電腦化感覺統合兩側協調動作順序評量工具之發展

國立臺中教育大學教育測驗統計研究所理學碩士論文 

 

指導教授：郭伯臣  博士 

 

 

電腦化感覺統合 

兩側協調動作順序評量工具之發展 

Developing a Computerized assessment tool

for bilateral integration and motor sequencing

in sensory integration

 

 

研  究  生  ：  李  仁  傑    撰 

 

中   華   民   國   九   十   九   年   七   月 

誌謝

在三年的碩士學習生涯中，隨著論文的完成，即將劃上句號，這段生

活的點點滴滴中，有回憶與不捨，從一開始對於感覺統合這塊領域上懵懂

未知到現在學習研究上有些成果。 

本篇論文能順利的完成，首先我要感謝我的家人，在他們的支持與鼓

勵下，才能順利完成碩士學位。其次我要非常感謝我的指導教授郭伯臣老

師的辛苦指導，也要很感謝吳慧珉學姐對於我所研究的指導與幫助，也要

感謝台北科技大學的陳彥霖老師、台中教育大學的林巾凱老師，在百忙之

中能抽空擔任我的口試委員，提供寶貴的意見，以補齊論文的不足之處。 

本論文部分成果為國科會計畫：感覺統合臨床觀察電腦化評量工具編

製的研究(97‐2221‐E‐142‐007‐MY2）之研發成果，感謝計畫主持人林巾凱老

師，在感統專業的領域中傳授相關知識及研究方法。 

感謝政軒學長、省華學姊、暄博學長、育隆學長、智為學長、筱倩學

姊、鈞翔學長、文俊學長等，從進來本研究團隊後不辭辛苦幫助。感謝辨

識組的同學志勝及士勛，你們在這三年的照顧。還有感謝同學境蔚、銘豪

、秀聿、任潔、佳穎、佳樺，學弟妹辰育、怡怜、慧珊、敏嫻、淑瑜、孟

君、慶皇等等，在過去的日子陪著我一同作研究、打球、出遊。 

謝謝 K‐lab 歷屆所有成員留下這麼多的資訊。最後誠摯的感謝曾經幫

助過我的每個人。 

 

 

李仁傑 謹致於台中教育大學教育測驗統計研究所

中華民國 九十九 年 七 月 八 日

摘要

本研究主要透過視覺監控分析，結合樣式辨認所發展一套電腦化感覺

統合兩側協調動作順序評量工具。本研究中以三台攝影機收集不同角度的

受試者兩側協調動作順序訊息，再使用剪影來收集動作特徵，搭配最大概

似分類器、最近鄰近法分類器，以專家診斷為效標，探討本研究的評量工

具之有效性。研究結論彙整如下：

1.在診斷正確率方面:

本研究所發展的電腦化感覺統合兩側協調動作順序評量工具診斷正

確率介於 81％~91% 之間，顯示電腦化感覺統合兩側協調動作順序之診斷

結果與專家之診斷結果具有良好的一致性。

2.在分類器選擇方面:

電腦化感覺統合兩側協調動作順序評量工具搭配最大概似分類器具

有較好的診斷率。

3.在特徵選取方面:

在開合腳、右腳前後點、左腳前後點、前後交互跳的動作中，谷(valley)

的平均數、谷(valley)的標準差、正面鏡頭質心位置、側面鏡頭質心位置，

這四個特徵有助於提升正確率。

關鍵字：電腦化評量、視覺監控、感覺統合、樣式辨認、兩側協調動作順

序

Abstract

Most of applications of vision surveillance systems are used in the engineering.

There are no researches, which apply vision surveillance systems to analyze

bilateral integration and motor sequencing in sensory integration, in Taiwan.

