同時在不同的時間點對生物體進行抽血，紀錄血液中藥物的濃度變化。進一步地，以藥物濃度變化（即，該歷史濃度診斷結果）和對應同一時間點且感測自複數個接收器的複數個震動訊號（即，該歷史震動訊號組）作為訓練資料並提供機器學習模型進行訓練以取得訓練後的模型（即，該濃度模型）。如此一來，則可以建立藥物濃度變化與震動訊號的對應關係，處理器12可以利用該濃度模型，輸入震動訊號後產生生物體的血液中對應的藥物濃度變化。
需要注意的是，本揭露並不限制該分類模型以及該濃度模型的模型種類。實務上可選擇深度學習（deep learning）或神經網路（neural network）模型，或是選擇諸如決策樹（decision tree）、K平均分群（K-means clustering）、貝氏分類器（Naive Bayes classifier）、eXtreme Gradient Boosting（XGBoost）等機器學習演算法。然而，生物體的個體之間差異較大，且影響診斷的變因較多，因此在一些實施例中，呼吸系統病徵感測系統1選擇監督式學習或半監督式學習的機器學習模型以構成該分類模型以及該濃度模型。
在一些實施例中，呼吸系統病徵感測系統1還可以多種不同的模型分別進行訓練，並且根據訓練的結果選擇判斷準確度較高之模型（即，彼此競爭）作為該分類模型以及該濃度模型。
請參考第2圖，其為本揭露第二實施方式中呼吸系統病徵感測方法2的流程圖。呼吸系統病徵感測方法2包含步驟S21、S22、S23及S24。呼吸系統病徵感測方法2適用於一呼吸系統病徵感測系統（例如：呼吸系統病徵感測系統1）。該呼吸系統病徵感測系統包含一處理器（例如：處理器12）及一貼片（例如：貼片14），其中該處理器通訊連接該貼片。該貼片包含一震動器（例如：震動器V）以及複數個接收器（例如：接收器R1、R2及R3）。該貼片用以偵測對應一生物體的一呼吸系統所產生的一震動，並且該震動器用以產生一參考震動。
在步驟S21中，該些接收器各者感測對應該震動器的該參考震動，並分別產生一參考震動訊號。
在步驟S22中，該些接收器各者感測對應該生物體之該呼吸系統的該震動，並分別產生一震動訊號。
在步驟S23中，該處理器根據該些參考震動訊號、該些震動訊號以及該震動器分別對應該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置。
在步驟S24中，該處理器自該些震動訊號各者擷取對應之一異常訊號。
在步驟S25中，該處理器利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應該些接收器的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
在一些實施例中，呼吸系統病徵感測方法2還包含該處理器根據該些震動訊號各者產生對應該呼吸系統的一肺音訊號；以及該處理器根據該些肺音訊號以及對應該些接收器的該些相對位置產生對應該生物體之該呼吸系統中的該空間位置及對應該空間位置之該病徵種類。
在一些實施例中，該處理器產生該肺音訊號的步驟進一步包含該處理器濾除該些震動訊號中的一雜訊以及一心音訊號。
在一些實施例中，該處理器擷取該異常訊號的步驟進一步包含該處理器將該震動訊號轉換為基於一頻域的頻譜訊號；以及該處理器根據該頻譜訊號擷取該異常訊號。
在一些實施例中，該分類模型用以計算該震動訊號對應的該病徵種類以及該生物體具有對應的該病徵種類之一機率。
在一些實施例中，該分類模型是由以下步驟產生：基於複數個歷史異常訊號及對應該些歷史異常訊號各者之一病徵診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該分類模型。
在一些實施例中，呼吸系統病徵感測方法2還包含該處理器利用一濃度模型，根據該些震動訊號產生一濃度診斷結果，其中該濃度診斷結果用以表示該生物體的血液中的一藥物濃度變化。
在一些實施例中，該濃度模型是由以下步驟產生：基於複數個歷史震動訊號組及對應該些歷史震動訊號組各者之一歷史濃度診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該濃度模型。
在一些實施例中，該處理器利用一飛時測距以及一三角定位的方式計算該些接收器各者相對於該生物體之該呼吸系統的該相對位置以及對應該生物體之該呼吸系統中的該空間位置。
請參考第3圖，為本揭露第三實施方式中呼吸系統病徵感測裝置3的示意圖。呼吸系統病徵感測裝置3包含處理器32以及收發介面34。呼吸系統病徵感測裝置3用以根據自一貼片所取得之訊號判斷生物體內的生理狀態，其中該貼片可以是第一實施方式中呼吸系統病徵感測系統1的貼片14。
在一些實施例中，處理器 32可包含中央處理單元（central processing unit，CPU）、多重處理器、分散式處理系統、特殊應用積體電路（application specific integrated circuit，ASIC）和/或合適的運算單元。
收發介面34用以和該貼片通訊連接並且向該貼片傳輸及接收訊號，其中該貼片包含一震動器以及複數個接收器。收發介面34可包含一或多種不同通訊協定之介面（interface），例如：近場通訊（near-field communication，NFC）介面、藍牙介面、乙太網路介面、WiFi網路介面和/或其他通訊介面。
處理器 32具有與第一實施方式中呼吸系統病徵感測系統1的處理器 12相同之功能，並且用以執行相同之運作，因此為了方便說明不再贅述相關細節。
