专利名称：：生理参数指标运算系统及方法
技术领域：
：本揭露是有关于一种运算生理参数指标的系统及方法。
背景技术：
：利用信息技术，搜集各种生理信号并且分析个案生理机能健康状态，是医疗与信息领域所共同合作研究的研究课题，例如心电图(electrocardiogram,ECG)信号的分析由于其能直接反应心脏机能状态，在心血管相关疾病分析中一直是相当重要的探索议题。疾病的症兆大多会在生理器官运作与律动的变异性上呈现些微的差异，而针对生理信号的监控与分析虽然已有许多国际厂商与医疗研究人员提供与提出评估的流程与做法，但仍有些技术难题亟待被解决。以心电图为例，目前对于心脏机能的检测多以短时间的心电图分析为主，但由于许多病症在短时间的心电图上无法显示异常，因此近年已有研究人员针对长时间的心电图信号分析，发展了以多元尺度(multi-scale)观点分析心脏律动复杂度(complexity)为主的生理参数指标，并在研究中证实此类指标确实能反应心脏机能的健康状态。多元尺度生理参数指标的计算上较传统时频域的统计分析复杂，特别是以熵(entropy)为出发点的多元尺度熵(multi-scaleentropy,MSE),在医学研究上已证明其有效性。长时间心电图分析虽然提供了较完整的个案生理信息，但相对的系统也必需有更大的空间以储存长时间心电图数据，如何设计出新的机制能在计算长时间心电图生理参数指标时同时以有效率的方式储存心电图信息，是长时间心电图分析中的挑战之一。以多元尺度为出发点所发展的长时间生理参数指标，能呈现长时间范围内的个案生理状态，而此生理状态的差异是无法透过短时间生理信号所分析得到的；但由于计算时间相当冗长，因此目前仍较局限于个案发病后的病症解读与研究，未能将此分析技术应用于个案生理状态的监控与预警。由此可见，如何提供此类多元尺度生理参数指标以尽可能即时监控与评估个案生理状态，是临床上个案生理监控相当重要的议题。
发明内容为解决上述问题，本发明提供一种运算生理参数指标的系统及方法。本揭露的一实施例提出一种运算生理参数指标的方法，适用于电子装置。此方法为将生理数据序列切割为多个视窗，其中各个视窗内包括生理数据序列中的数据区段。分析各个视窗内的数据区段，获得能代表此数据区段的数据特性的元数据(metadata)。利用其中一个视窗的对应的元数据更新包含截至前视窗为止的所有数据区段的数据特性的元数据，得到包含截至目前视窗为止的所有数据区段的数据特性的元数据。并利用更新后的元数据运算生理参数指标。本揭露的一实施例提出一种运算生理参数指标的系统，其包括转换器及电脑系统。其中，转换器用以检测生理数据序列。电脑系统包括传输介面、至少一储存媒体及处理器。其中，传输介面为连接转换器，用以接收生理数据序列。至少一储存媒体用以储存生理数据序列。处理器为耦接传输介面及该至少一储存媒体，用以切割生理数据序列为多个视窗，分析各个视窗内生理数据序列中的数据区段，获得能代表此数据区段的数据特性的元数据，并利用其中一个视窗对应的元数据更新包含截至前个视窗为止的所有数据区段的数据特性的元数据，得到包含截至目前视窗为止的所有数据区段的数据特性的元数据，以及利用更新后的元数据运算生理参数指标。为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。图I是依照本发明一实施例所绘示的运算生理参数指标方法的流程图；图2是依照本发明一实施例所绘示的运算生理参数指标方法的示意图；图3(a)及图3(b)是依照本发明一实施例所绘示的粗粒化程序的范例；图4是依照本发明一实施例所绘示的计算多元尺度熵的数据结构所对应的直方图；图5是依照本发明一实施例所绘示的使用稀疏矩阵储存并更新元数据的范例；图6是依照本发明一实施例所绘示的利用不断更新的元数据计算多元尺度熵的示意图；图7(a)、图7(b)及图7(c)是依照本发明一实施例所绘示的利用树状数据结构记录元数据，并据以运算生理参数指标的范例；图8所示为根据一些实施例，适用于执行第1-7图的方法的运算生理参数指标系统的功能区块图；图9是依照本发明一实施例所绘示的利用四种评估方式计算多元尺度熵在尺度设定为I的运算时间分析图；图10是依照本发明一实施例所绘示的利用结构化方式计算多元尺度熵的运算时间比较;图11依照本发明一实施例所绘示的利用四种评估方式计算多元尺度熵在尺度设定为I到20所耗用的总运算时间分析图；图12是分析图11中以数据结构化方式计算多元尺度熵的运算时间；图13(a)及图13(b)是依照本发明一实施例所绘示的利用数据分布的统计量记录元数据，并据以运算生理参数指标的范例；图14(a)及图14(b)是依照本发明一实施例所绘示的利用五种评估方法计算多元尺度熵在尺度设定为I到20所耗用的总运算时间分析图。