FaceHeart：醫療級影像式生理量測的技術突破與臨床應用

公司背景與發展歷程

鉅怡智慧（FaceHeart）的故事始於國立陽明交通大學電機與控制工程學系的一個研究團隊。2013 年，在 IEEE Fellow 吳炳飛教授的帶領下，團隊開始致力於「影像式生理訊號健康管理系統」的研究。

從 Lab 到新創

研究團隊在 2017 年參加龍騰微笑創業競賽，在疲勞駕駛項目獲得貳獎。然而，團隊很快意識到單純的車牌辨識和疲勞駕駛偵測市場過於侷限，因此重新評估技術量能與市場需求，決定轉向醫療照護領域發展。2018 年 7 月，在看準台灣即將邁入高齡化社會、醫療資源可能面臨不足的問題後，吳炳飛教授與其學生鐘孟良博士正式成立鉅怡智慧股份有限公司。

重要里程碑與募資歷程

公司發展經歷以下重要階段：

1. 2019 年獲得聯發科技 Pre-A 輪投資，金額達新台幣 7,500 萬元

2. 2022 年 7 月完成 A 輪募資，獲得新台幣 2.1 億元的投資，投資方包括：
 — 台杉投資（領投）
 — 兆豐商銀
 — 能率亞洲資本
 — 上海商銀

3. 2023 年 9 月 FaceHeart Vitals™ SDK 的心率量測軟體成為全球首個採用一般鏡頭影像測量心率並獲得 FDA 二級醫療器材軟體認證（Class II SaMD）的產品

重要合作夥伴

鉅怡智慧目前已與多家重要醫療機構建立合作關係，包括台大、榮總、長庚、恩主公、北醫等六家醫院，透過這些醫療機構的合作，公司已累積超過 3,000 位受測者的臨床數據、超過 1 億 2 千萬筆生理資訊數據庫。

產業定位與願景

宏碁集團創辦人施振榮特別指出，鉅怡智慧代表了台灣產業發展的新方向。他認為未來 30 年的產業成長將來自醫療與資通訊的跨域結合，這正是台灣作為全球科技產業供應鏈要角與醫療產業技術能量領先的優勢所在。

FaceHeart 用手機或平板鏡頭即可測量生命徵象。只要有一台三年內的智慧型手機（搭配一顆視訊或照相用的普通鏡頭與硬體），三步驟即可測量生命徵象：一是在介面輸入基本資料，二是用手機鏡頭自拍掃瞄臉部，三是等待 40–60 秒後，就會收到一份報告，內容包括心率、心率變異率、血壓、血氧、呼吸頻率等生命徵象，及以延伸的活動力、睡眠度、健康度等六大健康指標。

核心技術深度解析

rPPG 技術原理

遠程光電容積脈搏波技術（Remote Photoplethysmography，rPPG）的核心原理，是利用環境中的光線與人體皮膚組織的交互作用來進行生理訊號的測量。每當心臟收縮和舒張時，血液會輸送到全身的微血管，微血管和回流的血液會有微小顏色的變化，以鏡頭偵測臉上的微血管膚色變化，即可進一步推算出心跳週期和心率。雖然這些變化肉眼無法察覺，但透過高解析度攝影機的鏡頭，可以捕捉到這些細微的光線變化。

臉部微血管影像擷取機制

在實際應用中，rPPG 主要透過以下步驟進行訊號擷取：

1. 影像擷取階段
系統會先透過攝影機鏡頭，記錄使用者臉部的影像。這個過程中，環境中的光線會照射在皮膚表面，產生兩種反射：
– 表面反射：直接從皮膚表面反彈的光線
– 擴散反射：穿透進入皮膚內部，與血管中的血液產生交互作用後反射的光線

