CN113384247A - 照护系统与自动照护方法 - Google Patents

Abstract

一种照护系统与自动照护方法，照护系统适用于一在被照护状态下的被照护者，通过设置于被照护者四周的传感器判断被照护者的生理状况，特别可通过监测睡眠障碍而判断被照护者的健康情况。其中，居家照护系统通过音频接收器接收被照护者的声音，经扣除背景音信号后，可得出被照护者发出的音频，并以影像传感器取得被照护者的影像，从中进行移动检测，以取得被照护者的姿态影像。当配合其他生理传感器与环境传感器，学习各种数据后，可以人工智能技术建立一照护警示预测模型，以判断被照护者的状态是否达到警示门槛。

Description

照护系统与自动照护方法

技术领域

本发明涉及一种照护系统，特别是指监控被照护者睡眠或特定状态的数据进而达到预警与提醒效果的照护系统，以及自动照护方法。

背景技术

现有的医疗照护系统运行方式主要是在被照护者身上或周围设置生理传感器，通过网络连接一照护中心，可以让照护中心随时得到终端的生理传感器所传送的生理信息，并可分析得出被照护者的生理状态。

现有的医疗照护系统是否可以确实达成照护被照护者的目的，端赖于照护中心的立即分析能力，以及被照护者端的生理传感器能够提供的生理数据，然而，常见穿戴于被照护者身上的生理传感器仅能提供有限的生理信息，并且为独立判读各种生理数据，加上，准确的生理状态判断还应该依据被照护者过去的医疗记录、当下的环境因素，配合所收集的生理数据执行一综合判断，现行技术并未能有效执行。

就整体各种生理数据而言，需要专业医师依照经验判断，但仍无法顾及所有可能性，因此不能有效对特定状况发出警信或是提醒，让居家照护的目的打了折扣。特别是针对居家照护的目的，一般来说，居家照护的生理传感器无法与医疗院所的设备相比，得到的生理数据有限，且无法针对特定状况准确判读，例如被照护者睡眠质量，这是影响居家照护的重要项目的一个，不仅影响被照护者的健康状况，也因为随时要注意被照护者情况，也影响照护提供者的生活质量。

发明内容

本发明公开一种照护系统与自动照护方法，其中包括一种机器学习方法，适用于在居家或医疗院所等需要被照护状态下的被照护者，系统通过被照护者四周生理传感器、影像传感器与音频传感器等设备实现居家照护的目的，其主要目的的一个是能够让照护提供者通过以机器学习的机制产生的照护程序执行更有效率的照护。

根据照护系统主要架构实施例，包括一数据处理单元，以及多个传感器，多个传感器中包括第一组传感器，这是以全时运行并产生关于一被照护者的感测数据，以及第二组传感器，这是能根据数据处理单元的一指令启动后，产生关于被照护者的感测数据。其中，当数据处理单元根据第一组传感器产生的第一组感测数据判断达到第一门槛时，即启动第二组传感器，第二组传感器产生第二组感测数据。进一步地，当数据处理单元接收到第二组感测数据，可根据第二门槛判断是否满足发出警示信息的条件。

根据实施例，照护系统的主要组件包括一数据处理单元，以及耦接此数据处理单元的各种传感器组件，如音频接收器，用以接收被照护者的声音，经扣除背景音信号，可得出被照护者发出的音信；影像传感器用以取得被照护者的影像，从中进行移动检测，以取得被照护者的姿态影像，如此，照护系统可通过数据处理单元执行一自动照护方法。

在此方法中，通过影像传感器全时拍摄被照护者的姿态影像，并执行移动检测，当判断被照护者的影像变动值超过一门槛时，即启动音频接收器接收被照护者发出的音频，根据音频判断被照护者状况，判断是否达到警示门槛，若达到警示门槛，即产生警示信息。

进一步地，照护系统还可包括一或多个生理传感器，用以感测被照护者的生理状态，并产生生理数据，如此，可通过生理数据判断是否产生警示信息。

优选地，在取得音信的步骤中，从被照护者发出的音频比对声音样本，包括音量以及/或音频，可判断被照护者是否有需要实时看护的情况，例如呼吸中止、产生呛咳音，或产生痰音等呼吸窘迫的情况。

进一步地，照护系统还包括一机器学习单元，根据数据处理单元取得被照护者发出的音频以及姿态影像，对照临床数据，建立一照护警示预测模型。建立照护警示预测模型时，可纳入环境传感器感测数据，以及系统通过用户接口所接收的信息，成为机器学习单元建立照护警示预测模型的各种因素。

根据实施例的一个，所述自动照护方法即应用于所述照护系统中，自动照护方法集包括通过影像传感器全时拍摄被照护者的姿态影像，并执行移动检测，当判断被照护者的影像变动值超过一门槛时，即启动音频接收器接收被照护者发出的音频，根据音频判断被照护者状况，判断是否达到警示门槛。