附图标记20:生理数据序列22:长时间生理参数指标40:直方图60:信息矩阵62:区块812:储存媒体814:处理器816:输入/输出介面818:显示器822:网络介面824:介面830:网络840:转换器131、132:常态分布曲线S102S108:本发明一实施例的运算生理参数指标的方法步骤具体实施例方式下面结合附图，对本发明做进一步的详细描述。本揭露在长时间生理数据分析上，提出了计算生理参数指标的方法，利用将陆续进入系统的生理数据以视窗(window)概念分割出相对较短时间的生理数据区段，以避免批次运算时大量数据所造成的效率低落问题。此外，针对长时间生理数据的储存空间问题，本揭露实施例也提供了利用元数据(metadata)特性来取代原本所储存的原始生理数据，此方式在每个视窗进入时，更新元数据的信息以描述过往所有数据的特性，原则上节省储存成本。最后，本揭露实施例提出了以有系统的数据结构与元数据的信息结合，藉以推算出长时间生理参数指标的做法。透过上述三项处理，本揭露能让系统提供长时间生理参数指标，特别是多元尺度分析中运算最繁复的多元尺度熵(multi-scaleentropy,MSE)指标,在本揭露实施例中同样能提供医护人员数据，使得长时间生理状态的监控与分析能更广泛地在临床上被采用。以下实施例以心电图为例说明，但不限于只应用于心电图。图I是依照本发明一实施例所绘示的运算生理参数指标方法的流程图。请参照图1，本实施例的生理参数指标的运算适用于具运算能力的各种电子装置，其主要分为数据序列的分割、元数据的计算、元数据的累计与储存及生理参数指标的计算等四个步骤，兹分述如下在步骤S102中，由电子装置接收陆续进入装置的生理数据序列，并将其切割为多个视窗，其中各个视窗内包括此生理数据序列中的数据区段。详言之,本实施例所提出的数据序列分割，例如是将心电图信号中的RRI(R-Rinterval,RRI)、PRI(P-Rinterval,PRI)等能代表每次心跳周期信息的序列，依据固定的时间长度(如半个小时或一个小时等)或数据长度(如5，000个RRI数据点或10，000个RRI数据点等)定义视窗大小(size)，将原始的长时间数据序列(如24小时的RRI序列)切割为数个不相互交迭(non-overlap)的数据区段，后续处理即针对每个数据区段进行运算。需说明的是，上述的生理数据序列为以心电图特征参数的数据序列为例，此心电图特征参数包括以时间观点所量测到的心电图中相邻心跳的R波与R波间的时间长度(R-Rinterval,RRI)、单一心跳间期中的P波与R波的区间长度(P-Rinterval,PRI)、QRS波组时间长度(QRSduration)、S波与T波间的区段时间长度(STsegment)，以空间观点所量测至IJ的相邻心跳间的P波、R波、S波、T波电位变化的差量，以及以型态观点所量测到的相邻心电图间的型态差异的变化量或相似度其中之一。而除了心电图特征参数的数据序列之夕卜，本实施例的方法亦适用于其他的生理数据序列，例如脑电波图特征参数、呼吸信号或血氧浓度信号的数据序列也可采用本实施例的做法运算对应的生理参数指标。在步骤S104中，由电子装置分析各个视窗内的数据区段，以获得能代表数据区段的数据特性的元数据(metadata)。详言之，依据所欲计算的生理参数指标的运算性质，本实施例可分析计算生理参数指标必要的元数据以及其计算方式，此元数据并能够用以计算生理参数指标。需说明的是，上述元数据例如是用以代表数据特性的统计描述、数据结构特性、趋势信息或数据乱度量测值。