2. 訊號處理階段
系統會特別關注影像中的 RGB（紅、綠、藍）三個色彩渠道。其中，綠色渠道對於血液變化最為敏感，因為血紅蛋白在綠光波段的吸收率最高。

AI 深度學習演算法運作

FaceHeart 的 AI Deep Learning 採用多層次的類神經網路架構，這套系統的設計靈感來自於人類大腦處理視覺資訊的方式。

1. 特徵擷取層（Feature Extraction Layer）技術架構

在處理臉部影像時，特徵擷取層就像一位經驗豐富的醫師，會從最基本的觀察開始，逐步深入分析更複雜的生理特徵。這個過程分為三個深度學習階段，每個階段都有其特定的任務和目標。

首先，在淺層特徵擷取（Shallow Feature Extraction）階段，系統像初診觀察病人的醫師，先掌握最基本但重要的視覺資訊。這個階段使用初始卷積層（Initial Convolutional Layer）進行處理，先辨識出臉部的基本輪廓，同時注意皮膚表面的細微變化，尤其是可能反映血液流動的顏色變化。舉例來說，心臟收縮時，臉部的微血管會產生輕微的顏色變化，這些變化雖然肉眼難以察覺，但對於這個精密的系統來說卻很明顯。

接著，在中層特徵整合（Mid-level Feature Integration）階段，系統開始將前述的基本觀察整合成更有意義的資訊，如同醫師開始將各種觀察到的症狀連結起來，形成初步的診斷。透過多個卷積層（Multiple Convolutional Layers）的協同運作，系統能夠理解臉部不同區域之間的關聯性。例如，評估血氧濃度時，會同時分析嘴唇、臉頰等多個區域的顏色變化，綜合判斷血氧濃度的狀況。

最後，在深層語義特徵（Deep Semantic Feature）階段，系統進行最高層次的分析和整合，類似醫師在綜合所有病史、PE、檢驗檢查結果後，做出最終的診斷。系統會將所有收集到的資訊進行抽象化處理，形成對使用者當前生理狀態的判斷與掌握。

2. 殘差連結設計（Residual Connection Design）

殘差連結是一種網路架構設計，主要用於解決深層神經網路訓練時如梯度消失的問題，在跳躍式連結架構（Skip Connection Architecture）中，系統建立了多條資訊傳遞的途徑，讓訊號可以直接從淺層傳遞到深層，提升深層網路的訓練效果和特徵提取能力。主要連結（Main Path）負責進行複雜的特徵轉換，就像醫師在進行深入的檢查；而捷徑連結（Shortcut Path）則保留原始的觀察資訊，確保重要的基礎資訊不會在複雜的分析過程中遺失。這兩種資訊最後通過加法融合（Addition Fusion）整合在一起，形成更完整的理解。這種多層次的資訊處理方式使得系統能在 60 秒內完成精確的生理指標分析，即使在複雜的環境條件下，也能保持極高的準確度。在臨床實驗中，這套系統在各種不同的光線條件下，對不同膚色的使用者都展現出優異的表現，心率測量的誤差能夠控制在正負 2–3 次/分鐘以內。

3. 時序分析網路（Temporal Analysis Network）

時序分析網路專門設計用於處理連續時間序列的數據，分析數據在時間維度上的變化模式，這個網路的設計理念源自於醫師在長時間觀察病人時的思考模式，能夠同時考慮短期變化和長期趨勢。在這個網路中，長短期記憶（LSTM，Long Short-Term Memory）的運作方式類似一位經驗豐富的護理師，在照顧病人時會持續記錄各項生理指標，並根據這些記錄做出判斷。例如，在監測心率時，LSTM 不僅能捕捉到瞬時的心跳變化，還能識別出可能預示心臟問題的長期模式。