进一步地，其他使用的数据包括由一或多个生理传感器感测被照护者的生理状态所产生的生理数据、通过音频比对所判断被照护者是否有特定需要看护的情况，如呼吸中止状况，或产生呛咳音，或产生痰音等情况，并可采用一机器学习方法，根据被照护者发出的音频以及姿态影像，对照临床数据，建立照护警示预测模型。

附图说明

图1显示照护系统的运行情境示意图；

图2显示照护系统中的各功能模块实施例示意图；

图3显示照护系统中自动照护方法的实施例流程图；

图4显示利用影像传感器驱动四周装置的实施例流程图；

图5显示自动照护方法中通过机器学习方法建立预测模型的实施例流程图；

图6显示照护系统采用人工智能技术建立照护警示预测模型的实施例示意图；

图7显示自动照护方法中以音信判断被照护者状态的实施例流程图；以及

图8显示自动照护方法中应用照护警示预测模型预测被照护者异常状况的实施例流程图。

具体实施方式

有鉴于现行照护系统倚赖人力(照护提供者)进行照护，并可能在特定情况下需要提供24小时的照护服务，对于医疗院所有人力的需求，对居家照护提供者则带来极大的负担，即便有各种传感器技术辅助照护，但因为没有依照被照护者个人生理与环境情况提供的照护警示机制，因此仍需要人力时常关切才能避免系统无法准确警示真正的紧急事件，或是产生误警报而让照护提供者频于解决错误信息。如此，本发明公开一种利用多种传感器技术实现的照护系统与自动照护方法，其中还引入机器学习技术建立照护警示预测模型，以提供自动化以及兼顾个人化的照护警示服务，其中主要的技术目的的一个是能够纾解传统照护提供者的负担，而避免传统人力或搭配有限感测技术产生的问题。

照护系统的实施例可参考图1所示的运行情境示意图。

图中显示有一被照护者10躺在床上，在家或是在特定养护中心，在家中或是特定中心并不会如同医院有相当等级的监视设备，因此所述照护系统为感测被照护者10生理数据为主，能够提供初步的照护功能，然而，进一步地，更加上人工智能技术机器学习的方法，仍可以在有限的数据中得出判断被照护者生理状况的能力。此例中，被照护者10身上连接生理传感器，如感测手环101，可以得到的生理数据例如体温、脉搏、呼吸、血压、心率等数据，可由一对应的生理数据显示器103显示数据，一般来说也设有各种数据的警示门槛，执行初步照护的功能。更者，系统可以设置有血氧检测器102，连结于被照护者10身上，如手指头，以取得血氧数据，并可于血氧仪104上监看。

另外，照护系统还可包括其他各式生理感测装置，例如可以胸带得到被照护者10的胸廓起伏、胸廓运动的频率、胸廓深浅差等，作为判断被照护者10生理状态的依据。

在此实施例示意图中，床边设有一影像传感器，如图示中的摄影机105，可以全时拍摄被照护者10的影像，并在拍摄过程中执行移动检测。执行移动检测时，可以先通过连续影像建立一个背景影像，包括其中不动的对象，如床、衣柜、固定设备等，再通过前后影像比对后得出其中变动的影像，前后比对后得出的变化可以判断出被照护者10的姿态影像，这些姿态影像将可以得出被照护者10的行为，判断出被照护者10的状况。举例来说，通过姿态影像可以判断出被照护者10在睡眠中是否有翻身、短时间内激烈手足变化、掉落床下、起床等动作，可以提供姿态变化的警示门槛，当有异常变化时产生警示信息。

更者，床边可再设有一音频接收器，如图示中的麦克风107，用于接收被照护者10的声音，特别是呼吸相关的声音。其中，在利用麦克风107接收四周声音时，可以先建立背景音频，背景音频为四周固定产生的音信，如设备运行的声音、散热风扇、冷气声音等，一旦背景音频建立后，通过麦克风107所录制的音频可以扣除这个背景音信，可以判断出由被照护者10发出的声音。

举例来说，照护系统可用于检测被照护者10睡眠质量，利用麦克风107录制被照护者10睡眠时发出的音响，以判断需要实时看护的情况，例如呛咳音、痰音、呼吸音等，还能根据连续声音判断出呼吸中止的情况。如此，音信成为判断被照护者10很重要的信息，特别是与睡眠有关的生理状况。

而上述实施例所记载利用各种传感器得出的被照护者生理数据能够配合照护提供者或被照护者主动触发产生的反馈信息，经由系统注记的机制，得出关键时间内的关键数据，不同于传统人工智能中建立模型需要的大数据，这类照护系统产生的数据为个人化的数据，可以针对个人的情况建立照护警示预测模型，能提供个人化的照护警示服务，能有效舒缓照护提供者的负担。

