再也不必到醫院復健,在家利用互動式系統自在進行復健計畫

龍骨王自成立以來深耕遠距復建的領域,如今終於達成階段性的目標,開始將遠距復建的解決方案引入至市場中。我們非常期待看到遠距復健在近期內能夠開花結果,因為此創新的服務模式不僅帶來許多便利之處,更能有益於社會和醫療照護的進步,讓以往必須在醫院使用的產品和服務,現在藉由科技就能直接在家進行復健的動作訓練和練習。我們深信,遠距復健的行動會持續發酵,並已準備好在今年陸續發展更完整的產品組合,成就歷史性的里程碑。

身在一個科技不斷更迭革新的時代、醫療環境、制度和應用也同樣與時俱進,本公司向來都是扮演不畏挑戰、勇於突破極限的拓荒者。這次順應潮流與在大環境劇烈動盪的危機之下,我們以遠距復健的為核心理念,結合動作分析技術和雲端平台服務,研發出一套迷你的可攜式系統,提供使用者一系列的訓練活動並綜整出評估報告,再回傳至院方或機構中心的資料庫中,讓醫療或照護人員能有效率的根據統計資料和趨勢紀錄掌握個案或用戶的健康或功能活動狀況,並可視進展變化和復原程度,動態調整訓練內容與執行方案。

龍骨王背景與解決方案

此外,透過輕巧的遠距復健工具,民眾便可自行帶回家或在其他社區中心就能進行像在醫院從事的互動訓練活動,達到健康促進和保持一定的復健強度之目的,尤其避免在此疫情肆虐的影響下而必須中斷原本的復健課程和服務。

當然,對院方和機構中心來說,以一對多的模式提供遠距復健或健康促進的訓練服務,並自動化分析輸出結果報表,是非常有利於工作效率的改善、降低潛在的人力照護、一對一親自訪視介入的成本。而運用報表上顯示的分析資料數據,亦能詳細追蹤個案或病患的執行狀況和評估動作訓練是否確實有效地達到目標、肢體運動的位移變化、關節活動度、肌耐力等內容。未來,甚至規劃重播虛擬人物模型肢體骨架的動畫功能,以利完整還原動作模式的品質和視覺化所有的控制技巧。

龍骨王無論在技術和應用上都已經『超前部署』,可將發展好的軟體系統整合於單一的小型設備,讓有需求的目標族群能夠帶回家裡繼續使用和從事基本的訓練。目前,我們正與各方夥伴積極合作中,非常興奮能夠在今年和大家分享以及看到遠距復健產品創造的成果!

 

利用廣義回歸神經網絡演算法自動化推估中風動作恢復的階段

研究顯示利用以廣義回歸神經網絡(Generalized regression neural network, GRNN)所建構的預測模型可準確的分析中風患者的動作恢復階段,且準確度可高達93.6%。所謂的廣義回歸神經網絡演算是由1991年D.F. Specht所提出來的方法,簡要的來說,它的原理技術是建立在非線性回歸分析的理論基礎上;其結構組成包含四個部分,分別為輸入、模式、加總、輸出,可參考以下圖示。

GRNN

那究竟實際的執行架構和應用情境為何?研究報告指出此自動化分析的系統共有三個結構,分別是病人端、醫療端和網路伺服器。使用的情境是首先病人會配戴加規於上臂中點和手腕關節部位(如下圖),再按照醫療人員的指示進行選定的測試動作,即用患側手碰觸對側的肩膀。在此同時,穿戴型的加速規會即時上傳資料到網路伺服器儲存並分析受試者的動作資料,最後自動化的判斷出中風病人功能恢復的階段。如此,醫療人員便可根據系統判讀的評估結果適時調整訓練處方或了解病人改善的程度。由於應用的概念是從遠距的需求為出發點,因此皆有助於日後在居家和社區上的推廣與實行。

加速規配置示意圖

關於此研究另一個值得探討和借鏡的是資料分析的方法。有5種高階的參數從加速規中被進一步計算取得,其中包括Maximum magnitude of data(AMP)、Root mean square value of data(RMS)、Root mean square value of the derivative of data (JERK)、Mean value of data(MEAN) 和Approximate entropy of data (ApEn)。還有許多其他速度、角度資料也被一併擷取成為GRNN演算模型的訓練資料。

當然,最後實驗的結果非常理想,如一開始在文中所描述到利用GRNN模型所建構的系統在判讀中風動作恢復階段的準確度高達93.6%。這樣的結果也說明了遠距執行評估的可能。未來亦能落實在社區或患者居家環境中,協助醫療人員有效率的掌握病人恢復改善的狀況和據此給予對應的治療計畫選擇。

參考資料

Wang J-P, Liquan G, Sheng T-Y, Xiong D. Automated Brunnstrom Assessment for Home Rehabilitation Based on GRNN Model. ITM Web of Conferences. 2017;12:01021.