目前國內的數位內容市場發展較歐美日等先進國家遲緩，有鑑於國內數位內容相關產業缺乏有力的支援，政府自2002年起始推動數位內容相關的研發與應用。在政府與學術界、相關產業等大力投入研究與開發下，數位內容產業產值由2001年的1,334億元成長到2007年的3,609億元（經濟部工業局，2007），由此可知，在政府積極推動下數位內容相關產業有大幅度的成長。
根據經濟部2007年所出版的數位內容白皮書中提到，未來全球市場規模在電腦動畫領域的發展可望由2006年的9,888百萬美元成長到2011年的11,648百萬美元，其發展趨勢也將由單純的動畫製作提升到廣泛應用於影視、遊戲、廣告、建築、工業設計及醫學等方面。因此，人體數位化技術的開發不但可幫助深入了解動作潛在的知識，如能進一步運用相關科技，將能夠帶動整體資訊科技產業的提升與應用。
在人體動作數位化領域的相關研究中，目前有多種方法被運用在電腦動畫、數位遊戲、虛擬實境等等領域，各種新興技術不斷地被開發及使用，但大部份都只紀錄動作的「外在形態」而忽略了動作的「內在意涵」，如果能夠適當地運用資訊科技深入探討人體動作所隱藏的內在意涵，將有助於了解並推測動作背後所表達的情緒，可作為未來相關產業如遊戲、運動教學及動畫製作等等領域應用之基礎。
為了更有效地達成動作數位化、知識化的目標，本研究需要發展數位化分析的多種基礎界定。而拉邦動作分析（Laban Movement Analysis, LMA）理論由舞蹈家魯道夫‧拉邦所提出，並經後人加以詮釋及修改，經過數十年的發展有了一個中肯及完整的面貌，並在舞蹈界被廣泛地使用。此理論對人體動作有深入的觀察與了解，是一套有系統、整體性及微觀性的分析理論。
本研究設計為一套兩階段式的研究方法。雖然LMA以人類可理解的方式分析人體動作並隱含了肢體情緒的觀察，但是對於動作數位化分析並沒有一套量化、可計算的方法，因此在第一階段中本研究使用運動學（Kinematics）相關的參數計算法，獲取人體動作可計算的八個運動學參數及一個動作質地持續時間的時間長度參數做為量化之依據。在第二階段中使用叢集分析法（Cluster Analysis Method）中的K-Means 演算法作為資料分析方法，針對量化後的動作因子進行叢集處理並觀察其中的變化趨勢。
本研究的主要目的在於找出人體動作的資料探勘數位化模型，以闡述人體動作、質地與動作因子間的組成關係。其數位化模型將可針對人體動作質地進行分類並建立動作質地資料庫，以提供一般性的教學、創作及未來擴展研究與應用之基礎。

There are various approaches for digitizing human body movement used on many domains, especially in 3D animation, digital games, virtual reality etc. In recent years, there has been a dramatic proliferation of research concerned with movement digitalization. Most of these technologies have only recorded the shape of the movements. It’s lack of recording the significance of the movements. If we use new technologies properly to find out the implicit significance of the movements, the meanings of the digital movement data can be understood; and further, it is helpful for inferring the emotion. The result of this research will be the foundation on 3D games, sports teaching and animation manufacturing.
We need to develop the basic well-defined infrastructure of movement digitization. The fundamental theory in the research is Laban Movement Analysis (LMA) produced by Rudolf Laban. It is systematical, integral and detailed for analyzing the body movements in depth observing and understanding.
A two-phase study was designed to explore the identification, classification, and application of movement factors. The LMA is restricted within lexemes although it is a rich vocabulary for describing and analyzing the movements. It has no quantifiable and valuable method for digital analysis. We use the kinematic parameters for quantifying the movement efforts on the phase one. On the phase two, we use the K-Means algorithm of cluster analytic method to find out the useful knowledge by clustering and observing process because we want to know the relation between the movements and the efforts.
The research's main purpose is to discover a data mining digital model for the human body movements and illustrate the relation between the movements and the qualities of the movements. The digital model aims to classify body movement efforts and constructing a database for movement efforts. It will be fundamental for general education, creation and amplifying researches in future.

目　次
頁數
誌 謝 I
中文論文提要 III
英文論文提要 IV
目　次 V
圖　次 VII
表　次 IX

第一章 緒　論 1
第一節 研究背景 1
第二節 研究動機 3
第三節 研究目的 4
第四節 名詞操作性定義 5
第五節 論文架構 6
第六節 研究流程 7

第二章 文獻探討 9
第一節 拉邦動作分析 9
第二節 運動學參數與時間長度參數 14
第三節 叢集分析法 20
第四節 本章總結 28

第三章 研究方法 31
第一節 研究架構 31
第二節 肢段分類 35
第三節 動作因子計算系統 37
第四節 資料預處理 52
第五節 叢集處理 56

第四章 結果分析 64
第一節 叢集分析結果 64
第二節 決策樹分類規則與叢集結果檢驗 69
第三節 動作質地比較與運動學參數分析 71
第四節 肢段間運動學參數的差異 79
第五節 動作質地與時間長度參數分析 85
第六節 Spearman相關性檢定 86
第七節 產業應用需求之因子變化與調整 88