LSTM 網路包含三個重要的「門」結構：

1. 遺忘門（Forget Gate）：決定哪些過去的資訊應該被丟棄。就像護理師在交班時，會選擇性地跳過一些不再與病人當刻相關的舊資訊。

2. 輸入門（Input Gate）：決定哪些新資訊應該被記錄。像護理師在觀察到新的症狀時，會立即寫在護理紀錄上。

3. 輸出門（Output Gate）：決定當前哪些資訊最重要，需要輸出。這類似於護理師在醫師查房時，會重點提供關鍵的病情變化。

這種結構使系統能夠在處理長序列資料時保持高效率，適合處理呼吸率和心率變異性等需要長時間觀察的指標。例如，在評估病人的壓力情況時，系統會分析心率變異性的長期趨勢，如果發現心率變異性在一段時間內持續降低，可能代表病人正處於長期壓力的狀態，系統就會給出相應的警示。

4. 多任務學習架構（Multi-task Learning Architecture）

多任務學習架構模擬專科醫師團隊協同工作的模式，同時學習和預測多個相關的生理指標，而不是單獨處理每個指標，主要包含兩個部分：

1. 共享特徵層（Shared Feature Layer）
這一層就像是一般內科醫師，負責收集和整理所有基本的生理資訊。它處理的是多個生理指標共有的基礎特徵，如皮膚顏色變化、微血管搏動模式等。這種共享機制可以提高計算效率，讓不同任務之間互相受益，提升整體準確度。

2. 專業任務層（Specialized Task Layer）
在共享特徵的基礎上，系統也設計多個專門的任務分支，每個分支就像是一位專科醫師，專注於特定的生理指標分析，如心率估測（Heart Rate Estimation）、血壓計算（Blood Pressure Calculation）、呼吸率分析（Respiratory Rate Analysis）、血氧濃度評估（SpO2 Assessment）、壓力指數計算（Stress Index Calculation）。

這種架構的優勢在於充分利用不同生理指標之間的相關性，譬如在評估血壓時，系統不僅會參照直接相關的特徵，還會考量心率和呼吸率的資訊，從而得出更準確的結果。在一項針對高血壓病人的研究中，系統能夠同時監測血壓、心率和壓力指數，為醫師提供全面的病況評估，及早發現潛在的健康風險。

5. 演算法優化與效能提升（Algorithm Optimization and Performance Enhancement）

在醫療級生理量測領域，準確度與實用性經常是相互衝突的目標。FaceHeart 團隊深知這個挑戰，因此開發一系列的優化技術，讓系統能在一般智慧型手機等消費性電子產品上，也能達到接近醫療儀器的準確度。

我們先談模型壓縮技術（Model Compression Technology），FaceHeart 採用知識蒸餾（Knowledge Distillation），運作方式類似於資深醫師培養新進醫師的過程。在台大醫院的實際應用案例中，FaceHeart 先建立一個龐大的教師模型（Teacher Model），這個模型雖然準確度極高，但需要強大的運算資源。接著，透過特徵蒸餾（Feature Distillation）的過程，將這個「資深醫師」的經驗轉移到更輕量的學生模型（Student Model）中。這個過程不是簡單的模仿，而是深入理解和提煉核心知識，就像資深的老師們會特別強調判讀心電圖的關鍵特徵給 PGY 或住院醫師一樣。

另外是自適應學習機制（Adaptive Learning Mechanism），讓系統展現類似於經驗豐富醫師的靈活應變能力。以長庚醫院心臟科的使用經驗為例，當系統在照明不足的加護病房使用時，會自動增強影像處理能力；在日光充足的一般病房，則會適當調整參數以避免過度曝光。系統也能夠針對不同病人的特徵進行個人化調整。例如，在榮總的長期追蹤研究中，系統成功處理從年輕病人到高齡長者各種不同的膚色和臉型特徵，確保量測結果的準確性。

環境感知優化（Environment-aware Optimization）的部分，可以參考在恩主公醫院的急診導入案例，系統能即時因應各種複雜的診療環境，當救護車上的病人到達急診室時，即使在搖晃和光線變化的情況下，系統仍能穩定地進行生理指標監測。這主要是利用光源補償（Light Source Compensation）和移動穩定（Motion Stabilization）技術，像是一位經驗豐富的醫師，能在各種條件下準確評估病人狀況。