首先，收發介面34自該貼片接收對應該震動器的複數個參考震動訊號以及對應一生物體之一呼吸系統的複數個震動訊號。
接下來，處理器 32根據該些參考震動訊號、該些震動訊號以及該貼片的該震動器分別對應該貼片的該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置。
接著，處理器 32自該些震動訊號各者擷取對應之一異常訊號。
最後，處理器 32利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應該些接收器的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
在一些實施例中，處理器 32還根據該些震動訊號各者產生對應該呼吸系統的一肺音訊號；以及處理器 32根據該些肺音訊號以及對應該些接收器的該些相對位置產生對應該生物體之該呼吸系統中的該空間位置及對應該空間位置之該病徵種類。
在一些實施例中，處理器 32產生該肺音訊號的運作進一步包含處理器 32濾除該些震動訊號中的一雜訊以及一心音訊號。
在一些實施例中，處理器 32擷取該異常訊號的運作進一步包含處理器 32將該震動訊號轉換為基於一頻域的頻譜訊號；以及處理器 32根據該頻譜訊號擷取該異常訊號。
在一些實施例中，該分類模型用以計算該震動訊號對應的該病徵種類以及該生物體具有對應的該病徵種類之一機率。
在一些實施例中，該分類模型是由以下運作產生：基於複數個歷史異常訊號及對應該些歷史異常訊號各者之一病徵診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該分類模型。
在一些實施例中，處理器 32還利用一濃度模型，根據該些震動訊號產生一濃度診斷結果，其中該濃度診斷結果用以表示該生物體的血液中的一藥物濃度變化。
在一些實施例中，該濃度模型是由以下運作產生：基於複數個歷史震動訊號組及對應該些歷史震動訊號組各者之一歷史濃度診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該濃度模型。
在一些實施例中，處理器 32利用一飛時測距以及一三角定位的方式計算該些接收器各者相對於該生物體之該呼吸系統的該相對位置以及對應該生物體之該呼吸系統中的該空間位置。
根據上述實施例，呼吸系統病徵感測裝置3可以自該貼片接收參考震動訊號以及震動訊號，並且透過如第一實施方式中所描述之運作根據參考震動訊號以及震動訊號產生對應一生物體之一呼吸系統中的一空間位置、對應該空間位置之一病徵種類、濃度診斷結果等前述提及的運作產出結果。
如此一來，醫師可以使用呼吸系統病徵感測裝置3提供患者遠端醫療服務。患者可以將該貼片貼附於身體上，醫師透過呼吸系統病徵感測裝置3接收自該貼片的訊號並且根據訊號產出對應患者的診斷資訊，可打破時空的限制並實現遠端醫療的運作模式。
綜上所述，本揭露所提供的呼吸系統病徵感測系統及方法可以利用多個接收器感測生物體的聲音或震動，確認生物體的呼吸系統內臟器的位置後，判斷生物體內的生理狀態。呼吸系統病徵感測系統及方法可以應用於病徵的種類及位置的判斷，以及服用藥物後生物體內的變化並推測血液中藥物濃度的變化。由於呼吸系統病徵感測系統及方法利用震動器產生參考震動的技術手段進行定位，不受生物體型的限制且可應用於不同的生物。如此一來，應用之範圍除了人體的診斷，還可以應用於動物的診斷或動物實驗。進一步地，透過貼片與呼吸系統病徵感測裝置的遠端運作，還可以實現遠端醫療的服務。
雖以數個實施例詳述如上作為示例，然本揭露所提出之呼吸系統病徵感測系統、裝置及方法亦得以其他系統、硬體、軟體、儲存媒體或其組合實現。因此，本揭露之保護範圍不應受限於本揭露實施例所描述之特定實現方式，當視後附之申請專利範圍所界定者為準。
對於本揭露所屬技術領域中具有通常知識者顯而易見的是，在不脫離本揭露的範圍或精神的情況下，可以對本揭露的結構進行各種修改和變化。鑑於前述，本揭露之保護範圍亦涵蓋在後附之申請專利範圍內進行之修改和變化。
1:呼吸系統病徵感測系統
12:處理器
14:貼片
R1~R3:接收器
V:震動器
2:呼吸系統病徵感測方法
S21~S24:步驟
3:呼吸系統病徵感測裝置
32:處理器
34:收發介面
為讓本揭露之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：
第1圖為本揭露第一實施方式中呼吸系統病徵感測系統的示意圖；
第2圖為本揭露第二實施方式中呼吸系統病徵感測方法的流程圖；以及
第3圖為本揭露第三實施方式中呼吸系統病徵感測裝置的示意圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
1:呼吸系統病徵感測系統
12:處理器
14:貼片
R1~R3:接收器
V:震動器
Claims (10)
- 一種呼吸系統病徵感測系統，包含：一貼片，用以偵測對應一生物體的一呼吸系統所產生的一震動，包含：至少一震動器，用以產生一參考震動；以及複數個接收器；以及一處理器，通訊連接該貼片；其中該呼吸系統病徵感測系統用以執行以下運作：該些接收器各者感測對應該至少一震動器的該參考震動，並分別產生一參考震動訊號；該些接收器各者感測對應該生物體之該呼吸系統的該震動，並分別產生一震動訊號；該處理器根據該些參考震動訊號、該些震動訊號以及該至少一震動器分別對應該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置；該處理器自該些震動訊號各者擷取對應之一異常訊號；以及該處理器利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應該些接收器的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
