驗中，希望能夠更精簡感測器的數量，而維持良好的坐姿分類準確率。
第一節 智慧椅墊設計
一、 討論椅背感測器之重要性實驗
此實驗欲討論椅背感測器，對於本研究所分類的八種坐姿的重要性。使用三種分 類演算法(SVM、ANN 及 CNN) 進行坐姿分類實驗。分別對椅背區域、坐墊區域貼感測 器及僅坐墊區黏貼感測器進行坐姿分類準確率進行比較。
感測器之初步擺放方式(圖 8)，根據 Mutlu 等人(2007)之研究，使用者在一般座椅 使用情況時，椅墊區域之壓力分佈呈現對稱，且壓力主要涵蓋之範圍如下圖 14 個感測 器之排列。椅背區域則無壓力明顯集中之區域，研究僅顯示椅背底部，僅有微小的壓 力分佈。故在椅墊區域主要的壓力來源位置與椅背之上半部分黏貼感測器。
圖 8 感測器黏貼方式
表 1 為三種分類演算法（SVM、ANN 及 CNN）之坐姿分類準確率比較。可以了解 椅背感測器對於本研究所分類的八種坐姿，並無絕對的必要。
本實驗使用限制坐姿使用情況資料之資料進行模型訓練與分類準確率評估。透過 36 人之訓練資料，進行 36 次的訓練及測試，所得之平均準確率結果如表 1。各分類演 算法所使用之參數，並無刻意調整，SVM 使用 Sigmoid Kernel; ANN 使用 Hidden layer
= 1, Number = 32; CNN 使用 Filter size = 2 ,Filter number = 32 進行實驗。
（一）支持向量機(Support Vector Machine, SVM)
透過調整不同的核函數(kernel function)，比較何種 kernel function 對於分類本研究中 所定義的八種坐姿有最佳的分類結果。本實驗使用限制坐姿使用情況資料之資料進行 模型訓練與分類準確率評估。透過 36 人之訓練資料，進行 36 次的訓練及測試，所得
在不同的 kernel function 下，分類的準確率也有所不同。由表可得知，在不同的參 數下的 SVM 分類器皆有大於 90%的分類準確率。將 kernel function 設定為 RBF 時，
SVM 有最好的分類表現。
表 2 SVM 在不同 kernel function 下之分類準確率
Kernel Function 準確率
Linear 91.18%
Polynomial 92.45%
RBF 92.89%
Sigmoid 90.64%
圖 9 為 RBF kernel function 下，各類坐姿分類之混淆矩陣(confusion matrix)。縱軸 由上而下、由左至右分別代表適當坐姿、斜躺、左側坐、右側坐、翹左腳、翹右腳、
翹左二郎腿、翹左右郎腿。
圖 9 SVM 各類坐姿分類之混淆矩陣
由混淆矩陣可知，較大的分類錯誤（大於 5%）出現在左側坐被分類成適當坐姿、
右側坐被分類為躺姿、翹腳的姿勢會與翹二郎腿的姿勢混淆，少部分的翹左二郎腿會 被分類成翹左腳。但大致來說，各個坐姿的分類結果皆有 90%以上的分類表現。
（二）人工神經網路(Artificial Neural Network, ANN)
此實驗將針對 ANN 之隱藏層層數及隱藏層大小進行調整。由於增加隱藏層層數以 及大小將增加訓練分類模型的時間與參數量。本實驗使用限制坐姿使用情況資料之資 料進行模型訓練與分類準確率評估。透過 36 人之訓練資料，進行 36 次的訓練及測試。
在不同的參數下的 ANN 分類器皆有大於 92%的分類準確率。而在隱藏層為 3 層且 大小為 256 時，ANN 分類器有最佳的表現結果(圖 10)。圖 10 之橫軸為隱藏層數量，縱
由混淆矩陣可知(圖 11)，較明顯的分類錯誤仍然與 SVM 相同：出現在左側坐被分 類成適當坐姿、右側坐被分類為躺姿以及翹腳被分類為翹二郎腿。但 ANN 分類器改善 了左側坐被分類成適當坐姿的表現。大致來說，僅剩下右側坐的分類表現為 85.2%，
其他坐姿的分類結果皆有 90%以上的分類表現。
圖 10 ANN hidden layer number 1,2,3 參數調整準確率比較
92.54% 92.20% 92.14% 92.18%
93.44%93.42% 93.28%93.48% 93.14%93.54% 92.70%93.43%
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
64 128 256 512
準確率
hidden layer size 1 2 3
圖 11 ANN 各類坐姿分類之混淆矩陣
