技术领域
[0001] 本揭露有关于一种病征感测系统、装置及方法，特别是有关于一种针对生物呼吸系统的病征感测系统、装置及方法。
相关背景技术
[0002] 现今临床上诊断患者呼吸系统的方式，多由医师以听诊器听取患者的肺音，并进一步根据肺音判断病征的种类以及位置。然而，人耳能够听到的声音或震动在振幅和频率上的范围有限，频率过高或过低和细微的声音皆无法被听到。此外，医师无法持续地监听患者的肺音，无法长时间地监控患者的肺部征状。
[0003] 另一方面，目前药物实验中实施动物实验时，为了确认服药后动物体内血液的药物浓度变化，需要在不同的阶段对动物进行抽血。然而，动物(例如：老鼠)的血液有限，对抽血的次数产生了限制。此外，若需要判断动物体内的病征变化情况，亦只能进行切片观察，而无法以非侵入式的方式持续追踪病征。
[0004] 有鉴于此，如何提高侦测肺音的精准度及进行长时间的监控并据以诊断患者的病征种类、位置、严重程度等，为一可能可行的努力目标。
具体实施方式
[0020] 为了使本揭露的叙述更加详尽与完备，可参照所附的附图及以下所述各种实施例，附图中相同的号码代表相同或相似的元件。
[0021] 请参照图1，其为本揭露部分实施例中呼吸系统病征感测系统1的示意图。呼吸系统病征感测系统1包含处理器12以及贴片14，其中处理器12通信连接贴片14。呼吸系统病征感测系统1用以根据生物体的震动或声音判断生物体内的生理状态。
[0022] 在一些实施例中，处理器12可包含中央处理单元(central processing unit，CPU)、多重处理器、分散式处理系统、特殊应用集成电路(application specific integrated circuit，ASIC)和/或合适的运算单元。
[0023] 贴片14包含震动器V以及接收器R1、R2及R3。贴片14用以贴附于生物体的表面，并通过接收器R1、R2及R3侦测生物体的呼吸系统中的脏器(例如：支气管、肺脏、气管)产生的震动(亦可以理解为呼吸系统中的脏器产生的声音)。震动器V用以产生参考震动，而接收器R1、R2及R3各者可以根据参考震动以及生物体产生的震动(例如：心音、肺音)，确认其相对于生物体的相对位置。
[0024] 须说明者，贴片所包含的震动器可为一个或多个，本发明未限制震动器的数量。应理解，基于多个震动器可使判断结果更准确。为便于说明，后述实施例将以使用震动器V为例说明。
[0025] 在一些实施例中，贴片14为设有震动器V以及接收器R1、R2及R3的软性薄膜。另外，贴片14中的震动器V及接收器R1、R2及R3可与处理器12通过有线或无线的方式进行控制信号及数据的交换。
[0026] 在一些实施例中，震动器V为可以产生震动或声音的电子元件，例如：震动元件、发声单元。震动器V用以提供参考震动源，而参考震动可用以校正接收器的信号。参考震动还可用以提供接收器作为计算与其他震动源(例如：心脏、肺脏)相对位置的依据。除此之外，参考震动还可用以作为针对不同的生物体调整参数的依据，由于震动在不同的身体组织中传递的效率并不相同，例如：脂肪的传递效率较肌肉低，因此通过已知的参考震动的频率、功率，可以推算生物体的身体组织构成。
[0027] 在一些实施例中，接收器R1、R2及R3为可以感测震动或声音，并且转换为信号(例如：数字信号)的电子元件，例如：麦克风。
[0028] 在一些实施例中，贴片14可以贴附于生物体表面靠近心脏及肺脏的位置，例如：人体的胸部，使接收器R1、R2及R3得以感测更清楚的心音及肺音。