其中，所述的统计描述包括平均数、标准差、众数、中位数、偏态系数、峰态系数或机率分布的参数；所述的数据结构特性包括数据直方图分组或计数；所述的趋势信息包括回归系数或多项式系数；所述的数据乱度包括熵或时间非对称性系数其中之一，在此均不设限。在步骤S106，由电子装置利用其中一个视窗对应的元数据更新包含截至前视窗为止的所有数据区段的数据特性的元数据，得到包含截至目前视窗为止的所有数据区段的数据特性的元数据。详言之，随着陆续进入系统的数据序列，本实施例提供一种元数据的更新方法，使得所更新后的元数据能够代表截至目前为止已进入系统的数据序列的整体特性。需说明的是，对于此元数据的储存，本实施例特别采用多维稀疏矩阵或树状数据结构来记录，以达到节省储存空间，其实施方式详述于后续实施例。在步骤S108，由电子装置利用更新后的元数据运算生理参数指标。详言之，在将每个时间区段的元数据更新后，此更新后的元数据即可用以计算生理参数指标。由于元数据与原始的生理数据序列不同，因此计算生理参数指标的方式也与传统方法相异。为计算出生理参数指标，本实施例提供额外的数据处理架构以进行运算，其实施方式详述于后续实施例。图2是依照本发明一实施例所绘示的运算生理参数指标方法的示意图。请参照图2，本实施例为将生理数据序列20依据固定的时间长度(\、Τ2、…、Tk)切割为多个较短时间长度的数据区段(包括RRI数据区段I、RRI数据区段2、…、RRI数据区段k)。而在对这些数据区段进行分析的过程中，本实施例会先执行多元尺度分析中的粗粒化(coarse-graining)程序,再利用特定的数据结构计算与储存能代表各个数据区段的数据特性的元数据(包括元数据I、元数据2、···、元数据k)。其中,所述的元数据将随着每个进入的数据区段不断更新，以获得能代表全部长时间心电图特性的元数据，最后再进行近似熵或样本熵的计算，从而获得所需的长时间生理参数指标22，并完成多元尺度熵的计算程序。需说明的是，上述的粗粒化程序例如是使用多个尺度(scale)分别对各个视窗内的数据区段进行运算，以获得各个尺度下的数据序列，并用以计算能代表数据区段的数据特性的元数据。其中，在使用上述尺度其中之一对数据区段执行粗粒化程序时，例如是以所使用的尺度为单位，依序选择数据区段中的多笔数据，并计算所选择数据的平均值，而用以作为该尺度下的数据序列中的数据。举例来说，图3(a)及图3(b)是依照本发明一实施例所绘示的粗粒化程序的范例。请同时参照图3(a)及图3(b)，对于给定的数据序列X=IxJ，其中N，对此数据序列X进行粗粒化程序后的数据序列vf)可由以下公式获得(τλIJxr,NV”=—ΣXi,I<j<——TΗ_/·-1)ΧΤ+1T其中，N为数据序列X所包括的数据总笔数，τ为所选择使用的粗粒化尺度。由图3(a)可知，在尺度τ=2时，即是以2为单位依序选择数据区段X中的2笔数据，例如(X1,X2)、(X3,X4)、(X5,X6)、…、(Xi,xi+1)···，并计算所选择数据的平均值，而用以作为该尺度下的数据序列中的数据，最终获得粗粒化程序后的数据序列^=V2=(v1；V2,V3,…)。同理，由图3(b)可知，在尺度τ=3时，是以3为单位依序选择数据区段X中的3笔数据，并计算所选择数据的平均值，而用以作为该尺度下的数据序列中的数据，最终获得粗粒化程序后的数据序列V3=(V1；Vi2，ν'3，…)。以实际数字为例，若原始的数据序列X=(26，28，30，26，26，27，25)，则经过粗粒化程序(τ=2)后的数据序列V2=(27，28，26.5)。关于元数据的计算及更新，图4是依照本发明一实施例所绘示的计算多元尺度熵的数据结构所对应的直方图。请参照图4，直方图40为对应于本实施例针对多元尺度熵中观察样本维度设定为m=2所推演的元数据进行运算时所采用的数据结构。其中，由于近似熵或样本熵的计算需要统计每个样本点与其他样本点的相互关系(例如样本值的差量)，因此本实施例为利用多维直方图的处理架构，将每个样本点(以本实施例而言皆是二维向量)依据各个维度样本值大小顺序排列并计算各种组合(二维向量)出现的次数，进而统计整理成二维统计表。