在系統校準與驗證（System Calibration and Validation）方面，FaceHeart 建立全面的品質保證機制。鉅怡智慧建立龐大影像資料庫，人臉部分包括膚色深淺、臉部毛髮的有無、是否戴眼鏡或化妝，以及使用環境的亮度、色溫、光源位置、背景複雜度，並透過與台灣多家醫學中心（台大、長庚、榮總、恩主公醫院）及美國 NECGR 醫院的合作，與 50 多位醫師做醫療臨床測試，系統累積超過 100 萬筆臨床資料，涵蓋從新生兒到高齡長輩、從健康民眾到重症病人的各種案例，同時以 FaceHeart 及傳統大廠器材測量生命徵象，確保準確性達到醫療水準。例如，在某醫學中心的心臟科病房，系統同時監測了 100 位不同年齡層的心臟病病人，結果顯示心率測量的誤差能夠控制在 ±2–3 次/分鐘內，血壓測量誤差也符合美國醫療器材標準（AAMI）的要求。

軟體架構（Software Architecture）

FaceHeart Vitals™ 軟體開發套件（Software Development Kit，SDK）的架構設計，採用模組化設計（Modular Design），讓系統能夠靈活適應不同的應用場景和硬體平台，核心處理引擎（Core Processing Engine）採用多層級串流處理架構（Multi-level Streaming Architecture）。以台大醫院遠距照護計畫的實際應用為例，當病人在家中使用智慧型手機進行量測時，系統會同時執行多個處理層級：首先是影像預處理層（Image Pre-processing Layer），負責即時處理來自相機的原始影像流，包括自動曝光調整和影像品質優化；接著是特徵擷取層（Feature Extraction Layer），即時分析影像中的生理特徵；最後是生理指標計算層（Physiological Index Calculation Layer），將擷取到的特徵轉換為具體的生理數值。

FaceHeart 在資料處理流程（Data Processing Pipeline）開發並行處理機制（Parallel Processing Mechanism），以長庚心臟科為例，系統需要同時處理心率、血壓和血氧等多項生理指標的即時監測。透過智慧型資源調度（Intelligent Resource Scheduling）技術，系統能夠根據當前設備的運算能力，自動調整處理任務的優先順序和資源分配。例如，在監測心律不整病人時，系統會優先確保心率監測的即時性和準確性，同時維持其他指標的基本監測功能。

即時運算與 AI 模型整合（Real-time Computing and AI Model Integration）採用輕量級神經網路架構（Lightweight Neural Network Architecture），配合前面提到的知識蒸餾技術，實現在邊緣設備上的即時推論（Real-time Inference）。在榮總加護病房的應用中，即使使用一般的平板，系統也能在 60 秒內完成完整的生理指標分析，同時保持醫療級的準確度。

在資料安全性方面，FaceHeart 的軟體架構整合多層級的安全防護機制，所有的生理數據在處理過程中都經過端對端加密（End-to-end Encryption），確保病人的隱私安全。在恩主公醫院的遠距醫療系統中，所有傳輸的數據都符合 HIPAA（Health Insurance Portability and Accountability Act）的規範，讓醫護人員能安心使用系統進行遠距診療。

效能監控與優化（Performance Monitoring and Optimization）也是確保系統穩定運作的關鍵，而 FaceHeart 開發的智慧型效能監控系統（Intelligent Performance Monitoring System），能夠即時監測系統運作狀況，並在必要時進行自動調整。例如，當系統偵測到設備溫度升高時，會自動調整運算負載，確保測量結果的準確性不受影響。