[0029] 需要注意的是，由于生物体是立体的物件，贴片14贴附的生物体表面可能并非平面而为弧面或其他样态。因此，为了定位在三维空间中接收器R1、R2及R3相对于生物体内脏的位置，呼吸系统病征感测系统1需要包含3个或3个以上的接收器。然而，本实施例中的震动器V以及接收器R1、R2及R3的数量仅作为示例。在其他实施例中，呼吸系统病征感测系统的贴片可以设有更多的接收器和作为参考震动源的震动器。
[0030] 进一步地，贴片14上设有的震动器V以及接收器R1、R2及R3之间的位置关系是已知的。例如在图1所绘示的实施例中，接收器R1可位于震动器V的左上角15厘米处，接收器R2位于震动器V的右上角15厘米处以及接收器R3位于震动器V的正下方15厘米处。然而上述实施例仅作为示例，实际上贴片14的大小及震动器V以及接收器R1、R2及R3之间的位置关系可以根据实际应用场景调整，例如：用于测量人体的贴片的大小可以大略为人体胸腔的面积，而其中的震动器与接收器可平均分布于贴片中，以确保得以感测肺部各个区块的震动；另一方面，用于测量老鼠的贴片大小则需要调整为对应老鼠肺部大小的面积，并且其中的震动器与接收器之间的距离及位置分布亦可对应调整，以确保得以感测肺部各个区块的震动。
[0031] 在贴片14贴附于生物体表面后，由于生物个体的体型及内脏位置有所差异，因此需要先确认接收器R1、R2及R3与生物体的心脏、肺脏和/或其他器官的相对位置。
[0032] 首先，接收器R1、R2及R3各者感测对应震动器V所发出的参考震动，并分别产生参考震动信号。
[0033] 震动器V在生物体表面发出参考震动后，接收器R1、R2及R3各者则可以感测到参考震动的震动情形，并且分别产生参考震动信号，其中参考震动信号可以包含震动的频率、振幅和/或感测时间。
[0034] 接下来，接收器R1、R2及R3各者感测对应该生物体的该呼吸系统的该震动，并分别产生震动信号。
[0035] 接收器R1、R2及R3感测生物体发出的震动，例如：心音和/或肺音，并且分别产生震动信号，其中震动信号可以包含震动的频率、振幅和/或感测时间。
[0036] 需要注意的是，接收器R1、R2及R3感测该参考震动以及该震动的运作并没有时序上的限制，实际上可以不同的顺序进行，亦可以同时进行，并且以频谱转换等方式分离来自震动器V的参考震动以及来自生物体的震动。
[0037] 接着，处理器12根据所述多个参考震动信号、所述多个震动信号以及震动器V分别对应接收器R1、R2及R3的多个位置关系判断接收器R1、R2及R3各者相对于该生物体的该呼吸系统的相对位置。
[0038] 处理器12自接收器R1、R2及R3分别接收对应的参考震动信号以及震动信号后，由于贴片14上震动器V分别相对于接收器R1、R2及R3各者的相对位置及距离是已知的，处理器12可以利用飞时测距(Time of Flight，ToF)以及三角定位的方式计算接收器R1、R2及R3各者相对于生物体的震动源(例如：心脏、肺脏)的相对位置，进而确认接收器R1、R2及R3各者相对于生物体的呼吸系统的相对位置。
[0039] 在一些实施例中，处理器12还可以根据取得的相对位置建立三维模型，该三维模型中包含贴片14以及生物体的心脏、肺脏和/或呼吸系统中各个器官，并且用以表示贴片14与各个器官在三维空间中的位置关系，以及各个器官的体积大小。
[0040] 具体来说，生物体的心脏及呼吸系统的器官运作时，各个部位(例如：心脏瓣膜、支气管、肺脏)将规律地产生震动，因此可通过不同部位产生的震动计算心脏及呼吸系统的器官的位置，进一步取得心脏及呼吸系统的器官的体积及相对位置。
[0041] 接下来，处理器12从所述多个震动信号各者中撷取对应的异常信号。
[0042] 由于生物体的心脏及呼吸系统的器官的各部位在健康状态下产生的震动是规律的，因此处理器12可以将震动信号去除心脏及呼吸系统的器官正常状态下的震动信号以取得心脏或呼吸系统的器官有异常征状的震动信号(即，该异常信号)。