Hence, this thesis focuses on developing a computerized assessment system to

investigate bilateral integration and motor sequencing in sensory integration

via the vision surveillance. In our computerized assessment system, we apply

three video cameras to collect bilateral integration information of all patterns,

and extract some available features via these information. Finally, according to

available features and the criteria of expert’s decisions, the

maximum-likelihood (ML) classifier and k-nearest-neighbor (k-NN) classifier,

which are useful and popular classifiers in classification issues, are requested

to investigate the effectiveness of our computerized assessment system. There

are some

conclusions, which are shown as following.

1.

At the testing accuracy aspect,

the testing accuracies via our computerized

assessment system are between 81% and 91%, which means there is

consistency between our system and the expert diagnosis.

2. At the classifier aspect, our computerized assessment system with the ML

classifier has the better testing performance.

Keywords: bilateral integration, computerized assessment tool, pattern

recognition, sensory integration, visual surveillance

目錄

第一章 研究動機與目的...1

第二章 文獻探討...3

第一節  感覺統合理論與兩側整合動作順序 ... 3

第二節 相關評量工具及電腦化的重要性 ... 4

第三節 人物視覺監控分析之相關文獻 ... 5

第三章 研究方法...13

第一節 硬體設備 ... 13

第二節 專家計分之資料分析... 14

第三節 電腦計分模式之資料分析... 16

第四章 實驗結果...27

第一節 兩側協調動作順序評量工具在開合跳之診斷結果 ...27

第二節 兩側協調動作順序評量工具在前後交互跳之診斷結果... 29

第三節 兩側協調動作順序評量工具在前後點  (左腳)  之診斷結果 30

第四節 兩側協調動作順序評量工具在前後點  (右腳)  之診斷結果 32

第五章 結論與建議...35

第一節 結論 ... 35

第二節 建議 ... 36

附錄一 ...40

附錄二 ...47

附錄三 ...49

表目錄

表 3‐1  「開合跳」評量內容之觀察重點 ... 15

表 3‐2  電腦計分之特徵擷取... 20

表 3‐3  專家診斷與分類器判斷情形... 25

表 4‐1‐1  『開合跳』之'24679AB'特徵選取診斷最佳正確率... 28

表 4‐1‐2  『開合跳』之'1345BC'特徵診斷正確率... 28

表 4‐1‐3  『開合跳』之'2345'特徵診斷正確率... 28

表 4‐1‐4  『開合跳』之'245BC'特徵診斷正確率... 28

表 4‐1‐5  『開合跳』之'235B'特徵診斷正確率... 29