在此一提的是，应用于上述照护情境中的自动照护方法可应用各种可以感测被照护者10的生理传感器，例如通过感测手环102感测到被照护者10的脉搏与所反映的心率状态，以及通过血氧检测器102感测到的血氧情况，让不同感测数据之间建立数据的关联性，可个别或综合判断被照护者10的情况，使得被照护者10受到更完整的照顾。

图2接着显示照护系统中的各功能模块实施例示意图，其中功能模块可以由软件实现，或是软件搭配硬件设备实现。

所述照护系统主要组件为在被照护者四周的各式感测设备，其中设有处理各感测设备产生的数据的数据处理单元201，如一个计算机系统的中央处理器，可具备有强大的数据处理能力，除了存储已经产生的数据外，还可以有效地处理实时产生的数据，并可以执行机器学习的算法，执行大数据分析后，建立用于预测被照护者生理状况的模型。

根据照护系统的实施例，包括了电性连接数据处理单元201的多种传感器，可包括各式生理传感器202、音频接收器203、影像传感器204以及环境传感器205，还可包括耦接于此数据处理单元201的机器学习单元207，并可通过用户接口209与用户装置210联机后，接收被照护者本人，或是照护提供者输入的信息。

照护系统还可通过网络20，以特定通信协议与外部系统21或医疗云23联机后，除了提供被照护者的数据外，还能据此获得各种临床数据、个人或群体的大数据分析结果等，作为照护系统实现人工智能的数据。

在此照护系统，数据处理单元201如系统的中央处理器，整合各外围设备产生的数据，经处理后，执行警示判断，与外部系统21(例如医疗单位、照护中心等)、医疗云23等联机，还包括利用人工智能建立的照护警示预测模型预测被照护者生理状况。

音频接收器203用以接收被照护者的声音，如以上实施例所述，经扣除背景音信号，可得出被照护者发出的音信，因此，在自动照护方法中，系统可以根据音频接收器203得到的音信取得被照护者发出的音频，再比对声音样本(包括音量以及/或音频)后，可判断被照护者是否有需要照护的情况，例如(但不限于)呼吸中止状况，或产生呛咳音，或产生痰音等情况。

影像传感器204用以取得被照护者的影像，从中进行移动检测，根据以上实施例所描述的方法，在全时拍摄时随时判断被照护者的姿态影像，并执行移动检测。根据一实施例，影像传感器204提供的移动检测结果可以作为是否执行音信接收与判断的启动依据。举例来说，当从影像判断，被照护者进入睡眠，即接续全时摄影并判断睡眠中的姿态变动情况。当在此时间内判断被照护者的影像变动值超过一门槛时，可能表示有睡眠障碍，包括处于呼吸窘迫，或需要由照护提供者介入或不需介入的状态，即启动音频接收器203接收被照护者发出的音信。之后，系统可根据音频判断被照护者状况，判断是否达到一警示门槛，若达到警示门槛，表示音频显示出被照护者处于危及而窘迫的状况，如有严重的呼吸中止状况、喘不过气的现象等情况，即产生警示信息。

如此，所述照护系统可以根据设于被照护者的音频接收器203与影像传感器204执行居家或特定场合照护的任务。更者，照护系统还可包括一或多个生理传感器202，用以感测被照护者的生理状态，并产生生理数据，例如：体温、脉搏、呼吸、血压、心率等，实际运行时，照护系统可不受限于这些生理传感器以及所取得的数据。在所述数据处理单元201执行的自动照护方法中，接收这些生理数据后，可个别或综合判断是否产生警示信息。

所述环境传感器205可以为温湿度传感器、空气质量传感器、气压传感器等，这些环境数据可用于修正判断被照护者生理状况的门槛，因为被照护者与仪器都有可能受到这些环境因素影响，例如，被照护者在空气质量很糟的环境中或室内的温湿度异常容易产生身体不适的情况。

在一实施例中，照护系统还可包括耦接于此数据处理单元201的机器学习单元207，机器学习单元207能够根据数据处理单元201取得被照护者发出的音频以及姿态影像，对照临床数据，通过大数据分析方法建立一照护警示预测模型。

更者，通过机器学习单元207实现照护警示预测模型的过程中，所应用的数据还可包括环境传感器205所感测被照护者的环境数据以及各式生理传感器202产生的生理数据，成为机器学习单元207建立照护警示预测模型的因素的一个。根据机器学习单元207执行机器学习时，照护系统通过用户接口209来接收被照护者或照护提供者，利用用户装置210产生的警示信息，这是提供被照护者、照护提供者或他人针对系统并未判断出的情况给予指示的措施，同样成为机器学习单元207建立照护警示预测模型的因素的一个。

