實驗結果

由於跌倒的狀況是偶發性不經意的行為，若要靠捉取實際發生跌倒 之數據來驗證系統可行性有其困難度，因此本實驗之實驗方式採取由一 般人摸擬跌倒的情況來加以作實驗，經由多人摸擬跌倒的數據，來推估 一般正常情況下所可能發生的情況，包括跌倒時身體所運動的方式。本 實驗不同於其他研究，是採用單一圖片來判斷是否跌倒，圖4-12 為完整 的實際上的實驗流程圖。

系統初始畫面

輸入波形 左邊小於門檻值 右邊大於門檻值

輸入畫面 左邊非跌倒

右邊跌倒 系統初始畫面

輸入波形 左邊小於門檻值 右邊大於門檻值

輸入畫面 左邊非跌倒

右邊跌倒

圖 4-12 實驗流程圖

首先，最上面的畫面就是系統啟動的初始畫面。將圖放大就如圖 4-13，可以看到整個系統的功能以及控制鍵。中間畫面可以顯示紅外線

攝影機所拍攝的圖片，也可以將所得到的波形經處理過後繪製出來。而 右邊的文字方塊，則是顯示系統判斷的結果。

圖 4-13 系統初始畫面

再來就是等待記錄器將波形紀錄起來輸入電腦中如圖4-14 所示，將 有兩種情況產生。圖4-14(a)為一般的走路活動，其中波形的最大值未達 所設定的門檻值，故判斷為非跌倒事件。而圖4-14(b)則有突波產生，其 值遠大於所設定的門檻值。可能發生疑似跌倒事件，故需要啟動紅外線 攝影機來擷取畫面。

(a) 非跌倒事件

(b) 疑似跌倒事件 圖 4-14 波形輸入的兩種情況

經過紅外線攝影機拍下的圖片則可能會有兩種情形，如圖4-15 為紅 外線攝影機所拍攝到的圖像分析，(a)為人站立的照片，則系統經過專家

規則庫判斷後，判定為非跌倒事件；(b)為人倒下的照片，經過系統判別 後，認定為跌倒則發出警告。

(a) 人像站立

(b) 人體躺臥 圖 4-15 影像輸入的兩種情況

為實際測試系統之穩定度，學生對各種預設動作(如蹲下、步行、坐 下、跌倒等)各蒐集了多筆的測試資料並且分為單一方向(如圖 4-11 最右 圖)的測試以及各種不同方向測試，詳細資料參考表 4-5。若是跌倒後在 壓力地板啟動紅外線攝影機後、在拍攝影像前能夠站立起來，則判斷為 非跌倒。經過4-2 的評估方法後製成表 4-6：

表 4-5 實驗結果

單一方向(橫向) 多方向(包含單一方向) 狀態

系統判別 發生跌倒 沒有發生跌倒 發生跌倒 沒有發生跌倒

判斷成有發生 29 0 84 10

判斷成沒有發生 1 30 6 80

表 4-6 系統性能指標

單一方向 多方向

正確率 0.983 0.911

敏感度 0.967 0.933

有效性 1.000 0.889

信賴值 0.982 0.905

由表4-6 可以看出本系統的信賴度是相當的高，在單一方向的跌倒 測試下，系統正確辨識率相當的高；加入多方向的測試後，雖然系統效 能下降，但還維持著高辨識率。針對多方向辨識率降低的情況於下節做 詳細探討。

本論文將系統性能指標與其他相關文獻的系能指標做一個整理與 對照，如表4-7：

表 4-7 各研究系統性能指標比較

使用方法 跌倒判斷

(敏感性)

非跌倒判斷 (有效性)

壓力地板 + 紅外線影像[本論文] 93.3% 88.9%

加速度計搭配高斯混合模型[6] 91.3% －

智慧壓力地板[7] 75.7 % －

加速度計內嵌於手機[8] 95.5 % 91.4%

Webcam 3D 頭部追跡跌倒偵測[9] 66.6 % 90.0%

全像攝影鏡頭結合個人資訊[13] 90.9 % 86.0%

紅外線攝影機[14] 35.7% 100%

攝影機結合模糊類神經網路[15] 87.5% 97.8%

與其他研究相比，效能上有顯著的提昇。不過這樣的比較並非公平 的，因其立足點的不同加上測試方法或內容也不盡相同，所以在尚未建 立出一套標準前，此表在此僅供參考。