臺灣博碩士論文加值系統

隨著現代醫療的進步，人類的平均壽命逐年提高，老年人口也不斷攀升，因此對於高齡年長者的照護也逐漸重視，而除了醫療保健之外，老年人在日常生活中的安全照護，如避免意外受傷也極為重要。根據意外事故統計，老人意外傷害死亡原因中，跌倒為意外死亡的主要原因。因為通常跌倒時，除了當下受到的傷害以外，也可能引發其它併發症導致傷害更嚴重，但由於跌倒為意外事故，無法預知事件何時會發生，受傷者也可能無法求救，導致小傷勢變化，嚴重至死亡，因此我們希望能藉由主動偵測跌倒事件，使當跌倒發生時能主動通知親友，即時的給予幫助，避免憾事發生。
我們搜集跌倒與非跌倒時的加速度訊號，將在時域上所搜集的資料轉換在頻譜上，藉由頻譜分析（Spectrum Analysis）區分跌倒與非跌倒在頻譜上的特性，由於跌倒時產生的訊號轉換頻譜後，在頻譜上會集中在某個區段，在某些頻譜帶上有明顯特質，另有些則不明顯，因此我們使用基因演算法應用於支持向量機（GA-SVM）此一方法進行頻譜特徵篩選與跌倒分類，其中以基因演算法（Genetic Algorithm, GA）篩選有效特徵的頻譜，再由SVM(Support Vector Machine, SVM)分類，藉此降低分類時的複雜度，避免過度擬合 ( Overfitting ) ，並且提高準確率。
我們的系統將建置在智慧型手錶上，我們提出的GA-SVM方法建立跌倒偵測系統，由手錶上裝載的感知器 ( Sensor ) 搜集訊號與我們的系統相互應用，當發生跌倒時，能主動推播訊息，給予即時的幫助。

With the advancement of modern medical techniques, the average life expectancy of humans has been increasing year by year and the older population has also risen. Therefore, the care for the elderly has gradually begun to pay attention. In addition to the health care, and how to avoid accident and injury of the elderly in the daily life is also extremely important. According to the accident statistics, the cause of the accidental included the traffic accidents, and the fall for the elderly is also the main cause for accidental death. Because the fall usually cause the immediate damage, and then the complication will occur the other serious injuries at the same time.
Because the falling is an accident, it cannot to do the prediction when that event occurred. The injured may be unable to call the help by the irresistible factors and finally occur the serious harm and death. With these reasons, we hope to detect the fall event and then the fall system can send the information to friends and relatives automatically, and finally to avoid regrets of this accident.
We analyze the frequency distribution by collecting the acceleration signal taken from the daily movement, and observed the signal in the time domain through the spectrum analyzer. And we do the feature selection by the fitness function in GA and then Reduce the complexity of the feature to improve the accuracy of the classification in SVM.
As a result of the popularity of the smart watch, by its sensor and software applications to enhance the convenience of the daily life. So, we use the smart watch as a platform and proposed the GA-SVM method to establish the fall detection system.

中文摘要 2
Abstract 3
目次 5
圖目錄 6
表目錄 7
第一章 緒論 1
第一節 研究背景 1
第二節 研究目的 3
第三節 論文架構 4
第二章 文獻探討 5
第一節 跌倒偵測研究 5
第二節 跌倒動作定義 7
第三節 支持向量機應用於跌倒分類 8
第四節 基因演算法用於特徵篩選 10
第五節 穿戴式裝置應用 11
第三章 研究方法 12
第一節 資料前處理 13
第二節 基因演算法 17
第三節 SVM建立分類器模型 20
第四節 GA-SVM流程與架構 22
第五節 跌倒偵測系統系統架構 24
第四章 實驗結果與系統實作 27
第一節 資料搜集與模擬實驗 27
第二節 實驗結果 30
第三節 跌倒偵測系統實作 32
第五章 結論與建議 35
第一節 結論 35
第二節 建議 35
參考文獻 36
一、網頁參考文獻 36
二、中文參考文獻 36
三、英文參考文獻 37