- 如請求項1所述之呼吸系統病徵感測系統， 其中該處理器執行的運作進一步包含：該處理器根據該些震動訊號各者產生對應該呼吸系統的一肺音訊號；以及該處理器根據該些肺音訊號以及對應該些接收器的該些相對位置產生對應該生物體之該呼吸系統中的該空間位置及對應該空間位置之該病徵種類。
- 如請求項2所述之呼吸系統病徵感測系統，其中該處理器產生該肺音訊號的運作進一步包含該處理器濾除該些震動訊號中的一雜訊以及一心音訊號。
- 如請求項1所述之呼吸系統病徵感測系統，其中該處理器擷取該異常訊號的運作進一步包含：該處理器將該震動訊號轉換為基於一頻域的頻譜訊號；以及該處理器根據該頻譜訊號擷取該異常訊號。
- 如請求項1所述之呼吸系統病徵感測系統，其中該分類模型用以計算該震動訊號對應的該病徵種類以及該生物體具有對應的該病徵種類之一機率。
- 如請求項1所述之呼吸系統病徵感測系統，其中該分類模型是由以下運作產生：基於複數個歷史異常訊號及對應該些歷史異常訊號各者 之一病徵診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該分類模型。
- 如請求項1所述之呼吸系統病徵感測系統，其中該呼吸系統病徵感測系統進一步用以執行以下運作：該處理器利用一濃度模型，根據該些震動訊號產生一濃度診斷結果，其中該濃度診斷結果用以表示該生物體的血液中的一藥物濃度變化。
- 如請求項7所述之呼吸系統病徵感測系統，其中該濃度模型是由以下運作產生：基於複數個歷史震動訊號組及對應該些歷史震動訊號組各者之一歷史濃度診斷結果，訓練一機器學習模型；以及將訓練完成之該機器學習模型作為該濃度模型。
- 如請求項1所述之呼吸系統病徵感測系統，其中該處理器利用一飛時測距以及一三角定位的方式計算該些接收器各者相對於該生物體之該呼吸系統的該相對位置以及對應該生物體之該呼吸系統中的該空間位置。
- 一種呼吸系統病徵感測裝置，包含：一收發介面，通訊連接一貼片，其中該貼片包含至少一震動器以及複數個接收器；以及一處理器，電性連接該收發介面； 其中該呼吸系統病徵感測裝置用以執行以下運作：該收發介面自該貼片接收對應該至少一震動器的複數個參考震動訊號以及對應一生物體之一呼吸系統的複數個震動訊號；該處理器根據該些參考震動訊號、該些震動訊號以及該貼片的該至少一震動器分別對應該貼片的該些接收器的複數個位置關係判斷該些接收器各者相對於該生物體之該呼吸系統的一相對位置；該處理器自該些震動訊號各者擷取對應之一異常訊號；以及該處理器利用一分類模型，根據對應該些震動訊號的該些異常訊號以及對應該些接收器的該些相對位置，產生對應該生物體之該呼吸系統中的一空間位置及對應該空間位置之一病徵種類。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112124536A TWI840265B (zh) | 2023-06-30 | 2023-06-30 | 呼吸系統病徵感測系統及裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112124536A TWI840265B (zh) | 2023-06-30 | 2023-06-30 | 呼吸系統病徵感測系統及裝置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI840265B true TWI840265B (zh) | 2024-04-21 |
Family
ID=91618844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112124536A TWI840265B (zh) | 2023-06-30 | 2023-06-30 | 呼吸系統病徵感測系統及裝置 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI840265B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107374632A (zh) * | 2017-07-21 | 2017-11-24 | 青岛康庆和医药科技有限责任公司 | 一种外科手术中的呼吸音监测装置及其使用方法 |
| US20190388056A1 (en) * | 2016-12-06 | 2019-12-26 | Gerardo Rodriquez | Stand-alone continuous cardiac doppler and acoustic pulse monitoring patch with integral visual and auditory alerts, and patch-display system and method |
| TWM647887U (zh) * | 2023-06-30 | 2023-11-01 | 香港商亞證環球藥業有限公司 | 呼吸系統病徵感測系統及裝置 |
-
2023