[0043] 在一些实施例中，处理器12可以利用频谱转换(例如：傅立叶转换(Fourier transform)、小波转换(wavelet transform)及希尔伯特黄转换(Hilbert‑Huang transform))将震动信号转换为基于频域的频谱信号，再根据频谱信号，去除心脏及呼吸系统的器官正常状态下的震动信号后，撷取该异常信号。
[0044] 最后，处理器12利用分类模型，根据对应所述多个震动信号的所述多个异常信号以及对应接收器R1、R2及R3的所述多个相对位置，产生对应该生物体的该呼吸系统中的空间位置及对应该空间位置的病征种类。
[0045] 具体而言，处理器12确认接收器R1、R2及R3相对该生物体的相对位置后，再根据该异常信号利用经过训练的机器学习模型(即，该分类模型)判断该异常信号对应的病征种类，借以判断该生物体内具有的病征，例如：根据肺脏所产生的震动判断肺脏的特定位置有痰或肺脏是健康的(即，没有病征)，其中处理器12可以根据异常信号中的振幅、频率、接收时间等数据定位对应的生理状态的位置。
[0046] 在一些实施例中，处理器12还可以根据该异常信号利用该分类模型判断该异常信号对应的病征严重程度，例如：判断该生物体处于肺癌的第几期。
[0047] 在一些实施例中，处理器12可以利用飞时测距(Time of Flight，ToF)以及三角定位的方式，根据该异常信号计算对应的该空间位置，进而确认具有病征的位置。
[0048] 需要注意的是，本揭露所描述的该空间位置为生物体的呼吸系统所构成的三维空间中，对应异常信号的空间位置。然而，该空间位置并不限定于一个点，而亦有可能为一个二维平面所构成的平面区域或一个三维空间所构成的空间区域。举例来说，若呼吸系统病征感测系统1根据异常信号判断左侧肺部中的区域具有纤维化的病征，则空间位置即对应该区域的范围。
[0049] 在一些实施例中，处理器12根据所述多个震动信号各者产生对应该生物体的呼吸系统的肺音信号；以及处理器12根据所述多个肺音信号以及对应所述多个接收器的所述多个相对位置产生对应该生物体的该呼吸系统中的该空间位置及对应该空间位置的该病征种类。
[0050] 由于接收器R1、R2及R3接收到对应该生物体的震动中，可能为心音及肺音叠加后的震动，因此在判断该生物体的生理状态前，处理器12还可以先将震动信号分为肺音信号、心音信号以及噪声，并进一步分别根据肺音信号产生对应该生物体的呼吸系统中特定位置的病征诊断结果。
[0051] 需要注意的是，处理器12可以利用多种不同的技术手段自震动信号中滤除噪声及心音信号以撷取肺音信号。举例来说，处理器12可以利用训练后的神经网络(例如：长短期存储模型(long short term memory network，LSTM))将心音信号和肺音信号分离；或是处理器12还可以高通滤波器滤除低频噪声后，再使用小波阈值分离心音信号和肺音信号。前述实施例中分离心音信号和肺音信号的手段仅用作示例，本揭露并不以此为限。
[0052] 在一些实施例中，该分类模型是基于多个历史异常信号及对应所述多个历史异常信号各者的病征诊断结果，训练机器学习模型；以及将训练完成的该机器学习模型作为该分类模型。
[0053] 该分类模型可以是经由训练数据训练后的机器学习模型。举例来说，临床上利用呼吸系统病征感测系统1取得患者的震动信号，并通过前述方式撷取对应的异常信号(即，历史异常信号)，再由医师通过X光、听诊、摄影或其他方式诊断后确认患者的病症种类、位置、范围及严重程度(即，病征诊断结果)，取得训练数据及对应的标签后训练机器学习模型以取得该分类模型，其中将震动信号输入该分类模型后，该分类模型可以计算该震动信号对应的病征种类以及生物体具有对应的病征种类的机率。