举例来说，照护系统可通过用户接口209与用户装置210联机后，接收被照护者本人，或是照护提供者输入的信息。也就是说，在系统通过机器学习单元207进行大数据分析建立照护警示预测模型时，被照护者本身实际生理的感受可以通过操作用户装置210经用户接口209输入至照护系统中，成为反馈机器学习单元207的信息；同样地，照护提供者也可以根据本身的判断产生反馈信息，通过用户装置210经用户接口209输入至照护系统中，让系统可以取得除了传感器产生的数据以外的信息，可用以调校系统利用机器学习建立的照护警示预测模型。

更者，照护系统还可通过网络20，以特定通信协议与外部系统21或医疗云23联机后，除了提供被照护者的数据外，还能据此获得各种临床数据、个人或群体的大数据分析结果等，作为照护系统实现人工智能的数据。

根据照护系统的实施例，在被照护者的身上或四周装设各种影像、声音、生理与环境传感器，如图2实施例所提到的生理传感器(202)、音频接收器(203)、影像传感器(204)与各式环境传感器(205)，执行所述自动照护方法时，这些传感器中的一两样可以随时处于运行中，例如生理传感器(可称第一组传感器)，可通过照护系统中的数据处理单元(201，图2)处理并判断有生理数据超过门槛时，产生警示信息，即启动其他处于休眠状态(省电模式)的传感器(可称第二组传感器)，使得系统可以在当下可以接收到多样感测信号，根据前后收集的数据，包括有预期为异常而被照护者确实处于紧急状态的信息，也包括未预期但被照护者却发生紧急事件的信息，成为机器学习很重要的数据。

在一实施例中，在照护系统中的多个传感器中，用于全时运行的可为两个或以上的传感器(第一组传感器)，当系统根据其中的一个或是多个传感器搭配产生的信号综合判断符合警示条件时，除产生警示信息外，更通过系统启动其他未全时运行的传感器(第二组传感器)，使得照护系统可以得到被照护者更全面的信息。

在机器学习的目的下，照护系统可以根据机器学习演算建模得出的模型得出第一组传感器产生警示信息的条件，机器学习单元207(图2)更取得第二组传感器的数据，如此，可被照护者、照护提供者产生的反馈学习更新或建立判断被照护者是否处于紧急状态的条件，并建立预测模型。预测模型可用于根据有限或是完整的感测数据预测被照护者的生理状况。

图3显示照护系统中自动照护方法的实施例流程图，照护系统设有多个传感器，电性连接系统中的数据处理单元，其中包括第一组传感器，为以全时运行并产生关于被照护者的感测数据，以及第二组传感器，根据数据处理单元的指令启动后，产生关于被照护者的感测数据。

照护系统运行时，可先由所述第一组传感器(可以包括一或多个传感器)全时运行，并连续性地产生关于被照护者的第一组感测数据(步骤S301)，通过数据处理单元的执行，根据第一门槛，判断第一组传感器产生的第一组感测数据是否达到此门槛，以判断是否符合警示条件？(步骤S303)。

在一实施例中，除了系统在此流程中自动判断是否情况符合产生警示的门槛外，还可借助如图2显示提供用户装置(210)通过用户接口(209)输入外部指令(步骤S315)，辅助判断目前情况应该符合或是不符合警示条件，以能修正原来的判断，让系统执行或是不继续执行以下步骤。在此措施下，可补足系统运行的缺失，增加照护的质量，都可以反映在后续机器学习中。

当感测数据尚未达到警示条件时(否)，仍重复步骤S301，第一组传感器持续运行。在此一提的是，这时，照护提供者(或特定人)仍能介入此照护流程，也就是即便感测数据并未达到系统建立的警示条件，但若照护提供者发现可能仍有警示的需求时，可以通过如图2显示的用户装置(210)经用户接口(209)设定此阶段警示，让程序可以继续，如步骤S305，启动第二组传感器运行。而这部分照护提供者介入产生的数据仍是提供后续分析与机器学习的重要信息。

若第一组感测数据达到警示条件(是)，数据处理单元产生一指令，即启动第二组传感器(可包括一或多个传感器)，并经感测产生第二组感测数据(步骤S305)。这时，经数据处理单元接收到此第二组感测数据，判断是否满足发出警示信息的条件，若第二组感测数据也达到另一系统设定的第二门槛时，即发出警示信息。在特定实施例中，由于启动第二组传感器表示系统判断处于一个关键时刻，可以在启动第二组传感器时，注记与保留一段时间的第一组感测数据与第二组感测数据以反馈给机器学习单元(如图2，207)。

更者，还可根据预测模型的判断发出警示。此例中，照护系统可以根据上述警示信息产生的时间，将此时间前后产生的第一组传感器产生的数据存储起来，也同时存储此时被启动的第二组传感器所产生的感测数据(步骤S307)，并将所存储的感测数据输入至通过机器学习算法建立的预测模型(步骤S309)。

根据再一实施例，输入感测数据至预测模型外，还可增加外部数据(步骤S317)，例如由图2显示的外部系统(21)或健康云(23)等外部数据，通过实时得到的外部数据，可以让整个判断依据更加完备。

