TWI716083B - 敗血症的菌種預測系統與方法 - Google Patents
敗血症的菌種預測系統與方法 Download PDFInfo
- Publication number
- TWI716083B TWI716083B TW108129894A TW108129894A TWI716083B TW I716083 B TWI716083 B TW I716083B TW 108129894 A TW108129894 A TW 108129894A TW 108129894 A TW108129894 A TW 108129894A TW I716083 B TWI716083 B TW I716083B
- Authority
- TW
- Taiwan
- Prior art keywords
- physiological data
- variance
- current
- health
- current physiological
- Prior art date
Links
- 206010040047 Sepsis Diseases 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims description 15
- 244000052769 pathogen Species 0.000 title abstract description 10
- 208000013223 septicemia Diseases 0.000 title abstract 2
- 208000015181 infectious disease Diseases 0.000 claims abstract description 30
- 241000894006 Bacteria Species 0.000 claims abstract description 19
- 230000036760 body temperature Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000036772 blood pressure Effects 0.000 claims abstract description 11
- 206010017533 Fungal infection Diseases 0.000 claims abstract description 10
- 208000031888 Mycoses Diseases 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims description 34
- 241000192125 Firmicutes Species 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 230000001580 bacterial effect Effects 0.000 claims description 7
- 208000035143 Bacterial infection Diseases 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 5
- 208000022362 bacterial infectious disease Diseases 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 10
- 230000001717 pathogenic effect Effects 0.000 description 8
- 230000033764 rhythmic process Effects 0.000 description 4
- 230000009385 viral infection Effects 0.000 description 4
- 239000003242 anti bacterial agent Substances 0.000 description 3
- 229940088710 antibiotic agent Drugs 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 208000036142 Viral infection Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000009640 blood culture Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000027096 gram-negative bacterial infections Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本發明提出一種敗血症的菌種預測系統，包括感測器與處理器。感測器用以感測目前生理資料，此目前生理資料包括體溫、血壓、脈搏的至少其中之一。處理器用以根據目前生理資料計算出特徵值，並將特徵值輸入至機器學習模型以判斷出多個類別的其中之一，這些類別包括未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二。
Description
本發明是有關於一種敗血症的菌種預測系統與方法，可以在病原菌培養結果出爐前預測出病原菌的種類。
敗血症是住院病人最主要的死因，即時給予有效的抗生素可以減少敗血症病人的死亡率，然而在病原菌培養結果出爐前目前沒有一個正確預測感染病原菌的檢驗方法，因此臨床醫師通常在沒有依據之下根據個人的判斷給予病人抗生素，因此如何在病原菌培養結果出爐前能夠判斷出病人是否受到感染以及受何種病原菌感染，為此領域技術人員所關心的議題。
本發明的實施例提出一種敗血症的菌種預測系統，包括感測器與處理器。感測器用以感測目前生理資料，此目前生理資料包括體溫、血壓、脈搏的至少其中之一。處理器用以根據目前生理資料計算出特徵值，並將特徵值輸入
至機器學習模型以判斷出多個類別的其中之一，這些類別包括未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二。
在一些實施例中，對於每一筆目前生理資料，處理器用以執行多個步驟：取得隨時間變化的一健康生理資料；計算健康生理資料的平均值以作為一健康平均值；計算健康生理資料的變異數以作為一健康變異數；計算目前生理資料的變異數以作為一目前變異數；計算目前生理資料相對於健康平均值的變異數以作為一參照變異數；將參照變異數除以健康變異數以作為第一特徵值；以及將目前變異數除以健康變異數以作為第二特徵值。