当观察样本维度设定为m=3时，此处理方式可统计整理成三维统计表。虽然每次进入的数据区段的样本点数目可能高达数千/万笔，但在第一维样本数值条件的限制下，第二维样本数值的分布广度极其有限，此现象对心律周期的生理分析而言也甚合理，因为相邻两次心跳的周期差异并不会出现巨大的改变。上述现象在限制第一维与第二维样本数值下的第三维分布(m=3设定时)更为明显(即第三维样本数值的变动幅度也有限)。依上述所观察的现象，在二维统计表或三维统计表中，每个单位(cell)有值的机率将远小于每个单位无值的机率(即该二维或三维的组合在数据中未曾出现)。若要将二维统计表或三维统计表完整记录，则将会浪费许多不必要的储存空间。有鉴于此，也可以采用多维稀疏矩阵(sparsematrix)来记录统计表,藉以节省储存空间。详言之，对于由生理数据序列切割出来的各个视窗的各尺度下的数据序列，本发明实施例将其中一个视窗对应的元数据记录于多维稀疏矩阵，再依序将其他视窗对应的元数据累加到同一个多维稀疏矩阵，使得此多维稀疏矩阵包含截至目前视窗为止的所有数据区段的数据特性的元数据。上述记录元数据的步骤例如是先将其中一个视窗对应的元数据所包含的每个向量组合的计数值记录于多维稀疏矩阵，然后再依序将其他视窗对应的元数据所包含的每个向量组合的计数值累加于此多维稀疏矩阵中已记录的向量组合的计数值上。其中，上述累加到多维稀疏矩阵的向量组合与多维稀疏矩阵中原本的向量组合之间可能存在相同及相异的部分，对于第二向量组合与第一向量组合相同的部分，将两者的计数值进行累加；反之，对于第二向量组合与第一向量组合相异的部分，在多维稀疏矩阵中并未有对应的第一向量组合，因此本发明实施例需根据第二向量组合对于多维稀疏矩阵中所有向量组合的相对位置，适度扩大多维稀疏矩阵的尺寸，以将第二向量组合纳入多维稀疏矩阵中，并用以做为新增的向量组合。举例来说，图5是依照本发明一实施例所绘示的使用稀疏矩阵储存并更新元数据的范例。请参照图5，本实施例为说明在计算多元尺度熵的尺度m=2条件下，元数据的记录及更新方式。由图中可知，本实施例会先以多维稀疏矩阵所记录更新至第t时间区段(对应视窗t)的元数据(包含前t个时间区段的信息)与第t+Ι时间区段(对应视窗t+Ι)所计算出的元数据转换成完整的信息矩阵(fullinformationmatrix),进行元数据的更新，并将更新后信息矩阵中的元数据以多维稀疏矩阵的方式储存以作为更新至第t+Ι时间区段的元数据。依此方式，由元数据所转换的信息矩阵将依据随时间顺序进入的每个数据区段不断更新信息，而信息矩阵的大小在每次更新的过程中有可能会增长或维持不变。图6是依照本发明一实施例所绘示的利用不断更新的元数据计算多元尺度熵的示意图。请参照图6，由于在元数据更新时不断统计出每种向量组合出现的次数，因此本实施例为依据元数据所转换出的信息矩阵60，设定多元尺度熵中所定义的差量上限为r=O.15XSD，其中SD为截至目前时间点所有RRI数据的标准差。藉此，可框出与特定向量ω(p，q)的差量小于此差量上限r的区块62，而将区块62范围中所有向量组合的计数值相加后，即可得到与向量ω(p，q)相近的计数值总和。依据目标向量ω(p,q)在目前累计数据中出现的次数和距ω(p，q)在r范围内的总数据数，并对信息矩阵60中的每个位置进行此动作，可得出运算近似熵或样本熵所需的所有信息。考量多元尺度下的多组数据序列，执行上述运作可计算出多元尺度熵参数指标。除了使用多维稀疏矩阵记录元数据的方式之外，本发明一实施例还提供另一种利用树状数据结构记录元数据的方式。详言之，例如是针对各个视窗的各个尺度下的数据序列，将其中一个视窗对应的元数据记录于树状数据结构，然后再将其他视窗对应的元数据依序加入此树状数据结构，使得此树状数据结构包含截至目前视窗为止的所有数据区段的数据特性的元数据。举例来说，图7(a)、图7(b)及图7(c)是依照本发明一实施例所绘示的利用树状数据结构记录元数据，并据以运算生理参数指标的范例。