预测模型是根据医疗院所、健康云等数据，加上被照护者个人的历史数据、临床数据等学习后，得出其中特征关联性所建立的模型，并且可以根据实际状况的反馈优化其中参数，使得可以有效利用有限的感测数据，如被照护者当下以第一组传感器与第二组传感器产生的数据，进行预测被照护者生理状况，以判断是否发出警示信息？(步骤S311)。

通过预测模型，当判断并非紧急状态(否)，步骤仍回到S301，此时，仍可维持第一组传感器持续运行并产生持续性的感测数据，第二组传感器则可以不必全时工作而回到省电模式。反之，当判断需要发出警示时，如步骤S313，系统将产生警示信息。

同样地，在步骤S311中，即便判断没有紧急状态，系统仍提供照护提供者通过如图2显示的用户装置(210)经用户接口(209)设定警示，包括注记与保留一段时间的数据以反馈给系统。

在另一实施例中，除了所述第二组传感器在判断符合警示条件后才启动之外，第一组与第二组传感器可以全时在背景运行，持续收集数据，当根据第一组传感器产生的数据判断有符合警示条件的情况时，系统将主动将标注与存储第一与第二组传感器在一段时间(如前后1分钟)的感测数据，这段时间的数据应该是较为关键的数据，可以用于后续数据分析的用途，包括提供机器分析的用途。

于再一实施例中，照护系统中的影像传感器(204，图2)也可作为上述全时运行的第一传感器，当判断有任何异常、超过动作门槛的影像时，即产生警示，并启动其他传感器运行，实施例可参考图4。

图4显示利用影像传感器驱动四周装置的实施例流程图。

当所述照护系统采用了影像传感器与音频接收器作为照护被照护者的感测设备时，影像传感器如上述实施例所称的第一组传感器，可用于全时拍摄(步骤S401)，可以取得被照护者每一时刻的影像，然而，却不必存储全部的影像，直到满足系统的特定条件时。例如，在全时拍摄时，同时能够执行移动检测(步骤S403)，可从连续影像之间得出前后影像变动之处，并可比对系统设定的门槛值(如上述实施例所提出的第一门槛)，当变动值大于此门槛，才开始记录影像(步骤S405)。这个动作可以节省存储影像的空间。

当检测出影像变动(经比对门槛值后有一定的变动程度)，能够判断影像变动的程度与方式(步骤S407)，这时，照护系统将前后变动的程度与方式比对要发出警示的条件，若变动程度与方式达到产生警示的条件时，即如步骤S409，产生警示信息，同时，在一实施例中，系统将主动将注记(marking)一段关键时间(例如前后3分钟)的影像、时间与相关数据。举例来说，从影像移动检测中可得出被照护者的姿态影像，可从当中判断出移动的方式，例如翻身、掉落、身体剧烈变动等，都可能会触发警示，而触发警示的前后一段关键时刻的数据将被保留，作为其他用途之用，例如这部分关键数据将可成为后续分析与机器学习的数据。

此例中，当产生警示信息时，也就是判断出被照护者的影像变动值超过系统设定的第一门槛时，即启动音频接收器接收被照护者发出的音信，如步骤S411，音频接收器则如上述实施例所称的第二组传感器，以开启启动麦克风等音频接收器开始录制呼吸音频，一旦扣除背景音频后，可以得出较为干净的被照护者本身发出的声音，如步骤S413，取得传感器数据，存储在系统的存储装置之后，再进行进一步判断。同样地，根据警示信息所接续录制的音信也将被注记与保留，成为后续分析与机器学习的参考数据。

根据所述照护系统执行的自动照护方法中，可以从音信判断被照护者状况，特别可针对睡眠障碍的问题，其中，可从被照护者发出的音频比对系统存储的声音样本，包括频率与音量样本，或可通过过去数据建立个人化声音样本，或是群体数据产生的声音样本，以此判断被照护者是否有需要实时照护的情况，例如呼吸中止、产生呛咳音，或产生痰音等呼吸窘迫的情况。在判断是否达到警示门槛(如上述实施例的第二门槛)时，若已达警示门槛，如判断呼吸中止时间过长(超过某一时间门槛)、呛咳音或痰音显示危险情况等，即产生一警示信息。

特别的是，相关第一门槛与第二门槛可由系统设定外，还可由照护提供者依照实际状况设定产生警示的门槛。

进一步地，照护系统还可配合由一或多个生理传感器(可列为第二组传感器)感测得出的被照护者的生理状态所产生的生理数据，进一步判断是否产生警示信息。同理，在系统设定的一个关键时刻内产生的各种生理与环境数据都会被注记与保留，用于后续分析与机器学习的用途。