表 4‐2‐1  『前後交互跳』之'1269AB'特徵診斷正確率 ... 29

表 4‐2‐2  『前後交互跳』之'239A'特徵診斷正確率... 29

表 4‐2‐3  『前後交互跳』之'145A'特徵診斷正確率... 30

表 4‐2‐4  『前後交互跳』之'29AB'特徵診斷正確率 ... 30

表 4‐2‐5  『前後交互跳』之'24A'特徵診斷正確率... 30

表 4‐3‐1  『前後點(左腳)』之'46BC'特徵診斷正確率 ... 31

表 4‐3‐2  『前後點(左腳)』之'346BC'特徵診斷正確率 ... 31

表 4‐3‐3  『前後點(左腳)』之'69BC'特徵診斷正確率 ... 31

表 4‐3‐4  『前後點(左腳)』之'12458ABC'特徵診斷正確率... 31

表 4‐3‐5  『前後點(左腳)』之'4BC'特徵診斷正確率 ... 32

表 4‐4‐1  『前後點(右腳)』之'4569C'特徵診斷正確率 ... 32

表 4‐4‐2  『前後點(右腳)』之'3459C'特徵診斷正確率 ... 32

表 4‐4‐3  『前後點(右腳)』之'349C'特徵診斷正確率 ... 33

表 4‐4‐4  『前後點(右腳)』之'369C'特徵診斷正確率 ... 33

表 4‐4‐5  『前後點(右腳)』之'59C'特徵診斷正確率 ... 33

表 5‐1 ML分類結果 ... 35

圖目錄

圖 2‐1  整體臨界值之最佳選擇... 7

圖 2‐2  侵蝕的效果 ... 9

圖 2‐3  膨脹的效果 ... 9

圖 2‐4  斷開的效果 ... 10

圖 2‐5  閉合的效果 ... 10

圖 2‐6 ML分類器辨識示意圖... 12

圖 3‐1  硬體設備示意圖... 14

圖 3‐2  電腦計分模式演算流程...17

圖 3‐3  原始影像 ... 18

圖 3‐4  正面攝影機擷取進來之輪廓影像 ... 18

圖 3‐5  圖 3‐4 經過修補破碎之後的影像... 19

圖 3‐6  寬高比之波型圖... 21

圖 3‐7  寬高比之波型圖... 22

圖 3‐8  寬高比之波型圖‐說明峰(Peak)及谷(Valley)... 22

圖 3‐9  寬高比之波型圖‐記錄峰、谷的個數... 23

圖 3‐10  寬高比之波型圖‐標記各峰和谷的平均值 ... 23

第一章 研究動機與目的

隨著電腦效能和技術快速發展，電腦科技已融入於人們的日常生活

中，而隨著視覺監控設備的普及，更讓視覺監控結合電腦科技之應用範圍

越來越廣泛，例如：駕駛人安全輔助系統，利用影像監控通知駕駛人周遭

的路況（范剛維，2007）

。 物體追縱技術，利用 PTZ 攝影機實現動態背景

中特定物體之鎖定追蹤技術（林訓緯，2006）、居家照護系統，以紅外線

影像為基礎的睡眠動作偵測系統，利用監視系統迅速判斷出患者的睡眠狀

況(鄭宇宏，2008)。目前結合視覺監控與電腦科技之研究大都是使用在工

程領域方面，在醫療復健領域運用較多的是 Vicon 系統（楊勝雄，2005），

但 Vicon 系統非常昂貴，一套售價約 350 萬元，如能透過較平價的視覺監

控設備結合電腦科技，將之運用於醫療復健領域，將能讓更多人受惠。

吳慧珉（2009）運用視覺監控技術於感覺統合領域中並研究開發出一

套感覺統合評量篩檢系統，此研究是以 Bundy、Lane 和 Murray (2002) 的

感覺統合架構為基礎，針對趴姿伸直與臥姿彎曲，發展感覺統合評量篩檢

系統。Bundy 等人(2002)的感覺統合架構中七個向度分別為：姿勢動作、

兩側整合動作順序、感覺區辨、感覺調適、肢體感覺運動、注意力與活動

量、情緒行為及人際關係。其中姿勢動作、兩側整合動作順序是由專家透

過臨床觀察的方式，評量受試者是否有感覺統合障礙。吳慧珉（2009）所

開發出來的感覺統合評量篩檢系統主要是針對於姿勢動作的評量，並未涵

蓋兩側整合動作順序，完整的感覺統合臨床觀察評量需同時包含姿勢動作

與兩側整合動作順序，故本研究將針對兩側整合動作順序的部分，設計不

同的動作，包括開合跳、手腳開合跳，前後交互跳、前後點等，利用這些

動作所運作到的部位檢測受試者兩側整合動作順序是否有障礙。

兩側整合動作順序動作主要傾賴專家透過臨床觀察的方式評量受試

者，評量過程中專家需要注意標準化施測程序程序、定位、動作、計時或

計分規則，常常會使得專家手忙腳亂導致誤判的產生，也容易造成施測時