第五章 結論與建議 91
第一節 結論 91
第二節 研究限制與建議 93

參考文獻 95
一、 中文部分 95
二、 英文部分 96
三、 網站資料 97

附錄1 各資料分類中的樣本數 98
附錄2 Validity Measure 100
附錄3 一百二十筆叢集結果 112
附錄4 一百一十五筆決策樹規則 124
附錄5 Spearman相關性檢定詳細內容 132

簡　歷 137

參考文獻
一、中文部分
1.尹相志（2007），SQL Server 2005 Data Mining資料採礦與Office 2007資料採礦增益集，臺北：悅知文化。
2.方鄒昭聰 & 楊迪強（2008），運用K-Means演算法探討人體動作因子之組成-以LMA為基礎，2008管理創新與新願景研討會論文集，臺北。
3.吳啟聰譯（2002），商用統計學入門與應用 (第 1 版)，臺北：麥格羅希爾。
4.李佳宜、林克忠、吳菁宜、連倚南 & 許美慧（2006），改良式侷限誘發動作治療於輕中度腦中風患者之成效：運動學分析之研究，職能治療學會雜誌，24，頁 25-35。
5.國立臺北藝術大學舞蹈學院動作創意實驗室（2006），經濟部學界開發產業技術計畫執行報告-人體動作質地分析與肢體情緒數位傳達應用開發三年計畫第一年度執行成果報告書，計畫編號：95-EC-17-A-02-S1-052，臺北。
6.康琳茹、陳祐蘋、宋文旭、莊天祐、李淑貞、蔡美文等（2005），虛擬實境對腦性麻痺兒童伸取行為之訓練療效：個案報告，物理治療，30 (6)，頁 339-347。
7.張中煖（2002），現代舞教學源流初探，藝術評論 (13)，頁 273-284。
8.陳五洲 & 黃彥慈（2007），拉邦動作分析論，大專體育 (88)，頁 169-175。
9.曾龍譯（2003），資料探礦概念與技術 (第 1 版)，臺北：維科。
10.經濟部工業局（2007），2007數位內容產業年鑑 (第 1 版)，臺北：經濟部。
11.羅孟剛（2008），資料採礦應用於人體動作質地分析-以LMA為基礎，國立臺北大學資訊管理研究所碩士論文，未出版，臺北。
 
二、英文部分
1.Badler, I. N., Chi, D. M., & Chopra, S. (1999). Virtual human animation based on movement observation and cognitive behavior models. Proceedings of the Computer Animation Conference, (pp. 128-137).
2.Badler, N. I., & Smoliar, S. W. (1979). Digital Representations of Human Movement. ACM Computing Surveys , 1 (11), pp. 19-38.
3.Bradley, P. S., & Fayyad, U. M. (1998). Refining Initial Points for K-Means Clustering. Proceedings of the 15th International Conference on Machine Learning, (pp. 91-99).
4.Callennec, B. L., & Boulic, R. Robust Kinematic Constraint Detection for Motion Data. Proceedings of the 2006 ACM SIGGRAPH/Eurograp Symposium on Computer Animation, (pp. 281-290).
5.Chi, D. M., Costa, M., Zhao, L., & Badler, N. The EMOTE Model for Effort and Shape. Proceedings of the 27th annual conference on computer graphics and interactive techniques, (pp. 173-182).
6.Fangtsou, C. T., & Li, T. H. (2008). Body Movement Acquisition and Construct Data Exchange Protocol Based on Body Movement Quality Analysis. Proceedings of the e-CASE 2008 International Joint Conference on Advances in e-Commerce.
7.Fangtsou, C. T., & Yang, T. C. (2008). About Body Movement Factors by Using K-Means Algorithm. Proceedings of the e-CASE 2008 International Joint Conference on Advances in e-Commerce.
8.Han, J., & Kamber, M. (2001). Data Mining: Concepts and Techniques. San Francisco: Morgan Kaufmann.
9.Ieronutti, L., & Chittaro, L. (2005). A Virtual Human Architecture that Integrates Kinematic, Physical and Behavioral Aspects to Control H-Anim Characters. Proceedings of the tenth international conference on 3D Web technology, (pp. 39-48).
10.Nagamatsu, T., Kamahara, J., Iko, T., & Tanaka, N. (2008). One-point calibration gaze tracking based on eyeball kinematics using stereo cameras. Proceedings of the 2008 symposium on Eye tracking research & applications, (pp. 95-98).
11.Pelleg, D., & Moore, A. W. (2000). X-Means: Extending K-Means with Efficient Estimation of the Number of Clusters. Proceedings of the 17th International Conference on Machine Learning, (pp. 727-734).
12.Ray, S., & Turi, R. H. (1999). Determination of number of clusters in k-means clustering and application in colour image segmentation. Proceedings of the 4th International Conference on Advances in Pattern Recognition and Digital Techniques (ICAPRDT'99), (pp. 137-143).
 
三、網站資料
1.Nakata, T. (2002, Nov. 7). motionprint.html. Retrieved Oct. 13, 2007, from Motion Print: http://staff.aist.go.jp/toru-nakata/motionprint.html#English