更进一步地，照护系统还采用一机器学习方法，能够根据被照护者发出的音频以及姿态影像，对照临床数据，建立一照护警示预测模型。

值得一提的是，如上述实施例所描述的自动照护方法，还可以将音频接收器列为第一组传感器中，以全时接收被照护者的音频，当声音的特征(频率、音量)达到门槛时，才启动列为第二组传感器的影像传感器。

在另一实施方案中，录制被照护者音信的工作可全时被开启，同理，系统可经排除背景音频后，对有效音频设定警示条件，当有警示条件产生后，除了保留关键时刻的数据外，更进一步启动影像记录的程序，将录制、注记与保留此关键时刻内产生的被照护者的影像，同样可成为后续分析与机器学习的数据。

相关实施例如图5所示自动照护方法中通过机器学习方法建立预测模型的实施例流程图。

在此步骤中，一开始如步骤S501，系统通过各式传感器收集被照护者的呼吸音频、姿态影像、生理数据与环境数据，在数据处理的过程中，如步骤S503，需要先建立背景数据，才能得到干净的数据。在步骤S505中，系统也根据被照护者个人的情况设定警示条件，这都是居家与医疗院所等特定场合照护运行前的工作。

除持续取得被照护者的呼吸音频、姿态影像、生理数据与环境数据，并接着如步骤S507，取得实际记录，这些可以来自医疗院所、健康云所提供的临床数据，也可以是被照护者通过系统中的反馈机制产生的个人实际事件数据。如此，如步骤S509，开始执行机器学习法，进行大数据分析，一般来说，在大数据分析后，可建立用以预测被照护者生理状况的照护警示预测模型。建立照护警示预测模型的方式主要是根据收集到被照护者四周传感器产生的数据，还配合着健康云等提供的实际数据，以及由被照护者与其照护提供者主动产生反馈给系统的信息，以软件算法学习出数据的特征，建立数据之间的关联性。

如步骤S511，经大数据分析与算法后，建立照护警示预测模型，在特定应用中，所述模型能依据被照护者睡眠时发出的音频、姿态影像以及/或生理数据，判断被照护者是否处于呼吸窘迫等睡眠障碍，或需要由照护提供者介入或不需介入的状态，如此可反复依据事实执行验证(步骤S513)，通过实际数据调校照护警示预测模型参数。

其中细节可进一步参考图6所示照护系统采用人工智能技术建立照护警示预测模型的实施例示意图。

图中显示照护系统中设置一以软件搭配硬件演算能力实现的人工智能模块60，其中设有特定机器学习法601，根据系统提供的各种感测数据进行训练，能够识别出数据之间的关联性，进行可以实现预测的目标。

运行机器学习法601时，先获取数据，如图示中数据库603，取得各式传感器产生的影像数据61，影像包括被照护者姿态，举例来说，所述姿态如翻身、手足动作；生理数据可得胸廓起伏、频率、深浅等，经过训练可建立姿态的识别能力，并能够建立被照护者姿态影像与其他数据的关联性；音频数据62，如被照护者的一般作息与睡眠时所发出的声音，可以识别出特定几种生理反应产生的音信，如痰音、呛咳音，以及呼吸中止现象产生的声音等，能够建立各种识别出的音频与其他数据的关联性；生理数据63，如被照护者的体温、心率、呼吸、脉搏、血氧等生理数据，除了判断出生理数据的正常与异常状况外，还要建立任何时间与其他数据的关联性；以及环境数据64，通过各种环境传感器(可列为第一组传感器或第二组传感器中)感测被照护者的环境数据，成为该机器学习方法建立照护警示预测模型605的因素的一个，数据可包括被照护者生活作息的温湿度、空气质量、气候等信息，同样可以通过学习建立与其他数据的关联性。接着进行分析数据，找到各数据之间的整体关联性。

特别的是，当本发明提出的照护系统所采用的人工智能应用了上述影像数据61、音频数据62、生理数据63以及环境数据64等个人化的数据，能够建立个人化的照护警示预测模型。

之后，机器学习法601配合数据库603所收集的历史与实时数据，配合实际记录的生理反应，可以得出个人化的规则，进而建立用于预测被照护者生理状况的照护警示预测模型605，即便在尚未发生任何危及事件之前，就可能可以根据各种数据预测出可能发生的事情，达到事先预防与警示的目的。

更者，人工智能模块60通过机器学习法601还可以从特定来源提供的数据进行训练与学习，例如，从医疗云611得到各种群组的去识别化临床数据，除了可以提供训练所需数据外，还可以用于验证照护警示预测模型605。

人工智能模块60通过反馈系统612接收被照护者、照护提供者或是其他方式形成的反馈信息，如上述实施例所记载，照护系统设有用户接口，可用以接收被照护者或其他人通过用户装置产生的警示信息，成为机器学习法601建立照护警示预测模型605的因素的一个，这类数据将参与验证预测模型，用于调校人工智能模块60中照护警示预测模型605的参数。