（三）卷積神經網路(Convolutional Neural Network, CNN)
此實驗將針對 CNN 之 convolutional layer 的 filter 大小及數量進行調整。由於 filter 大小及數量將影響訓練分類模型的時間與參數量。若在資料量不夠龐大而使用過多的 filter，則容易造成訓練結果不佳的情形。將比較 filter 大小 3、5 和 7，及 filter 數量為 64、128、256、512 之分類結果表現。圖 12 橫軸為 filter 數量，縱軸為準確率，長條圖 中綠、藍和黃分別表示 filter 大小為 3、5 和 7。
圖 12 CNN filter size3,5,7 參數調整準確率比較
圖 13 CNN 之各類坐姿分類之混淆矩陣
總結此實驗，比較三種分類演算法調整參數後的最佳坐姿分類表現。三種演算法 皆有 90%以上的分類準確率。而 CNN 在 filter 大小為 3 且數量為 256 時，分類準確率 則達 96.17%(表 3)。
表 3 三種分類演算法準確率比較
分類方法 參數 準確率
SVM Kernel function: RBF 92.89%
ANN Hidden layer = 3
Size = 256
93.54%
三、決定取樣週期以及分類演算法之實驗
2. ANN（number of neuron= 64，number of hidden layer = 2）
3. CNN（number of filter ＝256，filter size= 3）
圖 14 及表 4 為此次實驗時間分佈情形。由圖 14 可得知，受試者有 20%左右的時
（一）支持向量機(Support Vector Machine, SVM)
圖 16 實際座椅使用情況時，SVM 之各類坐姿分類之混淆矩陣
2.取樣週期對不同使用者之影響
取樣週期對於不同受試者之坐姿分類準確率，一樣無太明顯的影響。並且除受試 者七之外，其他受試者在不同的取樣週期下，分類結果皆有 80%以上的表現，甚至大 部分的受試者都有 90%以上的分類準確率(圖 17)。受試者七 (圖 18) 的翹左二腳坐姿部 分被歸類至翹左二郎腿及右傾的坐姿，且部分適當坐姿被歸類成左傾坐姿，大部分的 受試者都有大於 90%之分類準確率。
圖 17 取樣週期對不同受試者之影響(SVM)
圖 18 受試者七之 SVM 分類器坐姿判定結果圖
（二）人工神經網路(Artificial Neural Network, ANN)
1.取樣週期對不同坐姿之影響
不同顏色的長條代表不同的取樣週期，可以了解不同的取樣週期對於各類坐姿之 分類表現與 SVM 一樣並無太明顯的差異(圖 19)。
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
準確率
0.5 1 3 5 10 15 20
圖 19 取樣週期對不同坐姿之影響(ANN)
圖 20 實際座椅使用情況時，ANN 之各類坐姿分類之混淆矩陣
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
準確率
0.2 1 3 5 10 15 20
在實際座椅使用情況實驗中，依然屬翹左邊二郎腿之分類結果最為不佳，在實際 座椅使用情況下，翹左二郎腿之坐姿常與翹左腳混淆。但大部分的坐姿分類準確率皆 達到 80%以上的分類表現。
由圖 19 可知，在 ANN 分類器下，每一種取樣週期對各類坐姿的分類準確率影響 不大。混淆矩陣 (圖 20)之取樣週期採用每 0.2 秒/次，ANN 分類器最主要的分類錯誤，
與 SVM 分類器相似出現與在翹左二郎腿，部分之翹左二郎腿坐姿被歸類為適當坐姿。
而翹左腳大部分的分類錯誤被歸類於右側坐。
2.取樣週期對不同使用者之影響
由圖 18 可得知，取樣週期對於不同受試者之坐姿分類準確率，一樣並無太明顯的 影響。除受試者七外，其他的受試者在不同的取樣週期下，分類結果皆有 80%以上的 表現。而 ANN 的分類表現與 SVM 差異並不明顯 (圖 15、圖 19) ，而受試者七 (圖 22) 之坐姿分類結果，與 SVM 分類器得到之結果相似，翹左二腳坐姿部分被歸類至翹左二 郎腿及右傾的坐姿，且部分適當坐姿被歸類成左傾坐姿，大部分的受試者都有大於 90%之分類準確率。
圖 21 取樣週期對不同使用者之影響(ANN)
圖 22 受試者七之 ANN 分類器坐姿判定結果圖