[0054] 在一些实施例中，处理器12利用浓度模型，根据所述多个震动信号产生浓度诊断结果，其中该浓度诊断结果用以表示该生物体的血液中的药物浓度变化。
[0055] 除了确认生物体内是否有病征外，呼吸系统病征感测系统1还可以用于确认生物服用药物后，体内血液药物浓度的变化，其中该浓度模型可以由多次实验后取得生物体内血液药物浓度变化与震动信号的对应关系建构而成。
[0056] 在一些实施例中，该浓度模型基于多个历史震动信号组及对应所述多个历史震动信号组各者的历史浓度诊断结果，训练机器学习模型；以及将训练完成的该机器学习模型作为该浓度模型。
[0057] 举例来说，针对吸入式的肺部疾病用药，在用药后以呼吸系统病征感测系统1持续纪录生物体的震动信号，并且同时在不同的时间点对生物体进行抽血，纪录血液中药物的浓度变化。进一步地，以药物浓度变化(即，该历史浓度诊断结果)和对应同一时间点且感测自多个接收器的多个震动信号(即，该历史震动信号组)作为训练数据并提供机器学习模型进行训练以取得训练后的模型(即，该浓度模型)。如此一来，则可以建立药物浓度变化与震动信号的对应关系，处理器12可以利用该浓度模型，输入震动信号后产生生物体的血液中对应的药物浓度变化。
[0058] 需要注意的是，本揭露并不限制该分类模型以及该浓度模型的模型种类。实务上可选择深度学习(deep learning)或神经网络(neural network)模型，或是选择诸如决策树(decision tree)、K平均分群(K‑means clustering)、贝氏分类器(Naive Bayes classifier)、eXtreme Gradient Boosting(XGBoost)等机器学习演算法。然而，生物体的个体之间差异较大，且影响诊断的变因较多，因此在一些实施例中，呼吸系统病征感测系统1选择监督式学习或半监督式学习的机器学习模型以构成该分类模型以及该浓度模型。
[0059] 在一些实施例中，呼吸系统病征感测系统1还可以多种不同的模型分别进行训练，并且根据训练的结果选择判断准确度较高的模型(即，彼此竞争)作为该分类模型以及该浓度模型。
[0060] 请参考图2，其为本揭露第二实施方式中呼吸系统病征感测方法2的流程图。呼吸系统病征感测方法2包含步骤S21、S22、S23及S24。呼吸系统病征感测方法2适用于呼吸系统病征感测系统(例如：呼吸系统病征感测系统1)。该呼吸系统病征感测系统包含处理器(例如：处理器12)及贴片(例如：贴片14)，其中该处理器通信连接该贴片。该贴片包含震动器(例如：震动器V)以及多个接收器(例如：接收器R1、R2及R3)。该贴片用以侦测对应生物体的呼吸系统所产生的震动，并且该震动器用以产生参考震动。
[0061] 在步骤S21中，所述多个接收器各者感测对应该震动器的该参考震动，并分别产生参考震动信号。
[0062] 在步骤S22中，所述多个接收器各者感测对应该生物体的该呼吸系统的该震动，并分别产生震动信号。
[0063] 在步骤S23中，该处理器根据所述多个参考震动信号、所述多个震动信号以及该震动器分别对应所述多个接收器的多个位置关系判断所述多个接收器各者相对于该生物体的该呼吸系统的相对位置。
[0064] 在步骤S24中，该处理器自所述多个震动信号各者撷取对应的异常信号。
[0065] 在步骤S25中，该处理器利用分类模型，根据对应所述多个震动信号的所述多个异常信号以及对应所述多个接收器的所述多个相对位置，产生对应该生物体的该呼吸系统中的空间位置及对应该空间位置的病征种类。