間冗長；再者，專家只能用單一角度觀察，常會有遮蔽的問題，因此本研

究主要研究目的結合視覺監控機制，建置兩側整合動作順序電腦化評量工

具。本研究使用不同角度攝影機拍攝受試者兩側整合動作順序之動作，避

免視覺遮蔽之困擾，透過電腦協助計時、計分，以節省人力資源。

本篇論文分為五大部分，其架構如下：第一章緒論：介紹此篇論文的

動機與目的，及各章節之簡介；第二章、文獻分析：介紹感覺統合理論與

兩側協調動作順序之間的關係及相關評量工具及視覺監控分析相關的文

獻；第三章、研究方法：這個章節包含兩大部分。第一個部分是在介紹專

家計分模式，第二個部分是在介紹電腦計分模式及正確率；第四章、實驗

結果：評估電腦計分模式所診斷出來的正確率與專家相比較之結果；第五

章、結論與建議：包含本研究所做的實驗做一個總結及未來還可以加強的

部分。

第二章 文獻探討

本研究將針對相關的議題進行文獻的探討：第一節、感覺統合理論與

兩側整合動作順序，在此小節主要探討感覺統合臨床觀察評量與兩側整合

動作順序間的關係；第二節、相關評量工具及電腦化的重要性，探討兩側

整合動作順序的測量方法與兩側整合動作順序評量方式；第三節、人物視

覺監控分析之相關文獻，探討視覺監控分析人物動作之流程

第一節 感覺統合理論與兩側整合動作順序

大腦的神經感覺整合行為可根據 Bundy 等人在 2002 年提出來的感覺

統合理論架構，將其分成七個向度，此七個向度分別為(1)兩側整合動作順

序、(2)注意力與活動量、(3)姿勢動作、(4)感覺調適、(5)情緒行為及人際

關係、(6)感覺區辨，以及(7)肢體感覺運用。上述提及感覺統合障礙主要可

分為兩種類型：第一種是動作運用障礙(dyspraxia)、第二種是感覺調適障

礙(modulation dysfunction)。本研究主要針對研究的動作行為(兩側協調動

作順序)將與動作運用障礙有關連。

本研究最主要是發展電腦化計分模式用來進行兩側整合動作順序的

評量，而將探討感覺統合七個向度中最基礎的能力，指的就是兩側整合動

作順序。兩側整合動作順序代表某種能力的各種綜合表現，可以簡單的分

為兩種：兩側整合及動作順序。兩側整合：包含的有手腳協調、兩手協調、

兩腳協調、肢體跨中線、慣用手的發展。動作順序：包含快速的動作反應

及預期性的動作。(Bundy, et al., 2002)

兩側整合動作順序障礙是屬於比較輕微的動作障礙，但這輕微的動作

障礙也會造成肢體動作或是學習上的問題，簡單舉例來說手腳不協調會影

響作大動作的表現能力，特別是在粗大動作，在粗大動作上的影響例如在

跑或跳的行為上會有不順暢的表現。

第二節 相關評量工具及電腦化的重要性

在評量感覺統合中，常見的評量法一共有三種，分別為布氏動作能力

測驗(Bruininks-Oseretsky Test of Motor Proficiency，簡稱 BOTMP)、感覺統

合運用能力測驗(sensory integration praxis test，簡稱 SIPT)、兒童動作評量

組合(Movement Assessment Battery for Children，簡稱 MABC)，接下來介

紹這幾種評量工具：

布氏動作能力測驗，四歲半到十四歲半之間的兒童是為最主要測驗對

象，用來評量兒童的動作能力，評估內容為粗大和精細動作，此兩種中各

有四項評量內容 (Bruininks, 1978)。

感覺統合運用能力測驗，評量測驗裡面總共會有十七項測驗單元，最

主要是測驗動作計畫能力。主要測驗的是個體的兩側整合、手眼協調、平

衡能力、觸知覺、本體感覺、視知覺等等的項目(Ayres, 1989)，在這裡面

與兩側整合動作順序有關的測驗一共有三項，分別為：(1)兩側動作協調

(bilateral motor coordination)、(2)姿勢動作運用(postural praxis)、(3)順序運

用(sequencing praxis)。

兒童動作評量組合為 Henderson 和 Sugden 在 1992 年所發展出來的，

主要針對動作技巧的表現。主要受試對象分為四種年齡層分別是四至六

歲、七至八歲、九至十歲、十一至十二歲。測驗內容主要包含三種大類的

技巧：(1)球類技巧(ball skills)中有二項測驗、(2)手部操作靈活度(manual

dexterity) 中有三項測驗、(3)及靜態和動態平衡(dynamic and static balance)