如此，人工智能模块60中设置的机器学习法601将整合照护系统通过数据处理单元取得的各样数据，并能根据机器学习方法的需要对不同的数据设有不同的权重，加上个人化数据，以及来自医疗云611与反馈系统612的数据，执行大数据分析，建立照护警示预测模型605，用于判断被照护者的状态是否达到特定警示门槛，这也是是否满足发出警示信息的条件。

值得一提的是，医疗云611同样可以从所述照护系统得到终端数据，如此，医疗云611中的演算技术可以取得具有去识别化注记的信息，包括时间信息、身份信息，并同时收集到相关的生理数据与环境数据，这些建立了具有注记的数据，对于医疗云611与照护系统的人工智能模块60而言，都是明显具有关联性的信息。

而这些具有注记的生理数据与各种数据就是人工智能技术中所需要学习的有效数据的一个，使得建构的模型可以进行生理信息辨识与预测，运行过程仍持续进行机器学习与验证，以建构更完备的医疗云611。

所述照护系统的各种实施方式中，特别可以音信判断被照护者生理状况，如图7所示自动照护方法的实施例流程图。

一开始，如步骤S701，通过照护系统中的音频接收器接收被照护者周围的音信，如步骤S703，实施时，可以在最初状态下建立背景音频，形成背景样本，让系统于实际运行时引入后，可以得到干净的音信。

在步骤S705中，通过软件方法，照护系统中的数据处理单元将取得的干净的音信比对事先建立的声音样本，经过声音特征(如频率、音量特征等)比对后，如步骤S707，可识别被照护者发出的声音，如呛咳音、痰音、音信变化等，这些音信可以用于判断被照护者生理状况，如步骤S709，借此判断是否有需要实时看护的情况，其中的一个即为判断是否有呼吸窘迫(如呼吸中止、呛咳)的状况，再于步骤S711中，比对系统提供的门槛判断是否达到警示条件，能据此执行后续医疗措施。

在图8中，描述在自动照护方法中应用照护警示预测模型预测被照护者异常状况的实施例流程图。

在步骤S801中，照护系统通过各式传感器取得实时录制的音频、影像与感测数据，在步骤S803中，系统可先执行初步数据处理与筛选后，即引入数据至照护警示预测模型，由照护警示预测模型依照前后数据以及各种数据之间的关联性判断被照护者当下的生理状况，并执行预测。如步骤S805，系统判断是否产生警示信息，若已达警示条件，即进行步骤S807，发出警示信息；否则，流程将回到步骤S801。

值得一提的是，在发出警示信息的步骤中，可以针对相关数据提出反馈，可以通过反馈系统80取得实际状况的信息，能再由机器学习单元82优化照护警示预测模型。

综上所述，根据以上实施例所描述的照护系统以及自动照护方法，适用在有被照护需求的人所在的照护环境中，在此自动照护方法中，除了利用照护系统中的各式传感器(如各式接触式或非接触式的传感器)产生的数据执行一整合各种数据以判断生理状况，更能通过机器学习法从各种数据中训练与学习，得出数据之间关联性，特别是利用个人化的生理与环境数据，进而建立用于预测被照护者生理状况的个人化的照护警示预测模型，达到居家或在特定场合照护的目的，通过自动照护方法，或者引入人工智能技术，可以帮助照护提供者有效地照护被照护者的任务。

以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的申请专利范围，所以凡是运用本发明说明书及图式内容所做的等效技术变化，均包含于本发明的申请专利范围内。

Claims (20)

1.一种照护系统，其特征在于，所述的系统包括：

一数据处理单元；以及

多个传感器，电性连接该数据处理单元，其中包括一第一组传感器，以全时运行并产生关于一被照护者的感测数据，以及一第二组传感器，根据该数据处理单元的一指令启动后，产生关于该被照护者的感测数据；

其中，当该数据处理单元根据该第一组传感器产生的第一组感测数据判断达到一第一门槛时，产生该指令，并启动该第二组传感器，该第二组传感器产生第二组感测数据。

2.如权利要求1所述的照护系统，其特征在于，当该数据处理单元接收到该第二组感测数据，根据一第二门槛判断是否满足发出警示信息的条件。

3.如权利要求2所述的照护系统，其特征在于，所述的多个传感器包括：

一音频接收器，电性连接该数据处理单元，用以接收一被照护者的声音，经扣除背景音信号，得出该被照护者发出的音信；以及

一影像传感器，电性连接该数据处理单元，用以取得该被照护者的影像，从中进行移动检测，以取得该被照护者的姿态影像；

其中，该影像传感器为该第一组传感器，该音频接收器为该第二组传感器；该数据处理单元执行一自动照护方法，包括：

通过该影像传感器全时拍摄该被照护者的姿态影像，并执行一移动检测；以及

当判断该被照护者的影像变动值超过该第一门槛时，即启动该音频接收器接收该被照护者发出的音频，根据音频判断该被照护者状况，判断是否达到该第二门槛，若达到该第二门槛，即产生该警示信息。