在一些實施例中，參照變異數是根據以下方程式(1)所計算，其中X current 為目前生理資料，μ health 為健康平均值，#current為目前生理資料的取樣數目。
在一些實施例中，上述的感測器包括重力感測器，處理器用以根據重力感測器所感測的訊號判斷使用者是否為靜止，並在使用者靜止時取得至少目前生理資料。
在一些實施例中，上述的機器學習模型為隨機森林演算法。
以另一個角度來說，本發明的實施例提出一種敗血症的菌種預測方法，包括：透過感測器感測目前生理資料，此目前生理資料包括體溫、血壓、脈搏的至少其中之一；根據目前生理資料計算出特徵值，並將特徵值輸入至機器學
習模型以判斷出多個類別的其中之一，這些類別包括未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二。
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。
100‧‧‧菌種預測系統
110‧‧‧感測器
120‧‧‧處理器
130‧‧‧通訊模組
140‧‧‧顯示器
201~205、301~303‧‧‧步驟
[圖1]是根據一實施例繪示敗血症的菌種預測系統的示意圖。
[圖2]是根據一實施例繪示分類流程圖。
[圖3]是根據一實施例繪示敗血症的菌種預測方法的流程圖。
關於本文中所使用之『第一』、『第二』、...等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。
圖1是根據一實施例繪示敗血症的菌種預測系統的示意圖。請參照圖1，菌種預測系統100包括了多個感測器110、處理器120、通訊模組130與顯示器140。感測器110可用以感測體溫、血壓(包括舒張壓與收縮壓)、脈搏、心律等生理資料，本領域具有通常知識者當可選用合適的感測器，例如用紅外線溫度器來感測體溫等。處理器120可為
中央處理器、微處理器、微控制器、信號處理器、特殊應用積體電路等。通訊模組130可為有線或無線通訊模組，用以與其他裝置進行通訊，例如通訊模組130可以是具備通用序列匯流排(Universal Serial Bus，USB)、互聯網、區域網路、廣域網路、蜂窩電話網路、近場通訊、紅外線通訊、藍芽、WiFi等通訊功能的電路。顯示器140可為液晶顯示器、有機發光二極體顯示器或其他合適的顯示器。在此實施例中，感測器110用以感測至少一個目前生理資料，而處理器120用以根據目前生理資料計算出特徵值，並將特徵值輸入至一機器學習模型以判斷出多個類別的其中之一，這些類別可包括病毒感染、未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染等。在一些實施例中菌種預測系統100可實作為手環，用來帶在病人的手上，但在其他實施例中菌種預測系統100也可以實作為任意形式的電腦或行動裝置，本發明並不在此限。在其他實施例中菌種預測系統100也可以具備其他合適的裝置，或者通訊模組130與顯示器140也可以省略。
在此將詳細說明如何判斷出感染的種類。首先上述的體溫、血壓、脈搏、心律等生理資料都是隨時間變化的訊號，處理器120可以透過感測器110取得一段時間(例如數秒，本發明並不限制此時間長度)內的生理資料。舉例來說，如果取樣頻率是60赫茲，則5秒鐘的生理資料共會包括60×5=300筆數值，但本發明也不限制取樣頻率為何。以下為了清楚說明起見，將透過感測器110取得的生理資料稱為
目前生理資料。
此外，處理器120也可以從資料庫(未繪示)中取得對應至健康狀態的體溫、血壓、脈搏、心律等生理資料(亦稱健康生理資料)，這些健康生理資料是當人處於健康狀態(例如未被感染)下透過感測器所量測的。這些健康生理資料也是隨時間變化的訊號，但本發明並不限制這些健康生理資料的長度為何，即不限制每筆健康生理資料包含幾個數值。換言之，健康生理資料的長度可以不同於目前生理資料的長度。
對於每一種生理資料(即體溫、血壓、脈搏或心律)，處理器120都會計算出兩個特徵值。在此，健康生理資料中的數值表示Xhealth，#health表示健康生理資料的長度(即數值Xhealth的個數)。目前生理資料中的數值表示為Xcurrent，#current表示目前生理資料的長度(即數值Xcurrent的個數)，亦稱為取樣數目。處理器120會計算出健康生理資料的平均值以作為一健康平均值，以下表示為μhealth，而目前生理資料的平均值表示為μcurrent。此外，根據以下方程式(1)可以計算出健康生理資料的變異數以作為健康變異數σhealth；根據以下方程式(2)可以計算出目前生理資料的變異數以作為目前變異數σsick-sick；根據以下方程式(3)可以計算目前生理資料相對於健康平均值的變異數以作為一參照變異數σcurrent-health。
將參照變異數除以健康變異數可得到第一特徵值f1，如以下方程式(4)所示。另外，將目前變異數除以健康變異數可得到第二特徵值f2，如以下方程式(5)所示。
在此實施例中共有體溫、血壓、脈搏與心律等四種生理資料，因此至少有4個上述的第一特徵值f1與4個第二特徵值f2共8個特徵值(或者舒張壓有對應的兩個特徵值，收縮壓也有對應的兩個特徵值，因此共10個特徵值)。在其他實施例中，上述所有的第一特徵值f1與第二特徵值f2會組成一個特徵向量，此特徵向量會輸入至一個機器學習模型。此機器學習模型可以是隨機森林演算法、支持向量機(support vector machine)、類神經網路等等，本發明並不在此限。此機器學習模型是訓練來判斷病患是否被感染以及被感染的病原菌的種類。在一些實施例中，機器學習模型輸出的類別包括病毒感染、未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二。汙染菌感染表示病人體內的病原體是由於一些汙染源導致，並不是敗血症導致。
請參照圖2，在一些實施例中判斷的順序是先進行步驟201，判斷是否被感染。若步驟201的結果為否表示未感染。若步驟201的結果為是的話則再進行步驟202，判斷菌種，判斷是否為細菌感染、真菌感染或病毒感染。若判