在完整解析了FaceHeart的軟體架構後，讓我們深入探討其硬體整合方案。這個部分特別重要，因為它直接關係到系統在實際醫療場景中的應用效果。

硬體整合（Hardware Integration Solution）

FaceHeart 採用跨平台架構（Cross-platform Architecture）設計來提供相容平台，支援多種作業系統和處理器架構，包括 Android 系統的 ARM 處理器、iOS 裝置的 Apple Silicon、以及 Windows 平台的 x86 架構。以台大醫院的遠距醫療計畫為例，醫護人員可以在醫院的 Station 使用 Windows 版本進行即時監測，而病人則能在家中使用自己的智慧型手機進行生理指標量測，系統會自動針對不同平台優化運算效能。

在終端設備整合方面，系統整合多種醫療級顯示器和攝影設備，並能夠根據不同攝影裝置的特性自動調整參數。例如，在使用高階醫療級攝影機時，系統會充分利用其優異的動態範圍和色彩精確度；而在使用一般智慧型手機時，則會啟動特殊的影像增強演算法，彌補硬體限制。

資料傳輸與儲存機制採用了分層式架構（Layered Architecture），在榮總加護病房以即時資料串流（Real-time Data Streaming）和本地暫存（Local Caching）的方式運作，當網路連線穩定時，生理數據會即時傳輸到中央監控系統；若網路中斷，系統會自動切換到本地儲存模式，確保資料的完整性。所有的資料傳輸都採用醫療級加密協定（Medical-grade Encryption Protocol），確保病人資料的安全性。

邊緣運算（Edge Computing）這塊，FaceHeart 開發負載平衡技術（Load Balancing Technology），在病床配備了一台整合 FaceHeart 系統的平板電腦，不只是作為資料收集終端，也是個具備強大運算能力的邊緣節點，系統會根據當前的運算需求和設備能力，動態調整工作負載的分配。例如，在進行較複雜的心率變異性分析時，系統會優先使用本地運算資源，避免網路延遲影響分析結果。

FaceHeart 也有硬體資源優化機制（Hardware Resource Optimization），畢竟在遠距照護計畫中，系統可能需要在各種不同規格等級的智慧型手機上運作。為此，FaceHeart 開發智慧型資源調度演算法（Intelligent Resource Scheduling Algorithm），能夠根據設備的硬體規格自動調整運算策略。例如在高階手機上，系統會啟用更多進階功能；在入門級設備上，則會採用更節能的運算模式，同時維持基本功能的準確度。

FaceHeart 透過與台灣多家醫療機構的深度合作，驗證這項技術在實際醫療場景中的應用價值。截至 2023 年 9 月，已累積超過 4,000 位受測者的臨床數據，總計超過 1.5 億筆生理資訊。

特殊照護情境

FaceHeart 透過與科技大廠的策略合作，正逐步實現智慧照護的願景。在智慧平板的應用上，FaceHeart 與倚天酷碁（Acer Being）共同開發的銀髮照護解決方案，整合 FaceHeart 的非接觸式生理量測技術，能在 60 秒內完成包含心率、血壓、血氧等多項生理指標的量測，因為完全不需要接觸任何設備，特別適合行動不便或抗拒傳統量測方式的銀髮族。FaceHeart 與女媧創造科技將生理量測技術整合到照護機器人 NUWA 中，在人力資源日益吃緊的照護產業中，科技輔助將扮演越來越顯著的角色。FaceHeart 與聯發科技合作開發的智慧電視整合方案，也是將健康監測融入日常生活的創新思維，降低使用門檻讓健康監測能夠自然地融入家庭生活中。

未來發展潛力與應用願景

FaceHeart 已獲得 FDA 二級醫療器材軟體認證（Class II SaMD），在長照機構 FaceHeart 可以改變傳統的照護模式，例如在每個房間配備非接觸式生理監測系統，照護人員可以透過中央監控平台即時掌握所有住民的健康狀況。系統不僅能進行基本的生理指標監測，更能透過 AI 演算法分析生理數據的變化趨勢，及早發現潛在的健康風險，當系統發現某位住民的心率變異性出現異常模式時，就能即時通知照護人員進行評估。