[0066] 在一些实施例中，呼吸系统病征感测方法2还包含该处理器根据所述多个震动信号各者产生对应该呼吸系统的肺音信号；以及该处理器根据所述多个肺音信号以及对应所述多个接收器的所述多个相对位置产生对应该生物体的该呼吸系统中的该空间位置及对应该空间位置的该病征种类。
[0067] 在一些实施例中，该处理器产生该肺音信号的步骤进一步包含该处理器滤除所述多个震动信号中的噪声以及心音信号。
[0068] 在一些实施例中，该处理器撷取该异常信号的步骤进一步包含该处理器将该震动信号转换为基于频域的频谱信号；以及该处理器根据该频谱信号撷取该异常信号。
[0069] 在一些实施例中，该分类模型用以计算该震动信号对应的该病征种类以及该生物体具有对应的该病征种类的机率。
[0070] 在一些实施例中，该分类模型是由以下步骤产生：基于多个历史异常信号及对应所述多个历史异常信号各者的病征诊断结果，训练机器学习模型；以及将训练完成的该机器学习模型作为该分类模型。
[0071] 在一些实施例中，呼吸系统病征感测方法2还包含该处理器利用浓度模型，根据所述多个震动信号产生浓度诊断结果，其中该浓度诊断结果用以表示该生物体的血液中的药物浓度变化。
[0072] 在一些实施例中，该浓度模型是由以下步骤产生：基于多个历史震动信号组及对应所述多个历史震动信号组各者的历史浓度诊断结果，训练机器学习模型；以及将训练完成的该机器学习模型作为该浓度模型。
[0073] 在一些实施例中，该处理器利用飞时测距以及三角定位的方式计算所述多个接收器各者相对于该生物体的该呼吸系统的该相对位置以及对应该生物体的该呼吸系统中的该空间位置。
[0074] 请参考图3，为本揭露第三实施方式中呼吸系统病征感测装置3的示意图。呼吸系统病征感测装置3包含处理器32以及收发接口34。呼吸系统病征感测装置3用以根据自贴片所取得的信号判断生物体内的生理状态，其中该贴片可以是第一实施方式中呼吸系统病征感测系统1的贴片14。
[0075] 在一些实施例中，处理器32可包含中央处理单元(central processing unit，CPU)、多重处理器、分散式处理系统、特殊应用集成电路(application specific integrated circuit，ASIC)和/或合适的运算单元。
[0076] 收发接口34用以和该贴片通信连接并且向该贴片传输及接收信号，其中该贴片包含震动器以及多个接收器。收发接口34可包含或多种不同通信协定的接口(interface)，例如：近场通信(near‑field communication，NFC)接口、蓝牙接口、以太网络接口、WiFi网络接口和/或其他通信接口。
[0077] 处理器32具有与第一实施方式中呼吸系统病征感测系统1的处理器12相同的功能，并且用以执行相同的运作，因此为了方便说明不再赘述相关细节。
[0078] 首先，收发接口34自该贴片接收对应该震动器的多个参考震动信号以及对应生物体的呼吸系统的多个震动信号。
[0079] 接下来，处理器32根据所述多个参考震动信号、所述多个震动信号以及该贴片的该震动器分别对应该贴片的所述多个接收器的多个位置关系判断所述多个接收器各者相对于该生物体的该呼吸系统的相对位置。
[0080] 接着，处理器32自所述多个震动信号各者撷取对应的异常信号。
[0081] 最后，处理器32利用分类模型，根据对应所述多个震动信号的所述多个异常信号以及对应所述多个接收器的所述多个相对位置，产生对应该生物体的该呼吸系统中的空间位置及对应该空间位置的病征种类。