斷為細菌感染，則在步驟203中判斷是否為格蘭氏陽性菌。根據步驟203的結果可以判斷為格蘭氏陰性菌感染(步驟204)或是格蘭氏陽性菌感染(步驟205)。在一些實施例中，依照圖2的流程可訓練共3個分類器，分別對應至步驟201~203。在其他實施例中只需要訓練一個分類器，此分類器輸出的結果包括未感染、真菌感染、病毒感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染，本發明並不在此限。值得注意的是，圖2的流程僅是一範例，在其他實施例中也可以加入或刪除一或多個判斷步驟。例如，在步驟202中還可以判斷是否為汙染菌感染。
在上述生理資料中，體溫是用以判斷是否被感染的重要資訊，但由於患者可能會起來走動，這會影響體溫的數值，因此在一些實施例中圖1的感測器110可包括重力感測器，此重力感測器例如為加速度感測器，根據此重力感測器的訊號可以判斷使用者是否為靜止狀態，例如當各方向的加速度都小於一臨界值時判斷為靜止。此外，只有當使用者為靜止時才取得目前生理資料，也就是說當使用者不是靜止時處理器120會忽略感測器110所感測到的生理資料。如此一來可以避免當使用者起來移動或做其他動作時取得不適當的體溫，進而影響判斷的結果。
值得注意的是，上述的特徵值f1、f2可以僅是特徵向量的一部份，特徵向量還可以包括其他資訊。例如，特徵向量還可包括使用者的年齡、性別、病史等資訊，這些資訊會被數值化以作為特徵向量的一部份。或者也可以根據
感測器110所偵測到的訊號計算出其他的特徵值以組成特徵向量，本發明並不在此限。
在一些實施例中，菌種預測系統100是實作為穿戴式裝置，由病患攜帶在身上，因此病患可以在任意位置。菌種預測系統100可以不定時或定時地判斷病患是否被感染，菌種預測系統100也可以將收集到的生理資料或將判斷出的分類結果透過通訊模組130傳送到一伺服器或醫生的手機上，藉此醫院或醫生可以通知病患立即就醫接受有效藥物治療。
在一些實施例中，上述的生理資料可以轉換為影像，此影像會輸入至一卷積神經網路進行分類。舉例來說，對於每一種生理資料，都可以根據計算目前生理資料與健康生理之間的共變異數來產生一影像，此影像中第i行(column)第j列(row)的像素pi,j表示為以下方程式(6)，其中Xcurrent,i表示目前生理資料中的第i個數值，Xhealth,j為健康生理資料中的第j個數值，i、j為正整數。
pi,j=(Xcurrent,i-μcurrent)×(Xhealth,j-μhealth) (6)
由於每一種生理資料都可以用來產生一個影像，因此總共會產生4張影像，這4張影像會被合併在一起成為具有4個通道的二維影像，此二維影像會輸入至卷積神經網路中來進行分類。以另一個角度來看，上述的像素pi,j也可以被稱為特徵值。
在一些實施例中，也可以根據以下方程式(7)來產生影像。
pi,j=(x i -x j )2 (7)
x i 為目前生理資料或健康生理資料中第i個數值。值得注意的是，目前生理資料與健康生理資料都可以套用於方程式(7)，因此對於每一種生理資料都可以產生兩張圖，在上述例子中共會產生8張影像，這8張影像會被合併在一起成為具有8個通道的二維影像，此二維影像會輸入至卷積神經網路中來進行分類。
圖3是根據一實施例繪示敗血症的菌種預測方法的流程圖。請參照圖3，在步驟301中，感測目前生理資料，此目前生理資料包括體溫、血壓、脈搏的至少其中之一。在步驟302中，根據目前生理資料計算出特徵值。在步驟303中，將特徵值輸入至機器學習模型以判斷出多個類別的其中之一，這些類別包括未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二。然而，圖3中各步驟已詳細說明如上，在此便不再贅述。值得注意的是，圖3中各步驟可以實作為多個程式碼或是電路，本發明並不在此限。此外，圖3的方法可以搭配以上實施例使用，也可以單獨使用。換言之，圖3的各步驟之間也可以加入其他的步驟。
在上述的系統與方法中，由於可以預測出是否感染以及病原菌的種類，不需要等到血液培養結果出爐。此外，臨床醫師可以參考預測的結果來開立合適的抗生素治療敗血症病人，藉此可以改善敗血症病人存活率。此外，上述的預測方法是非侵入性檢查，不需要額外的抽血檢驗。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
301~303‧‧‧步驟
Claims (8)
- 一種敗血症的菌種預測系統，包括：至少一感測器，用以感測至少一目前生理資料，其中該至少一目前生理資料包括體溫、血壓、脈搏的至少其中之一：一處理器，用以根據每一該至少一目前生理資料計算出至少一特徵值，並將該至少一特徵值輸入至一機器學習模型以判斷出多個類別的其中之一，其中該些類別包括未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二，其中對於每一該些目前生理資料，該處理器用以執行多個步驟：取得隨時間變化的一健康生理資料；計算該健康生理資料的平均值以作為一健康平均值；計算該健康生理資料的變異數以作為一健康變異數；計算該目前生理資料的變異數以作為一目前變異數；計算該目前生理資料相對於該健康平均值的一變異數以作為一參照變異數；將該參照變異數除以該健康變異數以作為一第一特徵值；以及 將該目前變異數除以該健康變異數以作為一第二特徵值。
- 如申請專利範圍第1項所述之菌種預測系統，其中該參照變異數是根據以下方程式(1)所計算：
- 如申請專利範圍第1項所述之菌種預測系統，其中該至少一感測器包括一重力感測器，該處理器用以根據該重力感測器所感測的訊號判斷一使用者是否為靜止，並在該使用者靜止時取得該至少一目前生理資料。
- 如申請專利範圍第1項所述之菌種預測系統，其中該機器學習模型為一隨機森林演算法。
- 一種敗血症的菌種預測方法，適用於一處理器，其中該菌種預測方法包括：透過至少一感測器感測至少一目前生理資料，其中該至少一目前生理資料包括體溫、血壓、脈搏的至少其中之一：根據每一該至少一目前生理資料計算出至少一特徵值；以及 將該至少一特徵值輸入至一機器學習模型以判斷出多個類別的其中之一，其中該些類別包括未被感染、真菌感染、汙染菌感染、格蘭氏陰性菌感染與格蘭氏陽性菌感染的至少其中之二，其中根據每一該至少一目前生理資料計算出至少一特徵值的步驟包括：取得隨時間變化的一健康生理資料；計算該健康生理資料的平均值以作為一健康平均值；計算該健康生理資料的變異數以作為一健康變異數；計算該目前生理資料的變異數以作為一目前變異數；計算該目前生理資料相對於該健康平均值的變異數以作為一參照變異數；將該參照變異數除以該健康變異數以作為一第一特徵值；以及將該目前變異數除以該健康變異數以作為一第二特徵值。
- 如申請專利範圍第5項所述之菌種預測方法，其中該參照變異數是根據以下方程式(1)所計算：
- 如申請專利範圍第5項所述之菌種預測方法，更包括：用以根據一重力感測器所感測的訊號判斷一使用者是否為靜止，並在該使用者靜止時取得該至少一目前生理資料。