中有三項測驗，一共有八個測驗項目。

另外對於兩側整合動作順序的動作，Magalhaes 在 1989 年發展了三個

動作(1)同側跨步跳(symmetrical stride jumps)、(2)對側交替跨步跳(reciprocal

stride jumps)、(3)手腳開合跳(jumping jacks)，這些動作在計分時，都還需

要依靠攝影機將兒童測驗的內容錄製下來，再根據計分準則來評分，在計

分準則中仍有模糊地帶。因此本研究會使量化計分更精確，沒有模糊地帶。

本研究中根據上述常見的測驗及 Magalhaes（1989）所發展的動作中，

本研究設計出了包含交替、同時、對側跨中線的兩手、兩腳、手腳的兩側

整合協調動作，分別是前後點、前後交互跳、開合跳、手腳開合跳、兩手

一腳、兩手協調、手腳對側協調等七個項目，分別用來評量兩側整合動作

順序，但因為時間及人力有限的情況下，本研究只針對了前後點、前後交

互跳、開合跳作為主要的研究內容。

第三節 人物視覺監控分析之相關文獻

在此章節將介紹於本研究中視覺監控應用在感覺統合領域的相關方

法。

壹、動作分割

一、建立背景模型

本研究當中是使用臨界值法來實現前景物體與背景的分割，介紹如下

(張簡復中, 2010)：

臨界值法主要是靠設定一個臨界值來分辨前景物體與背景，簡單來說

就是設定一個臨界值，若在影像中的灰階值大於臨界值，就設定為背景，

若小於臨界值則判為前景物體，因此這樣的方法很適合用於影像中前景物

體與背景有明顯區域分界的情況。也就是說若感興趣的前景物體和背景間

的灰階值有很明顯差異時，則使用該方法即可完全分割物體與背景，但臨

界值還是有許多不同的設定方式如：整體臨界值 (global thresholding)、適

應性臨界值(adaptive thresholding),

(一)、整體臨界值

這個方法是對整幅影像選定一個固定的灰階值，並以此值去做為影像

的分類點，以找出此類影像的物體；此方法很容易，因為步驟僅將灰階度

分為高、低兩個區域，因此只有在物體與背景單純且亮暗分明下，效果才

會比較好。

(二)、適應性臨界值

在很多的情況下，影像不會是上述的那麼單純，背景可能會有很多種

的變化；在這樣的情況底下，可能某個區域中所用的臨界值，就不能用在

別的區域上，當然最好的方法就是在不同的區域，有不同的臨界值，自然

就是自適性的臨界值。

為了適應區域間的變化，臨界值可依下面的步驟來求得：

步驟一：先將欲做分析的影像分成若干個子影像，並就每個子影像做直方

圖分析，去掉單峰(unimodeal)的直方圖，只紀錄具雙峰(bimodal)的直方圖。

步聚二：在背景之灰階值與物體之灰階值中，選擇中間值來作為臨界值。

累積量

圖 2-1 整體臨界值之最佳選擇

灰階度

二、影像濾波

研究中經由背景去除後所剩餘的輪廓中，通常會因光線影像無法完美

區別出前景物體與背景，雜訊及光線的影響容易存在於影像當中，對於輪

廓資訊分析需要的細心觀察影響非常嚴重，在數位影像處理的應用上，通

常有經過前處理等動作，一般而言有經過雜訊去除，強化邊緣等效果，並

可以用來得到一些更有用的資訊，以作為後處理的參考（Gonzalex &Woods,

2002）

。

將探討二值化影像的形態學，依形態學為基礎的影像處理演算法，它

提供了強大的互補工具，可以用來去除雜訊或修補雜訊。

首先將所取得的影像設為 B，將 B 的 3×3 矩陣與處理的結構元素 S 作

邏輯運算，可以得到一個輸出點。再取一個新的 3×3 矩陣重復上述步驟，

最後取完輸入影像 這樣就完成了處理過程，整個過程會是像在求一個二

維的迴旋積。不同的組合和邏輯運算，對於影像也會有不同的效應。先從

最基本的來討論，定義如下：

設集合 B 與 S 分別為

b



(

b

1

,

b

2

)