[0082] 在一些实施例中，处理器32还根据所述多个震动信号各者产生对应该呼吸系统的肺音信号；以及处理器32根据所述多个肺音信号以及对应所述多个接收器的所述多个相对位置产生对应该生物体的该呼吸系统中的该空间位置及对应该空间位置的该病征种类。
[0083] 在一些实施例中，处理器32产生该肺音信号的运作进一步包含处理器32滤除所述多个震动信号中的噪声以及心音信号。
[0084] 在一些实施例中，处理器32撷取该异常信号的运作进一步包含处理器32将该震动信号转换为基于频域的频谱信号；以及处理器32根据该频谱信号撷取该异常信号。
[0085] 在一些实施例中，该分类模型用以计算该震动信号对应的该病征种类以及该生物体具有对应的该病征种类的机率。
[0086] 在一些实施例中，该分类模型是由以下运作产生：基于多个历史异常信号及对应所述多个历史异常信号各者的病征诊断结果，训练机器学习模型；以及将训练完成的该机器学习模型作为该分类模型。
[0087] 在一些实施例中，处理器32还利用浓度模型，根据所述多个震动信号产生浓度诊断结果，其中该浓度诊断结果用以表示该生物体的血液中的药物浓度变化。
[0088] 在一些实施例中，该浓度模型是由以下运作产生：基于多个历史震动信号组及对应所述多个历史震动信号组各者的历史浓度诊断结果，训练机器学习模型；以及将训练完成的该机器学习模型作为该浓度模型。
[0089] 在一些实施例中，处理器32利用飞时测距以及三角定位的方式计算所述多个接收器各者相对于该生物体的该呼吸系统的该相对位置以及对应该生物体的该呼吸系统中的该空间位置。
[0090] 根据上述实施例，呼吸系统病征感测装置3可以自该贴片接收参考震动信号以及震动信号，并且通过如第一实施方式中所描述的运作根据参考震动信号以及震动信号产生对应生物体的呼吸系统中的空间位置、对应该空间位置的病征种类、浓度诊断结果等前述提及的运作产出结果。
[0091] 如此一来，医师可以使用呼吸系统病征感测装置3提供患者远端医疗服务。患者可以将该贴片贴附于身体上，医师通过呼吸系统病征感测装置3接收自该贴片的信号并且根据信号产出对应患者的诊断资讯，可打破时空的限制并实现远端医疗的运作模式。
[0092] 综上所述，本揭露所提供的呼吸系统病征感测系统及方法可以利用多个接收器感测生物体的声音或震动，确认生物体的呼吸系统内脏器的位置后，判断生物体内的生理状态。呼吸系统病征感测系统及方法可以应用于病征的种类及位置的判断，以及服用药物后生物体内的变化并推测血液中药物浓度的变化。由于呼吸系统病征感测系统及方法利用震动器产生参考震动的技术手段进行定位，不受生物体型的限制且可应用于不同的生物。如此一来，应用的范围除了人体的诊断，还可以应用于动物的诊断或动物实验。进一步地，通过贴片与呼吸系统病征感测装置的远端运作，还可以实现远端医疗的服务。
[0093] 虽以数个实施例详述如上作为示例，然本揭露所提出的呼吸系统病征感测系统、装置及方法亦得以其他系统、硬件、软件、存储媒体或其组合实现。因此，本揭露的保护范围不应受限于本揭露实施例所描述的特定实现方式，当视后附的权利要求所界定者为准。
[0094] 对于本揭露所属技术领域中技术人员显而易见的是，在不脱离本揭露的范围或精神的情况下，可以对本揭露的结构进行各种修改和变化。鉴于前述，本揭露的保护范围亦涵盖在后附的权利要求内进行的修改和变化。
[0095] 【符号说明】
[0096] 1:呼吸系统病征感测系统
[0097] 12:处理器
[0098] 14:贴片
[0099] R1～R3:接收器
[0100] V:震动器
[0101] 2:呼吸系统病征感测方法
[0102] S21～S24:步骤
[0103] 3:呼吸系统病征感测装置
[0104] 32:处理器
[0105] 34:收发接口。
