第一階段：發展 SIS-ML

研究者將依據下列五個步驟發展 SIS-ML：（1）挑選短版題目之題組；（2）

訓練 ANN 模型以預測各向度分數；（3）挑選預測力較佳之 ANN 模型架構；（4）

挑選預測力較佳之題數組合；（5）選擇最適之機器學習模型。

步驟 1：挑選短版題目之題組 中之預測性越強，越有潛力做為短版題目 (Fonti & Belitser, 2017; Tibshirani, 1996)。研究者匯出 ANN 模型之模型參數，並取 59 題輸入層對應於各層之 32 個 人工神經元之權值，取各題之模型參數絕對值加總值作為該題目對於原始 SIS 分 數之預測力並排序 (Alhamzawi & Ali, 2018; Tozlu et al., 2020)，之後取出各向度排 序前 4 及前 2 之題目，組成 32 題及 16 題之題組。之後再依據權值絕對值加總之 順序選出 17 題至 31 題題組之題目。

步驟 2：使用不同模型架構訓練以短版題目模擬原版分數之 ANN 模型

ANN 模型

研究者使用 8 種 ANN 模型架構，並匯入訓練資料以訓練 ANN 模型。ANN 模型架構包含 2 個參數：隱藏層數及人工神經元個數。之前研究顯示適合用於分 類或迴歸之 ANN 模型之隱藏層數為 5~10 層 (Senders et al., 2018)，人工神經元則 多使用 2 之對數 (Jain, Mao, & Mohiuddin, 1996; Zhang, 2016)。本研究所使用之 ANN 模型參數分別設定 6 層及 10 層隱藏層數及 8、32、196、512 個人工神經元

研究者將使用多層感知器迴歸演算法 (Multi-layer Perceptron Regression, MR) 進行模型訓練。欲調整之參數包含：隱藏層之層數、隱藏層之人工神經元個數、

激活函數、模型最大訓練次數（影響模型精準度），其餘參數使用演算法之預設

函數。隱藏層將設定為 6 層及 10 層隱藏層數，人工神經元個數設定為 8、32、

196、512，激活函數為整流線性單位函數（Rectified Linear Unit, ReLU，為 ANN 常用之激活函數），α 值設定為 50，模型最大訓練次數為 50000 次。

模型優劣以模型分數作為判斷指標。模型分數為多層感知器迴歸演算法判斷 模型擬合資料優劣程度之指標，以判斷模型預測資料之預測力。其計算方式以相 關指數 R²（又稱決定係數）作為量化之依據。R²之意義為以 SIS 總分之平均值作 為評判依據，判斷 ANN 模型模擬之分數與原始 SIS 分數之一致性，通常用以判

定迴歸模型之優劣。R²之公式如下：

步驟 5：使用測試資料選擇最適之機器學習模型 程序

研究者於步驟四確認模型後，將匯入測試資料，並確認模型是否於測試資料 仍有良好之一致性。最後，研究者比較各模型於訓練資料、驗證資料及測試資料 於 8 個向度 R²之平均值，以挑選整體預測力最佳之模型（層數、每層神經元個數 與 SIS-ML 總題數）。

資料分析

研究者使用步驟四所選定之 ANN 模型，匯入測試資料之選定題目之分數。

模型匯出之模擬分數將對照原始分數之 R²，作為分析模型優劣之指標。R² > 0.8 代表 ANN 模型於測試資料中仍有較好之模擬原版 SIS 分數之能力。研究者將比 較測試資料之 R²，確認各模型可類化至其他資料之程度，並計算訓練資料、驗證 資料及測試資料 R²之平均值，以比較出最佳之 ANN 模型及題組。研究者亦繪製 選定之題組及 ANN 模型之測試資料模擬分數及原始分數之散佈圖，並將原版 SIS 與 SIS-ML 視為相依資料，計算原版 SIS 與 SIS-ML 之平均值、標準差及原版 SIS 與 SIS-ML 分數差異絕對值之平均值及標準差，差異百分比為原版 SIS 與 SIS-ML 之差異絕對值平均值與原版 SIS 之平均值之百分比，以確認模擬分數及原始分數 之趨勢及模擬分數之誤差。差異百分比 < 10%代表 SIS-ML 與原版 SIS 之誤差為 可接受之範圍 (Freedman, Pisani, & Purves, 2007)。

評估工具

中風衝擊量表 3.0 版 (Stroke Impact Scale 3.0, SIS)

本研究使用張谷州醫師所翻譯之 SIS 3.0 中文版。SIS 包含 8 個向度：肌力、

記憶力、情緒、溝通能力、日常生活自理能力、活動力、手部功能及社會參與能 力，每個向度最少 4 題，最多 10 題，共計 59 題。SIS 採 Likert 五分法計分，以 評估個體對生活中各面向之滿意程度及重要感受。各向度獨立計分，除情緒向度 有 3 題反向題，其它向度得分越高，表示個案自覺生活品質越佳。