**熱成像離床偵測系統**

一、研究目標根據2021年台灣病人安全年報，醫院中有20.9%的跌倒事件發生於上下床的過程中，且受害者多是年長者。為了預防跌倒，照護者被要求在年長者離床時主動介入協助。然而，台灣由於嚴峻的護病比(1:13)，單一照護者難以兼顧多個年長者的活動，對跌倒預防造成挑戰。已經存在商業化的偵測離床活動的產品，如壓力感測墊和攝影機。但壓力感測墊容易因年長者的體重及床上活動而誤報，攝影機則因捕捉的RGB影像則有侵犯年長者隱私的疑慮，因而都未被廣泛採用。為預防跌倒意外，以保障年長者安全，一個非接觸式且保護隱私的離床偵測方法是必要的。本團隊開發離床跌倒預警系統，使用熱影像結合機器學習模型辨識年長者的離床動作。該系統可於離床動作前期送出警報，使醫護人員可即早趕至現場協助年長者下床。此外，錯誤的離床警報會令照護者花費大量時間確認，造成照護者來不及處理緊急事件，並會導致警報疲乏。因此，提出的系統結合擴增實境眼鏡，令照護者在警報發出時能遠端觀看年長者的即時影像，評估其需要支援的緊急程度。該機制可防止假警報干擾照護者的工作，提升其工作效率並避免警報疲乏，為離床跌倒預防提供完善的解決方案。
圖1、現行離床偵測之議題與本團隊提出之解決方案

二、研究內容
熱成像離床感測系統:

提出的熱成像離床感測系統(圖2)使用解析度為12x16的低解析度熱成像元件，裝置於床頭，拍攝年長者離床過程之熱成像序列，以避開棉被及行人經過造成的干擾，再以機器學習模型辨識動作類型。感測器可以有效地偵測兩公尺內的人體。相比於攝影機和深度相機，低解析度熱成像感測器的成本低，且不受背景光源雜訊干擾，並且可保障年長者日常生活隱私，提升家屬對本離床警報系統之接受度。

圖2、提出的離床偵測系統

數據分析與演算開發:

提出的系統被設計以偵測年長者由左右兩側下床的情況。在熱影像中，背景與前景交界處的邊界畫素可以被視為人體的輪廓。年長者的動作會造成該輪廓時序上的變化。透過分析該輪廓變化過程，離床動作可以被辨識出來。在本研究中，提出的系統從N幀連續熱影像中提取輪廓變化過程。值得注意的是，蓋在人身體上的棉被的溫度與邊界畫素近似，因而移動棉被也會造成輪廓的變動，增加床上人體活動的複雜性。該複雜性導致了簡單的基於閥值的方法，難以被應用於分類床上人體活動。因而，在本研究中，採用基於1D CNN層的類神經網路，提取該輪廓的時序特徵，以將年長者的動作區分為"離床"、"非離床"兩種類別。圖3為模型架構，通過輸入來自N幀熱影像的輪廓，以輸出離床分數(0~1，大於0.7視為離床)。表1展示了N的數值對於離床動作偵測的影響。Latency被定義為受試者開始離床到模型偵測到離床之間的時間。當N很小時，模型根據短時間內的輪廓的變化預測離床，導致短的Latency；隨著N增加，模型使用一段長時間的資料來偵測離床。實驗結果表明，N=3時，模型偵測離床動作的能力具有3.02秒的latency與98.8%的sensitivity。

圖3、基於1D CNN的離床偵測類神經網路

表1、不同N對於離床偵測之影響

AR眼鏡與即時影像串流:

除了熱影像感測器之外，本系統還包含一個攝影機，與照護者穿戴的AR眼鏡連接，負責傳送年長者的即時影像給照護者(圖4)。為保障年長者隱私，該攝影機平時被一個由樹梅派控制的遮蓋片遮蔽。只有熱影像感測器被啟動以進行離床偵測。當沒有離床警報發生時，由於攝影機關閉，AR眼鏡中將顯示透明的畫面，可避免遮蔽照護者視野，影響他們的日常工作。而當系統透過熱影像偵測到離床動作時，將觸發警報，並且通過Zigbee模組送出訊息到樹莓派，移走遮蓋片並啟動攝影機，然後傳輸年長者的影像到AR眼鏡。藉由即時影像，照護者能更精準掌握年長者狀況，避免為誤報疲於奔命。當離床警報結束時，攝影機將被遮蔽，從而保障年長者日常生活隱私。

圖4、結合AR眼鏡與即時影像串流之離床偵測系統