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
準確率
0.5 1 3 5 10 15 20
（三）卷積神經網路(Convolutional Neural Network, CNN)
圖 24 實際座椅使用情況時，CNN 之各類坐姿分類之混淆矩陣
2.取樣週期對不同使用者之影響
由圖 25 可得知，取樣週期對於不同受試者之坐姿分類準確率，一樣並無太明顯的 影響。對於受試者七的分類結果表現中，CNN 比起上述兩個分類演算法有較佳的表現。
原因在於，雖然 CNN 將部分翹左二郎腿分類成翹左腳或向左傾斜，但是提高了其他更 常被使用的坐姿的分類表現。使得每個受試者坐姿分類結果表現較為平均，使得受試 者七在使用 CNN 分類器時，有超過 80%的分類準確率。
由圖 26 得知，比起上述二分類器受試者七之坐姿分類情況，獲得改善，僅在動作 轉換時，出現些微不準確的最姿分類情形，而較明顯的分類錯誤在受試的最後，適當 的坐姿被歸類為向左傾斜的坐姿。
圖 25 取樣週期對不同使用者之影響(CNN)
圖 26 受試者七之 CNN 分類器坐姿判定結果圖
四、總結智慧椅墊設計之實驗結果
圖 27 及表 5 比較三種分類器在決定參數後的表現(SVM: kernel function = RBF; ANN:
Hidden layer = 3, Number = 256; CNN: Filter size = 3, Filter number = 256)，限制坐姿使用 情況各類坐姿的分類準確率，可得知三種分類演算法對於分類本研究的八種坐姿，皆
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
準確率
0.5 1 3 5 10 15 20
達成最高的分類準確率，由圖 27 及表 5 可得知 CNN 在此二類坐姿之分類情況與最高 的分類準確率相差不到 1%。總體而言，由圖 27 可發現， CNN 所代表的黃色線段，有 比較小的起伏，因此推斷其有較穩定的分類表現。
由上述實驗可知，CNN 在限制坐姿使用情況時，有最佳的表現(96.17%)，且在各 個坐姿的分類情形也都有很好的結果。
表 5 限制坐姿使用情況，不同分類演算法對各類坐姿之準確率
SVM ANN CNN
適當坐姿 97.95% 97.32% 98.02%
斜躺 99.26% 96.82% 99.5%
左側坐 86.47% 94.27% 94.8%
右側坐 85.75% 84.91% 90.04%
翹左腳 90.98% 93.56% 97.87%
翹右腳 92.08% 94.09% 96.97%
翹左二郎腿 93.32% 92.61% 95.78%
翹右二郎腿 97.28% 94.76% 96.39%
圖 27 限制坐姿使用情況，不同分類演算法對各類坐姿之準確率
SVM ANN CNN
88.85% 88.85% 88.83% 88.75% 88.84% 88.97% 88.74%
91.46% 91.44% 91.37% 91.49% 91.30% 91.18% 91.23%
92.94% 92.94% 92.84% 93.03% 92.72% 92.69% 92.70%
85.00%
SVM ANN CNN
在 15 位使用者中，大部分的使用者之座椅使用情況皆有大於 90%的表現(圖 17、
21、25)，以下舉例在實際座椅使用情況測試集中，分類表現最差的三位受試者（坐姿 分類準確率低於 90%），以取樣頻率為 5 秒/次時，且使用 CNN 分類演算法之實際座椅 情況表現進行討論。紅色的線條代表分類結果，藍色的線條代表實際坐姿。橫軸為時 間（秒），縱軸為分類姿勢，由下至上分別為適當坐姿、斜躺、左側坐、右側坐、翹 左腳、翹右腳、翹右二郎腿、翹左二郎腿。
圖 29 為一受試者在 30 分鐘內的實際坐姿與椅墊之預測坐姿。幾乎所有坐姿都能 夠準確的分類，僅在此受試者使用翹二郎腿坐姿時，被歸類為翹左腳，經由收集訓練 資料的觀察中，發現大多數人在翹左二郎腿時，左腿幾乎不會觸碰到椅墊區域。而此 受試者在翹左二郎腿時，左腿有部分觸碰到椅墊，故被分類為翹左腳的坐姿。
圖 29 坐姿判定結果圖(1)
圖 30 為一受試者在 30 分鐘內的實際坐姿與椅墊之預測坐姿。由圖可以得知，使 用者在自己認為自己正坐的情況下，身體依然有向右傾斜的狀況。可以推測受試者在 適當坐姿情況下，呈現左右臀部壓力有差距的情況。
圖 30 坐姿判定結果圖(2)