一、網頁參考文獻
1. WHO世界各地區預期壽命。線上檢索日期：2017年06月12日。網址：http://apps.who.int/gho/data/view.main.SDG2016LEXREGv?lang=en
2. WHO跌倒意外傷害報導。線上檢索日期：2017年06月12日。網址：http://www.who.int/mediacentre/factsheets/fs344/zh/
3. 聯合新聞網。跌倒傷害。線上檢索日期：2017年06月12日。網址： https://udn.com/news/story/7016/2438165
4. 穿戴式科技銷售成長統計報告。線上檢索日期：2017年06月12日。網址： http://iknow.stpi.narl.org.tw/post/Read.aspx?PostID=12139
5. 智慧型手錶成長率專欄。線上檢索日期：2017年06月12日。網址：http://archive.eettaiwan.com/www.eettaiwan.com/ART_8800719505_622964_NT_0ca861bb.HTM
6. 加速規與陀螺儀原理與應用。線上檢索日期：2017年06月12日。網址：http://archive.eettaiwan.com/www.eettaiwan.com/ART_8800701519_480502_TA_e52a9104.HTM
7. MATLAB Genetic Algorithm Toolbox。MATLAB GA函式庫。線上檢索日期：2017年06月12日。網址：https://cn.mathworks.com/help/gads/gaoptimset.html
8. Lagrange Multipliers Tutorial in the Context of Support Vector Machines。Lagrange Multipliers method。線上檢索日期：2017年06月12日。網址：http://www.engr.mun.ca/~baxter/Publications/LagrangeForSVMs.pdf
9. Firebase。Firebase雲端開發平台。線上檢索日期：2017年06月12日。網址：https://firebase.google.com/
10. Android Developes。SendorEvent。線上檢索日期：2017年06月12日。網址： https://developer.android.com/reference/android/hardware/SensorEvent.html
11. ASUS ZenWatch (WI500Q)。線上檢索日期：2017年06月12日。網址：https://www.asus.com/tw/ZenWatch/ZenWatch_WI500Q/
二、中文參考文獻
12. 陳冠均(2010)。可穿戴式位置感知跌倒偵測系統之設計研究，中國民國，臺北，國立陽明大學醫學工程系碩士班碩士論文。
13. 劉建賢(2011)。使用加速際與陀螺儀之跌倒偵測系統，中華民國，臺北，大同大學資訊工程碩士班碩士論文。
14. 邱俊賓(2011)。腕錶式跌倒偵測系統之開發，中華民國，臺北，國立陽明大學醫學工程系碩士班碩士論文。
15. 蔡昇倫(2012)。智慧型手機之跌倒偵測系統設計，中華民國，臺南，長榮大學資訊管理學系碩士班碩士論文。
16. 鍾明宏(2015)。 支持向量機結合基因演算法應用於跆拳道分類，中華民國，臺北，臺北市立大學資訊科學系碩士班碩士論文。
三、英文參考文獻
17. World Health Organization(2007). WHO global report on falls prevention in older age. World Health Organization, Geneva, Switzerland.
18. Degen, T., Jaeckel, H., Rufer, M., Wyss, S. (2005). SPEEDY: a fall detector in a wrist watch Proc. Seventh IEEE International Symposium on Wearable Computin, pp. 184-187.
19. Hsieh, S.L., Chen, C.C., Wu, S.H., Yue, T.W. (2014). A wrist-worn fall detection system using accelerometers and gyroscopes, Networking Sensing and Control. pp. 518-523.
20. Coters, C., Vapnik, V. (1995). Support-Vector Networks. Machine Leaning, Vol.20. pp. 273-297.
21. Wu, X., Kumar, V., Quinlan, J.R., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G.J., Ng, A., Liu, B., Yu, P.S., Zhou, Z.F., Steinbach, M., Hand, D.J., Steinberg, D. (2008). Top 10 Algorithm in data mining. Knowledge and Information System, Vol. 14, pp. 1-37.
22. Adam, W., Ganesan, D., Hanson, A. (2007). Aging in place: fall detection and localization in a distributed smart camera network, Proceedings of the 15th international conference on Multimedia, pp. 892-901.
23. Doukas, C., & Maglogiannis, I. (2008). Advanced patient or elder fall detection based on movement and sound data. PervasiveHealth’08, pp. 103–107.
24. Mubashir, M., Shao, L., Seed, L. (2013). A survey on fall detection: Principles and approaches, Neurocomputing, Vol. 100, pp. 144–152.
25. Yu, M., Rhuma, A., Naqvi, S., Wang, L., Chambers, J. (2012). A Posture Recognition-Based Fall Detection System for Monitoring an Elderly Person in a Smart Home Environment, IEEE Trans Inf Technol Biomed, Vol. 16, pp. 1274-1286.
26. Tong, L., Song, Q., Ge, Y., Liu, M. (2013). HMM-Based Human Fall Detection and Prediction Method Using Tri-Axial Accelerometer, IEEE Sensors Journal, Vol. 13, pp. 1849-1856.
27. Holland, J. H. (1975). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence, University of Michigan Press, Ann Arbor, MI.
28. Leardi, R., Boggia, R., Terrile, M.(1992). Genetic algorithms as a strategy for feature selection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 6, pp. 267-281.
29. Jain, A.K., Mao, J., Mohiuddin, K.M. (1997). Feature selection: evaluation, application, and small sample performance, IEEE Transactions on Pattern Analysis and Machine Intelligence.
30. Huang, C.L., Wang, C.J. (2006). A GA-based feature selection and parameters optimizationfor support vector machines, Expert Systems with Applications, Vol. 31, pp. 231–240.
31. Mathie, M.J., Lovell, N.H., Coster, A.C.F., Celler, B.G. (2002). Determining Activity Using a Triaxial Accelerometer, Engineering in Medicine and Biology, 24th Annual Conference and the Annual Fall Meeting of the Biomedical Engineering Society EMBS/BMES Conference.
32. Suykens, J. A., & Vadewalle, J. (1999). Least squares support vetoe machine classifiers. Neural processing letters, Vol. 9, pp. 293-300.
33. Chang, C. C., Lin, C. J. (2011). LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, Vol. 2, pp. 1-27.
34. Foody, G. M., & Mathur, A. (2004). Toward intelligent training of supervised image classifications: directing traing data acquisition for SVM calssification. Remote Sensing of Environment, Vol. 93, pp. 107-117.