其中，本实施例为将数据区段X=(3，10，19，23，30，37，45，59，62，70，80，89，95，98)中的样本点记录于二元树(binarytree)数据结构(如图7(a)所示)，或是记录于一维树(IDtree)数据结构(如图7(b)所示)。而在运算生理参数指标时，则是先设定多元尺度熵中所定义的差量上限，然后针对树状数据结构中的特定样本点，搜寻树状数据结构中与此样本点的差量小于差量上限的范围，最后则计算此范围中所有向量组合的计数值总和，以做为计算近似熵/样本熵生理参数指标所必需的信息。例如在图7(c)中，即将差量上限设定为30，而针对样本点X=45搜寻图7(b)的树状数据结构中与此样本点的差量小于差量上限的范围(即X=1575)，最后则计算此范围中所有样本点的计数值总和，以做为计算近似熵/样本熵生理参数指标所必需的信息。根据一些实施例，第8图为一运算生理参数指标系统的功能区块图，此系统可用于执行揭露在第I图至第7图中的方法。运算生理参数指标系统800包括电脑系统810。电脑系统810包括了电力上与至少一储存媒体812直接连接的处理器814。为了使电脑像信号分析器一样执行受测生理信号的生理参数指标计算与分析，可配置处理器814以执行或中止编译于至少一储存媒体812的电脑程序码。在一些实施例中，处理器814为中央处理单兀(centralprocessingunit,CPU)、多元处理器、分散式处理系统及/或任一适合的处理单元。在至少一实施例中，处理器814可从至少一储存媒体812中取得像是心电图信号的生理信号、预定标准样版及/或其他信肩、O在一些实施例中，至少一储存媒体812为电子、磁性、光学、电磁、红外线及/或半导体系统(或仪器或装置)。举例来说，至少一储存媒体812包括半导体或固态记忆体、磁带、可携式电脑磁片、随机存取记忆体(randomaccessmemory,RAM)、唯读记忆体(read-onlymemory,ROM)、硬式磁碟及/或光学磁碟。在一些使用光学磁碟的实施例中，至少一储存媒体812包括唯读式光碟(compactdiscread-onlymemory,CD-ROM)、可重复读写光碟(compactdiscrewritable,CD-RW)及/或数字影音光碟(digitalvideodisk,DVD)坐寸ο此外，电脑系统810包括输入/输出介面816及显不器818。输入/输出介面816与处理器814直接连接，并且为了执行在第I图至第7图中所描述的方法，可允许操作者或医疗照护专业人员操作电脑系统810。第I图至第7图中所描述的方法的操作状况，能藉图形使用者介面(graphicaluserinterface,⑶I)显现于显示器818中。输入/输出介面816及显示器818以人机互动的方式允许操作者操作电脑系统810。在一实施例，电脑系统810也包括直接连接至处理器814的网络介面822。网络介面822允许电脑系统810能与和网络830相连之一或更多电脑系统通信。网络介面822包括无线网络介面像是蓝芽(BLUETOOTH)、无线相容认证(wirelessfidelity,WIFI)、全球互通微波存取(worldwideinteroperabilityformicrowaveaccess,WiMAX)、通用封包无线服务技术(generalpacketradioservice,GPRS)、宽频分码多工(widebandcodedivisionmultipleaccess,WCDMA)、有线网络介面像是乙太网络(ETHERNET)、通用序列汇流排(USB)或IEEE-1394。在一些实施例中，第I图至第7图的方法可执行在第8图两个或更多个电脑系统810中，例如心电图信号等生理信号、预定标准样版、及/或其他的信息能经由网络830在不同的电脑系统中所交换。在至少一实施例中，运算生理参数指标系统800更包含转换器840。转换器840能用于观察被检测的生物个体/器官，以及转换生物个体/器官的运动运作为具代表性的信号。在分析心电图信号的实施例中，转换器840观察被检测的心脏并且转换心脏肌肉运动运作为心电图信号。电脑系统810更有与转换器840及处理器814直接连接的传输介面824。