- 2023-06-30 TW TW112124536A patent/TWI840265B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190388056A1 (en) * | 2016-12-06 | 2019-12-26 | Gerardo Rodriquez | Stand-alone continuous cardiac doppler and acoustic pulse monitoring patch with integral visual and auditory alerts, and patch-display system and method |
| CN107374632A (zh) * | 2017-07-21 | 2017-11-24 | 青岛康庆和医药科技有限责任公司 | 一种外科手术中的呼吸音监测装置及其使用方法 |
| TWM647887U (zh) * | 2023-06-30 | 2023-11-01 | 香港商亞證環球藥業有限公司 | 呼吸系統病徵感測系統及裝置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210219925A1 (en) | Apparatus and method for detection of physiological events | |
| Kim et al. | The coming era of a new auscultation system for analyzing respiratory sounds | |
| US20190343466A1 (en) | System and Method of Extraction, Identification, Marking and Display of Heart Valve Signals | |
| US20210030390A1 (en) | Electronic stethoscope | |
| CN111315299A (zh) | 声音定位系统和方法 | |
| TW200526174A (en) | Analysis of auscultatory sounds using single value decomposition | |
| US20060116878A1 (en) | Asthma diagnostic apparatus, asthma diagnostic method, and storage medium storing asthma diagnostic program | |
| CA3189484A1 (en) | Sensor systems and methods for characterizing health conditions | |
| TWM647887U (zh) | 呼吸系統病徵感測系統及裝置 | |
| US20090171221A1 (en) | System apparatus for monitoring heart and lung functions | |
| US20220378377A1 (en) | Augmented artificial intelligence system and methods for physiological data processing | |
| KR20140146782A (ko) | 동물 무선 청진진단 시스템 | |
| WO2017120138A1 (en) | System and method of extraction, identification, making and display of the heart valve signals | |
| TWI840265B (zh) | 呼吸系統病徵感測系統及裝置 | |
| US20220151582A1 (en) | System and method for assessing pulmonary health | |
| Rao et al. | Tabla: An acoustic device designed for low cost pneumonia detection | |
| WO2022067077A1 (en) | Beamforming systems and methods for detecting heart beats | |
| EP3694416B1 (en) | System for recording chest signals and method using said system | |
| US11083403B1 (en) | Pulmonary health assessment system | |
| KR20220021989A (ko) | 수면중 코골이 소리와 수면 자세 분석 기반 수면 자세와 코골이 상관관계 모니터링 방법 및 장치 | |
| Kanji | Classification of Auscultation Sounds Using a Smart System | |
| Marani et al. | Design of advanced electronic biomedical systems | |
| Andres et al. | Respiratory sounds analysis in the world of health 2.0 and medicine 2.0 | |
| TWI822508B (zh) | 多維度人工智能聽診裝置 | |
| CN111528831B (zh) | 一种心肺音采集方法、装置和设备 |