與

s



(

s

1

,

s

2

)

，其中 與 ,i=1,2 分別代

表整數的座標軸位置，定義 b 平移(translation)，

i

b

)

2 i

s

,

(

x

1

x

x



單位(表是成

)

為

x

B)

(



a

a

b

x

b

B



B

)

_x



|





,

對於



(

_(2.1)

定義

的反射或映像

Sˆ

定義集合

的補集

S

(reflection)(表示成 )



x

x

s

s

S



S

ˆ



|





,

對於



(2.2)

B

(complement)為



x

x

B



B

c





|

(2.3)

最後定義集合 B 與 S 之差(difference)為



x

x

B

x

S



X

B





|



,



(2.4)

（一）侵蝕(Erosion)

這一個方法是一種從二值化影像的邊界上，將邊界往內收縮若干個像

素，在數學式上表示為

}

)

(

|

{

x

S

B

S

B

E







_x



_(2.5)

圖 2-2 呈現兩個侵蝕效果。

圖 2-2 侵蝕的效果

註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.

（二）膨脹(Dilation)

這一個方法與侵蝕相反的動作，是一種從二值化影像的邊界上，將邊

界向外膨脹若干個像素，在數學式上表示為

}

)

ˆ

(

|

{













B

S

x

S

B

D

x

(2.6)

下圖 2-3 呈現兩個膨脹效果。

圖 2-3 膨脹的效果

註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.

（三）斷開(Opening)

定義為：

S

S

B

S

B





(



)



_(2.7)

意思就是說先進從侵蝕再進行膨脹，或是重複侵蝕直到不想要的點或

線，再用膨脹同樣的次數來恢復原形。這樣的進行方式可以用來將物體邊

界外的雜訊及小分枝消除。圖 2-4 呈現斷開效果。

圖 2-4 斷開的效果

註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.

（四）閉合(Closing)

定義為：

S

S

B

S

B





(



)



_(2.8)

這個部分與斷開是完全相反的動作，就是先膨帳再侵蝕。也與斷一

樣，可以重復使用，但要注意在恢復影像的時候，膨脹過幾次就要收縮幾

次，這樣可以使物體內的洞補口，或是修補兩端點間的缺口或連結斷線及

細長形的缺口等。圖 2-5 呈現閉合效果。

圖 2-5 閉合的效果

註：Gonzalez, & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.

貳、動作之樣式辨識

一、分類器（Classifier）

分類器最主要的功能是用來判定類別，依照資料的特徵，但資料有可

能不是使用一個分類器就可以得到最達佳效果，因此會透過使用同一組資

料來測試分類器，選擇最適當的分類器。本研究中使用 ML、KNN 為主要

的分類器工具。

（一）最大概似分類器（Maximum Likelihood Classifier, ML）

最大概似分類器在分類器中是一種最常見的一種分類器，一個未知的

測試樣本點 x 將會被判定給擁有最大概似的類別。

假使在一個 C 類的分類問題，假設在常態分布的情況底下，未知測試

樣本

x

是屬於第 個類別的可能性，定義如下：

i

)}

(

)

(

2

1

exp{

)

2

(

1

)

(

_1/2 1 2 / i i T i i p i

x

x

m

x

m

L

















其中 表示樣本的維度數，

表示類別

i

的平均數，而

表示類別 的

共變異數矩陣，

p

m

_i



_i

i

i



表示



i

的行列式值，



i



1

....