- 如申請專利範圍第5項所述之菌種預測方法，其中該機器學習模型為一隨機森林演算法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911025127.8A CN111374639A (zh) | 2018-12-28 | 2019-10-25 | 败血症的菌种预测系统与方法 |
| US16/664,938 US20200211707A1 (en) | 2018-12-28 | 2019-10-27 | System and method for predicting types of pathogens in patients with septicemia |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862785699P | 2018-12-28 | 2018-12-28 | |
| US62/785,699 | 2018-12-28 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202026962A TW202026962A (zh) | 2020-07-16 |
| TWI716083B true TWI716083B (zh) | 2021-01-11 |
Family
ID=73005226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108129894A TWI716083B (zh) | 2018-12-28 | 2019-08-21 | 敗血症的菌種預測系統與方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI716083B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200948336A (en) * | 2008-05-27 | 2009-12-01 | Tzu Chi University | Method for estimating heart rate variability |
| TW201006436A (en) * | 2008-08-07 | 2010-02-16 | Univ Nat Taiwan | Detecting device, analysis device and detecting method for autonomic nerve state |
| JP2010532665A (ja) * | 2007-07-11 | 2010-10-14 | ユニヴェルシテ ラヴァル | 細菌性および真菌性敗血症の病原菌の高感度な増幅および検出用の核酸配列およびその組合せ |
| WO2012050645A2 (en) * | 2010-06-25 | 2012-04-19 | Purdue Research Foundation | Pathogen detection |
| CN106126886A (zh) * | 2008-03-26 | 2016-11-16 | 赛拉诺斯股份有限公司 | 计算机系统 |
| US20170039314A1 (en) * | 2010-03-23 | 2017-02-09 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
| US20180060481A1 (en) * | 1999-06-28 | 2018-03-01 | Life Technologies Corporation | Identification, monitoring and treatment of infectious disease and characterization of inflammatory conditions related to infectious disease using gene expression profiles |
| CN108292386A (zh) * | 2015-10-30 | 2018-07-17 | 皇家飞利浦有限公司 | 关注于护理片段的综合健康护理性能评估工具 |
| CN108446260A (zh) * | 2018-02-06 | 2018-08-24 | 天津艾登科技有限公司 | 基于语义近似匹配算法进行自动化疾病编码转换的方法及系统 |
-
2019
- 2019-08-21 TW TW108129894A patent/TWI716083B/zh active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180060481A1 (en) * | 1999-06-28 | 2018-03-01 | Life Technologies Corporation | Identification, monitoring and treatment of infectious disease and characterization of inflammatory conditions related to infectious disease using gene expression profiles |
| JP2010532665A (ja) * | 2007-07-11 | 2010-10-14 | ユニヴェルシテ ラヴァル | 細菌性および真菌性敗血症の病原菌の高感度な増幅および検出用の核酸配列およびその組合せ |
| CN106126886A (zh) * | 2008-03-26 | 2016-11-16 | 赛拉诺斯股份有限公司 | 计算机系统 |
| TW200948336A (en) * | 2008-05-27 | 2009-12-01 | Tzu Chi University | Method for estimating heart rate variability |
| TW201006436A (en) * | 2008-08-07 | 2010-02-16 | Univ Nat Taiwan | Detecting device, analysis device and detecting method for autonomic nerve state |
