本研究欲透過智慧椅墊進行坐姿之分析，首要目標為正確判斷使用者之坐姿。故 使用三種分類演算法進行坐姿分類，並討論其分類之結果表現。為達到低成本卻擁有 高分類準確率之結果，將對感測器數量進行刪減，探討各個數量感測器對於坐姿分類 表現之影響。以下將對本研究使用之分類演算法架構，以及特徵選擇方法進行說明。
圖 2 本研究定義坐姿
一、 分類模型架構
(一) 支持向量機(Support Vector Machine, SVM)
圖 3 為本研究中 SVM 模型建立與姿勢分類的流程圖，首先會透過壓力感測器進行 資料收集，並且劃分訓練集及測試集以進行 SVM 分類模型之訓練，藉由此模型進行坐 姿分類，並且透過交叉驗證評估分類結果。本研究之 SVM 模型輸入維度為感測器數量，
假設有 14 個感測器，則輸入維度為 14 維，並對 SVM 模型之常見核函數進行調整，包 括線性核函數 (Linear kernel) 、多項式核函數 (Polynomial kernel) 、高斯徑向基核函數 (Gaussian radial basis function) 以及 Sigmoid 核函數 (Sigmoid kernel) 。
透過第貳張第三節坐姿辨識相關研究中，得知許多分類演算法都能有 80%以上的 分類準確率，而在先前的研究中，支持向量機演算法有良好的表現，而支持向量機演 算法在類神經網路興起之前，是當時很強勢的分類演算法之一。因此本論文透過實驗 比較支持向量機演算法與下列兩種演算法之分類表現，使用一對一的方式進行坐姿的 分類。
(二) 人工神經網路(Artificial Neural Network, ANN)
根據本章第三節坐姿辨識相關研究可得知，近五年的分類演算法趨勢已從傳統的 機器學習方法改變為深度學習方法，而分類之準確率比起早期的研究也較為穩定。本 研究中輸入層的每個特徵（感測器所取得的數據）皆為單個節點。輸出層有八個神經
資料收集 SVM模型建立 坐姿分類 結果評估
圖 3 本研究之 SVM 模型建立流程圖
元，代表八個姿勢的機率分布(圖 3)。每次輸入都會得到一個相對應的類別，意指期望 在正確結果的輸出神經元上獲得高輸出值，而在其餘非正確結果的輸出神經元上，則 得到較低的輸出值(Gardner et al., 1998) 。本研究將對 ANN 架構卷基層之隱藏層層數 (1, 2, 3) 以及隱藏層數量 (62, 128, 256, 512) 進行調整。
圖 4 本研究之 ANN 架構示意圖
(三) 卷積神經網路(Convolutional Neural Network, CNN)
在過去的坐姿分類研究中，ANN 的模型雖較簡單、訓練速度也較快，所得之分類 結果也有良好的表現。然而 ANN 視每一個輸入的特徵為獨立的個體，因此會忽略鄰近 特徵位置的資訊。CNN 因為多了卷積層，解決 ANN 在輸入層丟失的空間資訊 (spatial information) 。 正因本研究中，每個感測器的位置資訊，亦為可能影響分類準確率的重 要資訊之一，故嘗試使用卷積神經網絡進行訓練(圖 5)，輸入層輸入的是所有感測器的 數值，輸出為一坐姿種類的機率分布值。本研究將對 CNN 架構卷基層之 filter 大小 (3, 5, 7) 以及 filter 數量 (62, 128, 256, 512) 進行調整。
圖 5 本研究之 CNN 架構圖
二、 特徵選擇方法架構
本研究中，欲討論是否能達成減少感測器數量，仍有一樣的坐姿分類表現，藉由 注意力機制了解各個感測器(圖 6)，對於本研究分類之坐姿的重要性。
圖 6 本研究之注意力機制架構圖
三、資料收集
四、實驗流程
本研究之實驗分為兩大部分：智慧椅墊設計實驗和特徵選擇實驗。智慧椅墊設計 實驗針對影響坐姿分類準確率之因素進行實驗及討論，包含：感測器擺放方式、分類 演算法及取樣週期。特徵選擇實驗目的在於決定智慧椅墊感測器數量，及了解各感測 器對於不同坐姿之重要性。使智慧椅墊能以低成本的方式達到良好坐姿分析效果(圖 7)。
圖 7 實驗流程圖