传输介面824能桥接转换器840及处理器814，并将所取得的周期信号例如以离散时间信号格式输出。举例来说，若转换器840取得心电图信号，则传输介面824从转换器840接收心电图信号，并将心电图信号以心电图数据阵列格式输出至处理器814中。在一些实施例中，转换器840转换下列生物个体现象的其中之一为电子信号心跳、呼吸、心电图、脑电波、血氧浓度等生理信号、等。为了验证本揭露的运算生理参数指标的方法相较于先前技术的改进，本案以三种不同的计算方式评估多元尺度熵的计算时间，包含多元尺度熵并未对数据做任何数据结构处理的原始做法、本案所提出的以有秩序的数据结构储存元数据并直接以结构化批次处理方式计算多元尺度熵的做法，以及本案所提出的结构化线上计算多元尺度熵的做法。其中，在线上计算多元尺度熵的做法中，会再加以评估整个计算过程中所耗费的所有时间(包含在每个进入的时间区段中计算与更新元数据的时间以及计算多元尺度熵的时间)，以及操作人员实际等待系统运算出完整多元尺度熵的时间(包含一次的元数据运算与更新以及多元尺度熵的计算)，并分别表示为结构化线上计算(所有)做法与结构化线上计算(反应时间)做法。其中，本实施例所采用的生理数据序列为24小时的心电图数据，其为经过自动化的R波特征点侦测以及异位波的滤除后，再经由专业人员进行人工的校正，所得出的RRI序列数据。在下述的实施例中，视窗长度设定上，以固定数据量方式切割陆续进入系统的生理数据，并将每个视窗(时间区段)的数据大小设定为10，000笔。图9是依照一实施例所绘示的利用四种评估方式计算多元尺度熵在尺度设定为I的运算时间分析图。从此图可清楚看出原始未考量数据结构与运算效率的暴力做法在运算时间效率的表现上远较于其他三种评估方式为差，特别在数据笔数超过30，000笔时，原始暴力做法所需的时间已超过其余三种评估方法所需时间的百倍。从图中也可验证原始暴力做法计算方法的运算复杂度将随数据笔数增加，而以指数倍数成长。图10是依据图9的实验设定，将焦点放置于结构化方式计算多元尺度熵的比较。从图中可发现，在数据量小于40，000时，利用结构化的批次计算方法比结构化线上计算方式的总运算时间略为有效率，但在总数据笔数大于40，000时，结构化线上计算(所有)做法的运算效率则优于暴力做法；若再与结构化线上计算(反应时间)做法的运算时间相比，则明显看出所耗费的时间极短，当数据笔数为120,000时，仅需I.5秒的时间，约为结构化线上计算(所有)做法的二分之一以及约为结构化批次计算方法的三分之一时间，而此I.5秒的时间也是临床医疗人员操作计算此生理参数指标时实际等待的时间。图11是依照一实施例所绘示的利用四种评估方式计算多元尺度熵在尺度设定为I到20所耗用的总运算时间分析图。与图9呈现的趋势相似，原始暴力做法的运算时间远久于数据经结构化后再加以计算多元尺度熵的时间，此图并可说明为何多元尺度熵虽在研究报告上有其效果但却未能普及的原因，以数据笔数为120,000为例，原始计算方式需超过5，000秒的运算时间，此对于临床评估应用上的即时性需求还有很大的进步空间。图12是分析图11中以数据结构化方式计算多元尺度熵的运算时间。与图10结果有所差异的地方在于考量尺度I到20后，结构化线上计算(所有)做法所需的总计算时间皆高于暴力做法，此原因在于当scale大于3时，生理数据经粗粒化程序后数据笔数大为降低，直接以结构化的批次计算方式处理将比线上方式处理来得有效率，因为线上方式在每个视窗的数据处理中会额外有元数据的更新时间，造成总计算时间略高于批次运算方式的时间。但若以实际上临床医疗人员的等待时间而言，结构化线上计算(反应时间)做法的计算时间则相似于图10所展现的结果，结构化线上计算(反应时间)做法耗用时间相较于结构化的批次计算方法与结构化线上计算(所有)做法更为有效率，运算时间同样仅需结构化线上计算(所有)做法的二分之一以及结构化的批次计算方法的约三分之一。由实施例中也可证实本案所提方法的可行性与计算效率性，透过序列数据学习的线上数据处理技术，提供长时间生理参数指标。需说明的是，一实施例除了利用上述的矩阵结构与树状结构来进行元数据的计算与更新外，更利用数据机率分布的统计量来做为元数据。