1

1. 可穿戴式系統設計 期中報告
指導教授: 鍾明桉 教授
電子工程所 學生: 賴紀廷
學號: 111368544
2023/01/06

2. Assessment of Fetal and Maternal Well-
Being During Pregnancy Using Passive
Wearable Inertial Sensor
• 使用被動式可穿戴慣性傳感器評估孕期胎兒和母親的健康狀況
Eranda Somathilake , Upekha Hansanie Delay , Janith Bandara Senanayaka , Samitha Lakmal
Gunarathne ,Roshan Indika Godaliyadda , Senior Member, IEEE, Mervyn Parakrama Ekanayake
, Senior Member, IEEE,Janaka Wijayakulasooriya , Member, IEEE, and Chathura Rathnayake

3. Outline
• I. INTRODUCTION
• II. BACKGROUND
• III. DEVICE IMPLEMENTED
• IV. DATA ANALYSIS
A. 初步數據判讀與雜訊去除
B. 呼吸數據分析
C. 胎動檢測
D. 干擾去除
V. RESULTS
A. 呼吸數據分析
B. 胎動檢測
C. 干擾去除
VI. CONCLUSION

4. I. INTRODUCTION
• 連續性心律紀錄法（cardiotocography，簡稱CTG）（一
種電子胎兒監測 [electronic fetal monitoring，簡稱 [EFM]
方法）監控分娩期間的胎兒狀況
缺點
1.不方便
2.儀器需要專業人士
操作
3.超音波對胎兒影響
4.無法長時間使用
5.無法自由活動

5. II. BACKGROUND
一種方法是使用卷積生成尺度
圖的神經網絡 (CNN)通過對信
號進行小波變換，得到然後用
於識別胎動。
另一種方法是使用循環神經網
絡 (RNN)，其中門控使用循環
單元 (GRU) ，以便信號可以分
析長期依賴性以檢測胎兒移
動。
GRU
比LSTM結構更簡單的版本，可提供更快的執行
速度以及減少記憶體的使用。
重設閘：決定是否將之前記憶忘掉
更新閘：控制記憶資料的保留與更新
Tanh神經層：產生最後須輸出的候選資料
GRU與LSTM的主要差異：
1.GRU有2個閘門，LSTM有3個。
2.LSTM需要使用遺忘閘和輸入閘來控制記憶資料
的刪除與輸入資料的更新；GRU使用重置閘。
3.LSTM長期記憶線需要經過Tanh函數和輸出閘
來產生輸出資料；GRU使用更新閘來控制最後輸
出資料

6. III. DEVICE IMPLEMENTED
https://www.twblogs.
net/a/5c9174acbd9e
ee35cd6b6ace
IMU使用方法、校正以及
視覺化
慣性測量單元 IMU

7. IV. DATA ANALYSIS
A. Preliminary Readings(1/5)
單軸時域加速度讀數
讀數的時頻變化
時域數據的概率
分佈函數 (PDF)
功率谱密度（PSD Power Spectral
density）

8. IV. DATA ANALYSIS
A. Preliminary Readings(2/5)

9. IV. DATA ANALYSIS
A. Preliminary Readings(3/5)
加
速
度
計
測
量
單
位
加
速
度
計
測
量
單
位

10. IV. DATA ANALYSIS
A. Preliminary Readings(4/5)
加
速
度
計
測
量
單
位

11. IV. DATA ANALYSIS
A. Preliminary Readings(5/5)

12. IV. DATA ANALYSIS
B. Respiratory Data Analysis(1/3)
產婦呼吸運動和胎兒運動的 Z 軸加速度計變化。

13. IV. DATA ANALYSIS
B. Respiratory Data Analysis(2/3)
比較不同類型的小波在加速度信號分類上的性能，使用了幾種類型的小波離散小波轉換並
比較了每種小波的準確性。這種比較可以在表 II 中觀察到。

14. IV. DATA ANALYSIS
B. Respiratory Data Analysis(3/3)
孕婦能量消耗maternal energy expenditure (EE)

15. IV. DATA ANALYSIS
C. Fetal Movement Detection
CNN 和 GRU 來自 13 位
母親的數據集。
數據來自十位媽媽被用來
訓練，三位媽媽被用於測
試。

16. IV. DATA ANALYSIS
D. Interference Removal
Fig. 13.
Signal
estimation
using Wiener
filter.

17. V. RESULTS
A. Respiratory Data Analysis
在呼吸的
Z 軸加速
度計數據
中檢測到
峰值運
動。
當信號
包含胎
動信號
時檢測
到峰值

18. • 小波尺度圖是一種生物醫學信號分析工具，用於描述信
號中不同尺度（即周期長度）的信號特徵。
• 小波尺度圖是小波分析的一種可視化工具，用於描述信
號中不同尺度的信號特徵。
• 它的原理是通過小波轉換（wavelet transform）將信號分
解成多個尺度，並在每個尺度上計算信號的能量，然後
將能量按尺度繪制成圖。
• 小波尺度圖能夠揭示信號中不同尺度的時間變化，因此
在生物醫學信號分析中常用於檢測心跳變化、呼吸變化
等。
V. RESULTS
B. Fetal Movement Detection(1/4)

19. V. RESULTS
B. Fetal Movement Detection(2/4)
Wavelet scalograms
generated from the
data.
(a) Scalogram with
fetal movement.
(b) Scalogram
without fetal
movement.
(c) Scalogram during
mother’s laughter.

20. V. RESULTS
B. Fetal Movement Detection(3/4)

21. V. RESULTS
B. Fetal Movement Detection(4/4)
圖 19 給出了 CNN 和 GRU 神經網絡的訓練和測試信息以及時期數。
從獲得的結果中可以明顯看出，在訓練過程中，CNN 和 GRU 網絡都能夠識別與胎動相
關的特徵。
但是測試時，因為它取自不同母親的讀數而不是用於訓練的讀數，所以沒有觀察到準確
度的顯著變化。

22. V. RESULTS
C. Interference Removal
圖 20. 使用 AMU
(加速度計測量單
位)隨時間變化的圖
和數據點的概率分
佈
參考信號和
原始信號
過濾信號

23. VI. CONCLUSION
This device coupled with a three-step algorithm has
the ability to estimate the EE after activity with an
approximate accuracy of 98%.
Furthermore, implementing a GRU-based algorithm
on the data collected resulted in identifying the
occurrence of fetal movements with a training
accuracy of 90% and testing accuracy of 75%.。