4.如权利要求3所述的照护系统，其特征在于，所述的第二组传感器还包括一或多个生理传感器，电性连接该数据处理单元，用以感测该被照护者的生理状态，并产生生理数据；于该数据处理单元执行的该自动照护方法中，接收该生理数据后判断是否产生该警示信息。

5.如权利要求3所述的照护系统，其特征在于，于该自动照护方法中，从该被照护者发出的音频比对声音样本，包括音量以及/或音频，判断该被照护者是否有需要实时看护的情况。

6.如权利要求3至5中任一权利要求所述的照护系统，其特征在于，所述的系统还包括一机器学习单元，耦接该数据处理单元，根据该数据处理单元取得该被照护者发出的该第一组感测数据与该第二组感测数据，对照临床数据，建立一照护警示预测模型。

7.如权利要求6所述的照护系统，其特征在于，所述的多个传感器还包括一环境传感器，用于感测该被照护者的环境数据，成为该机器学习单元建立该照护警示预测模型的因素的一个。

8.如权利要求7所述的照护系统，其特征在于，所述的系统还包括一用户接口，用以接收该被照护者或一照护提供者通过一用户装置产生的警示信息，成为该机器学习单元建立该照护警示预测模型的因素的一个。

9.如权利要求8所述的照护系统，其特征在于，于该自动照护方法中，由该机器学习单元整合该照护系统通过该数据处理单元取得的各样数据，通过该照护警示预测模型判断该被照护者的状态是否达到满足发出警示信息的条件。

10.如权利要求9所述的照护系统，其特征在于，于启动该第二组传感器时，将注记与保留一段时间的数据以反馈给该机器学习单元。

11.一种自动照护方法，应用于一照护系统中，其特征在于，所述的照护系统包括一数据处理单元，以及电性连接该数据处理单元的多个传感器，其中该多个传感器包括一第一组传感器，以全时运行并产生关于一被照护者的感测数据，以及一第二组传感器，根据该数据处理单元的一指令启动后，产生关于该被照护者的感测数据；于该自动照护方法中，当该数据处理单元根据该第一组传感器产生的第一组感测数据判断达到一第一门槛时，产生该指令，并启动该第二组传感器，该第二组传感器产生第二组感测数据。

12.如权利要求11所述的自动照护方法，其特征在于，当该数据处理单元接收到该第二组感测数据，根据一第二门槛判断是否满足发出警示信息的条件。

13.如权利要求12所述的自动照护方法，其特征在于，所述的第一组传感器包括一音频接收器，用以接收一被照护者的声音，经扣除背景音信号，得出该被照护者发出的音信，以及该第二组传感器包括一影像传感器，用以取得该被照护者的影像，从中进行移动检测，以取得该被照护者的姿态影像，其中该自动照护方法包括：

通过该影像传感器全时拍摄该被照护者的姿态影像，并执行一移动检测；以及

当判断该被照护者的影像变动值超过该第一门槛时，即启动该音频接收器接收该被照护者发出的音频，根据音频判断该被照护者状况，判断是否达到该第二门槛，若达到该第二门槛，即产生该警示信息。

14.如权利要求13所述的自动照护方法，其特征在于，所述的第二组传感器还包括一或多个生理传感器，该方法更接收由该一或多个生理传感器感测该被照护者的生理状态所产生的生理数据，进一步判断是否产生该警示信息。

15.如权利要求13所述的自动照护方法，其特征在于，从该被照护者发出的音频比对声音样本，包括音量以及/或音频，判断该被照护者是否有需要实时看护的情况。

16.如权利要求11至15中任一权利要求所述的自动照护方法，其特征在于，更采用一机器学习方法，根据该第一组感测数据与该第二组感测数据，对照临床数据，建立一照护警示预测模型。

17.如权利要求16所述的自动照护方法，其特征在于，所述的方法通过该机器学习方法，依据该被照护者睡眠时发出的音频、姿态影像以及/或生理数据，判断该被照护者是否处于呼吸窘迫，或需要由照护提供者介入或不需介入的状态。

18.如权利要求16所述的自动照护方法，其特征在于，所述的多个传感器还包括一环境传感器，用于感测该被照护者的环境数据，成为该机器学习方法建立该照护警示预测模型的因素的一个。

19.如权利要求18所述的自动照护方法，其特征在于，所述的照护系统还包括一用户接口，用以接收该被照护者或一照护提供者通过一用户装置产生的警示信息，成为该机器学习方法建立该照护警示预测模型的因素的一个。

20.如权利要求19所述的自动照护方法，其特征在于，所述的机器学习方法为整合该照护系统通过该数据处理单元取得的各样数据，执行大数据分析，通过该照护警示预测模型判断该被照护者的状态是否达到产生警示的门槛。

Images