详言之，本揭露的一实施例所采用的机率分布为常态分布，而对应的统计量为平均数与标准差。图13(a)及图13(b)是依照本揭露一实施例所绘示的利用数理统计分析方式的统计量记录元数据，并据以运算生理参数指标的范例。当维度m=2时，本实施例为将所有二维样本点依数值大小排序整理后，将样本点的第一维度数值固定于某数值下，利用此时样本点的第二维度数值所绘制的直方图如图13(a)所示。其中，曲线121为常态分布的函数图，由图13(a)可看出，本实施例所采用的常态分布在第一维度固定下所产生的第二维度信息，能贴近原始数据的分布特性。另一方面，当维度m=3时，将所有三维样本点的第一维度与第二维度数值固定于某二维组合下，其第三维度信息的直方图与对应的常态分布曲线如图13(b)所示。其中，从图13(b)的曲线132同样可看出利用常态分布近似数据特性的贴近程度。在每个视窗利用分布统计量作为元数据后，可与后续视窗的分布统计量进行元数据的更新，一实施例所采用的更新公式如下权利要求1.一种运算生理参数指标的方法，适用于一电子装置，其特征在于，该方法包括切割生理数据序列为多个视窗，各所述视窗内包括该生理数据序列中的数据区段；分析各所述视窗内的数据区段，获得能代表该数据区段的数据特性的元数据；利用这些视窗的对应的元数据更新包含截至前视窗为止的所有数据区段的数据特性的元数据，得到包含截至目前视窗为止的所有数据区段的数据特性的元数据；以及利用更新后的元数据运算生理参数指标。2.如权利要求I所述的运算生理参数指标的方法，其特征在于，切割该生理数据序列为所述视窗的步骤包括依据固定的时间长度或数据长度定义所述视窗的大小；以及依据所述视窗的大小切割该生理数据序列为不相互交迭的多个数据区段。3.如权利要求I所述的运算生理参数指标的方法，其特征在于，分析各所述视窗内的数据区段，获得能代表该数据区段的该数据特性的该元数据的步骤包括使用多个尺度对各所述视窗内的数据区段执行粗粒化程序，以获得各所述尺度下的数据序列，并用以作为代表该数据区段的数据特性的元数据。4.如权利要求3所述的运算生理参数指标的方法，其特征在于，使用多个尺度对各所述视窗内的数据区段执行该粗粒化程序，以获得各所述尺度下的该数据序列的步骤包括在使用所述尺度的对该数据区段执行该粗粒化程序时，以所述尺度为单位依序选择该数据区段中的多笔数据，并计算所选择数据的平均值，用以作为该尺度下的该数据序列中的笔数据。5.如权利要求3所述的运算生理参数指标的方法，其特征在于，利用所述视窗的对应的元数据更新包含截至该前视窗为止的所有数据区段的数据特性的元数据，得到包含截至该目前视窗为止的所有数据区段的数据特性的元数据的步骤包括针对各所述视窗的各所述尺度下的数据序列，采用多维稀疏矩阵记录所述视窗的对应的元数据；以及依序累加其他视窗对应的元数据至该多维稀疏矩阵，使得该多维稀疏矩阵包含截至该目前视窗为止的所有数据区段的数据特性的元数据。6.如权利要求5所述的运算生理参数指标的方法，其特征在于，针对各所述视窗的各所述尺度下的数据序列，采用该多维稀疏矩阵记录这些视窗的对应的元数据的步骤包括记录对应该元数据的多个第向量组合中各所述第向量组合的计数值于该多维稀疏矩阵。7.如权利要求6所述的运算生理参数指标的方法，其特征在于，依序累加其他视窗对应的元数据至该多维稀疏矩阵，使得该多维稀疏矩阵包含截至该目前视窗为止的所有数据区段的数据特性的元数据的步骤包括依序累加其他视窗对应的元数据的多个第二向量组合中各所述第二向量组合的计数值于该多维稀疏矩阵中已记录的各所述第向量组合的计数值。8.如权利要求7所述的运算生理参数指标的方法，其特征在于，利用更新后的元数据运算该生理参数指标的步骤包括设定多元尺度熵中所定义的差量上限；针对该多维稀疏矩阵中的特定向量组合，框出该多维稀疏矩阵中与该特定向量组合的差量小于该差量上限的区块；以及计算该区块中所有向量组合的计数值总和，以做为计算该生理参数指标所必需的信肩、O9.