| US20170039314A1 (en) * | 2010-03-23 | 2017-02-09 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
| WO2012050645A2 (en) * | 2010-06-25 | 2012-04-19 | Purdue Research Foundation | Pathogen detection |
| CN108292386A (zh) * | 2015-10-30 | 2018-07-17 | 皇家飞利浦有限公司 | 关注于护理片段的综合健康护理性能评估工具 |
| CN108446260A (zh) * | 2018-02-06 | 2018-08-24 | 天津艾登科技有限公司 | 基于语义近似匹配算法进行自动化疾病编码转换的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202026962A (zh) | 2020-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Habibzadeh et al. | A survey of healthcare Internet of Things (HIoT): A clinical perspective | |
| Qiu et al. | Application of wearable inertial sensors and a new test battery for distinguishing retrospective fallers from non-fallers among community-dwelling older people | |
| US10692603B2 (en) | Method and system to identify frailty using body movement | |
| JP7258918B2 (ja) | モニタリング対象者のバイタルサインの信頼性の決定 | |
| CN111374639A (zh) | 败血症的菌种预测系统与方法 | |
| CN115697192A (zh) | 用于病毒感染的非侵入性预测、检测和监视的方法和系统 | |
| JP7685321B2 (ja) | 健康管理装置および健康管理システム | |
| Phillips et al. | A comparison of accelerometer accuracy in older adults | |
| Jayatilleka et al. | Internet of Things in healthcare: Smart devices, sensors, and systems related to diseases and health conditions | |
| Seo et al. | Factors associated with burnout among healthcare workers during an outbreak of MERS | |
| CN109549623A (zh) | 一种镜子和身体健康状态检测方法 | |
| Sheikdavood et al. | Smart health monitoring system for coma patients using iot | |
| Estévez-Pedraza et al. | A novel model to quantify balance alterations in older adults based on the center of pressure (CoP) measurements with a cross-sectional study | |
| Tayal et al. | Evaluation of remote monitoring device for monitoring vital parameters against reference standard: a diagnostic validation study for COVID-19 preparedness | |
| Roy et al. | CovidAlert-a wristwatch-based system to alert users from face touching | |
| Fathian et al. | Face touch monitoring using an instrumented wristband using dynamic time warping and k-nearest neighbours | |
| TWI716083B (zh) | 敗血症的菌種預測系統與方法 | |
| Ghaffari et al. | Exploring the feasibility and usability of smartphones for monitoring physical activity in orthopedic patients: prospective observational study | |
| López-Nava et al. | Variability analysis of therapeutic movements using wearable inertial sensors | |
| Amisola et al. | Gait analysis for Parkinson’s disease using multiscale entropy | |
| Montesinos et al. | Selection of entropy-measure parameters for force plate-based human balance evaluation | |
| Fajingbesi et al. | Real time telemedical health care systems with wearable sensors | |
| US20210193294A1 (en) | Patient management based on sensed activities | |
| Yew et al. | IoT-based patient monitoring system | |
| Shahrokni et al. | New technologies in geriatric oncology care |