FaceHeart 也可以與現代智慧家居系統結合，在適當位置安裝配備 FaceHeart 的智慧設備，可以建立 24 小時全天健康監測網絡，在不干擾日常生活的情況下，持續收集使用者的生理數據，建立個人化的健康數據庫，用於日常健康管理、預防性照護的重要依據。在獨居老人照護方面，FaceHeart 可透過非接觸式監測技術，在不影響長輩隱私的前提下，持續監測其健康狀況。當系統偵測到異常時，可以即時通知家屬或照護人員，很適合獨居長輩，既能確保安全，又不會造成困擾。

FaceHeart 也有機會運用在精神照護監測領域，例如透過分析心率變異性（HRV）和其他生理指標的變化，協助識別情緒波動和壓力狀態，對精神疾病的早期預警和持續追蹤很重要，例如系統可以協助照護人員更早察覺病人情緒的變化，及時提供適當的協助。

FaceHeart 正在開發新的生物指標（Biomarkers）測量能力，除了已獲 FDA 許可的心率測量外，目前正在進行糖化血色素（HbA1c）、血色素（Hemoglobin）和膽固醇（Cholesterol）等新指標的測試驗證，有望大幅擴展應用範圍，為使用者提供更全面的健康評估。

全球市場定位與技術優勢

FaceHeart 是全球首個也是目前唯一一個採用一般鏡頭影像測量心率並獲得 FDA 二級醫療器材軟體認證（Class II SaMD）的產品，相較於其他競爭對手使用造價高昂的大型紅外線機台且限制於醫院恢復室中應用，FaceHeart 的解決方案大幅降低了應用門檻。

主要競爭對手分析

1. Binah.ai（以色列）

Binah.ai 成立於 2016 年，開發基於智慧型手機攝影機的健康監測解決方案，和 FaceHeart 一樣是採用遠程光電容積脈搏波（rPPG），分析臉部皮膚反射的光線來測量生理指標。Binah.ai 無需額外的硬體設備，僅透過智慧型手機或筆電的鏡頭，也可在一分鐘內（35–60 秒）完成血壓等生理指標的測量，採用 B2B 的商業模式，不直接面向消費者，以 SDK 的形式提供技術給企業客戶，支援 iOS、Android 裝置、Windows 筆電以及 Safari 和 Google Chrome 瀏覽器等多個平台。目前已確認的測量指標包括血壓、心率、心率變異性（HRV）、血氧飽和度、呼吸率、交感神經與副交感神經活性、脈搏呼吸商（PRQ）。

2. Lifelight（英國）

Lifelight 是一家聚焦於非接觸式生命徵象監測的醫療科技公司，能夠分析臉部「微紅潮」（Micro Blushes）現象，將 RGB 顏色信號轉換為生理數據，測量血壓、脈搏等生理指標，不過需要收集年齡、身高和性別等生物特徵數據。然而，由於缺乏更多公開資訊，目前無法對技術細節和市場表現做更深入的分析。

市場競爭優勢

1. 認證完整性
– 已獲得FDA二級醫療器材軟體認證
– 正在申請歐盟醫療器材法規（EU MDR）認證
– 同步進行新加坡衛生科學局（Singapore HSA）認證

2. 市場拓展
– 已成功打入美國、歐洲及南美洲市場
– 與多家健康 APP 平台和壽險業者展開合作

3. 技術整合
– 提供 SDK 形式的服務
– 可靈活應用於不同硬體設備及服務情境

4. 資金實力
– 2022 年 Q3 完成 A 輪融資，獲得新台幣 2.1 億元投資
– B 輪募資即將開展

FaceHeart 在全球非接觸式生理量測的市場中占據獨特地位，特別是在醫療級應用領域，個人覺得也能算是台灣之光。透過降低應用門檻，FaceHeart 推動智慧醫療的普及化，為醫療產業發展開創新的可能性。

— –

📒 Compiled by — 台中慈濟醫院復健科 R3 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.