如权利要求3所述的运算生理参数指标的方法，其特征在于，利用所述视窗的对应的元数据更新包含截至该前视窗为止的所有数据区段的数据特性的元数据，得到包含截至该目前视窗为止的所有数据区段的数据特性的元数据的步骤包括针对各所述视窗的各所述尺度下的数据序列，采用树状数据结构记录所述视窗的对应的元数据；以及依序加入其他视窗对应的元数据至该树状数据结构，使得该树状数据结构包含截至该目前视窗为止的所有数据区段的数据特性的元数据。10.如权利要求9所述的运算生理参数指标的方法，其特征在于，利用更新后的元数据运算该生理参数指标的步骤包括设定多元尺度熵中所定义的差量上限；针对该树状数据结构中的特定样本点，搜寻该树状数据结构中与该特定样本点的差量小于该差量上限的范围；以及计算该范围中所有样本点的计数值总和，以做为该生理参数指标。11.如权利要求9所述的运算生理参数指标的方法，其特征在于，该树状数据结构包括二元树数据结构或维树(IDtree)数据结构。12.如权利要求3所述的运算生理参数指标的方法，其特征在于，利用所述视窗的对应的元数据更新包含截至该前视窗为止的所有数据区段的数据特性的元数据，得到包含截至该目前视窗为止的所有数据区段的数据特性的元数据的步骤包括针对各所述视窗的各所述尺度下的数据序列，采用数理统计分析方式计算所述视窗的对应的分布统计量，以作为该视窗的对应的元数据；以及依序利用其他视窗对应的分布统计量更新该元数据，得到可代表累积至目前视窗为止的分布统计量的元数据。13.如权利要求12所述的运算生理参数指标的方法，其特征在于，该数据分布为常态分布，而该分布统计量为平均值与标准差。14.如权利要求I所述的运算生理参数指标的方法，其特征在于，该生理数据序列包括心电图特征参数、脑电波图特征参数、呼吸信号或血氧浓度信号的数据序列。15.如权利要求14所述的运算生理参数指标的方法，其特征在于，该心电图特征参数包括以时间观点所量测到的心电图中相邻心跳的R波与R波间的时间长度、单一心跳间期中的P波与R波的区间长度、QRS波组时间长度、S波与T波间的区段时间长度，以空间观点所量测到的相邻心跳间的P波、R波、S波、T波电位变化的差量，以及以型态观点所量测到的相邻心电图间的型态差异的变化量或相似度其中之一。16.如权利要求I所述的运算生理参数指标的方法，其特征在于，该元数据包括用以代表数据特性的统计描述、数据结构特性、趋势信息或数据乱度量测值。17.如权利要求16所述的运算生理参数指标的方法，其特征在于，该统计描述包括平均数、标准差、众数、中位数、偏态系数、峰态系数或机率分布的参数，该数据结构特性包括数据直方图分组或计数，该趋势信息包括回归系数或多项式系数，以及该数据乱度包括熵或时间非对称性系数其中之一。18.一种运算生理参数指标的系统，包括转换器，检测生理数据序列；以及电脑系统，包括传输介面，连接该转换器，接收该生理数据序列；至少一储存媒体，储存该生理数据序列；以及处理器，耦接该传输介面及所述储存媒体，切割该生理数据序列为多个视窗，分析各所述视窗内该生理数据序列中的数据区段，获得能代表该数据区段的数据特性的元数据，并利用所述视窗的对应的元数据更新包含截至前视窗为止的所有数据区段的数据特性的元数据，得到包含截至目前视窗为止的所有数据区段的数据特性的元数据，以及利用更新后的元数据运算生理参数指标。19.如权利要求18所述的运算生理参数指标的系统，还包括显示器，连接该处理器，显示用以操作该电脑系统的图形使用者介面；以及输入/输出介面，连接该处理器，接收使用者对于该电脑系统的操作。20.如权利要求18所述的运算生理参数指标的系统，还包括网络介面，连接该处理器，透过网络与其他电脑系统进行通信。全文摘要一种运算生理参数指标的系统及方法。此方法为将生理数据序列切割为多个视窗，接着分析各个视窗内的数据区段，获得能代表此数据区段的数据特性的元数据。然后，利用其中一个视窗的对应的元数据更新包含截至前视窗为止的所有数据区段的数据特性的元数据，得到包含截至目前视窗为止的所有数据区段的数据特性的元数据。最后，利用更新后的元数据运算生理参数指标。文档编号G06F19/00GK102831288SQ20111045559公开日2012年12月19日申请日期2011年12月27日优先权日2011年6月17日发明者丁川伟,王庆尧申请人:财团法人工业技术研究院