C

。

在得到

L

_i

(x

)

之後，可根據以下的準則來判斷樣本點

x

屬於哪一個類別

)}

(

{

max

arg

if

,

class

,..., 1

x

L

k

k

x

i C i





圖 2-6 為兩類分類問題時，ML 分類器運作的示意圖。未知類別樣本

x

屬於類別 1 的概似值為

，屬於類別 2 的概似值為

，由圖中可知

大於

，因此 ML 分類器會將未知類別樣本

)

(

1

x

L

L

2

(

x

)

)

(

2

x

L

L

₁

(

x

)

x

判斷為類別 2。

Li

ke

lihood

 

類別 1 

類別 2

)

(

2

x

L

)

(

1

x

L

x

 

圖 2-6 ML 分類器辨識示意圖

（二）最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）

最近鄰近法分類器在分類器中也是一種很常見的一種分類器，其基本

觀念相當直觀，如果要判定某一個未知的測試樣本點 x，先找到其他最近

k 個已知的樣本點(本研究使用歐式距離)，再使用這 k 個已知樣本點進行投

票。將此未知的測試樣本點判定給得票數最高的類別，本研究中使用的是

1NN 的分類器。

△：目標樣本 

 

：已知類別的 

最近樣本 

 

：已知類別的 

其他樣本 

 

圖 2-7 kNN(k=1)示意圖

第三章 研究方法

本研究針對文獻探討中提及感覺統合理論與兩側協調動作順序之相關

文獻，探討感覺統合理論與本研究欲電腦化評量之兩側協調動作順序(前後

點、前後交互跳、開合跳)的關係。利用電腦化視覺監控影像系統，收集所

需要的樣本(四歲至六歲學童)，以專家判斷效標將樣本給予判斷標籤

(labeling)，並建立感覺統合資料庫，之後透過樣式辨識評估並建立感覺統

合兩側協調動作順序評量工具。在每個小節中探討內容為：第一節、專家

計分之資料分析，在此小節中說明職能治療師在判定類別時的流程及準

則；第二節、電腦計分模式之資料分析，在此小節中介紹本研究中電腦計

分的流程及影像處理、週期性資料轉換、分類器等。

第一節 硬體設備

本研究的硬體設備主要是國科會計畫（編號 97-2221-E-142-007-MY2，主持

人：林巾凱）— 感覺統合臨床觀察電腦化評量工具編製的研究所規劃之實驗環

境，可使一名受試者在此空間中進行評量動作，分別從受試者的正面、側面及上

面架設三台定焦於同一點的三台攝影機，可以同時收集不同角度受試者動作資

料。

圖 3-1 硬體設備示意圖

第二節 專家計分之資料分析

探討國內、外有關兩側整合動作表現及電腦視覺監控文獻，以確定其

重要變項，擬定前後點、前後交互跳、開合跳、手腳開合跳的評量向度及

架構，再透過具有職能治療師資格的職能治療師判斷受試者的效標，建立

效標的程序如下：

第一步驟：教師或父母填答，兒童在日常生活和班級表現的相關訊息

第二步驟：正式施測所拍攝的電腦影像紀錄。

第三步驟：專家計分表，如表 3-1。(其他詳見附錄一)

第四步驟：受試者觀察記錄表(附錄二)，

ccd3 伺服器 ccd2 C B A D E H ccd1 F G

最後將這四項資料提供給專業的職能治療師，使專家能有詳細的資料

做出正確的判斷，給予評分並分出二個等級：感覺統合功能正常、感覺統

合功能障礙。

表 3-1 「開合跳」評量內容之觀察重點

測

驗

項

目

圖

示

開合跳

頭部：□不會側彎、□偶而、□經常 側彎

軀幹：□直立、□稍微彎曲往前傾、□彎曲、往前傾角度大

軀幹：□直立、□偶而、□經常彎曲、往前傾

軀幹：□不會側彎、□稍微側彎、□側彎較大

軀幹：□不會側彎、□偶而、□經常 側彎

軀幹：□不會轉動、□稍微、□轉動較大，無法維持正中位置，會偏一邊

軀幹：□不會轉動、□偶而、□經常轉動，無法維持正中位置，會偏一邊

軀幹：□固定角度、□偶而、□經常角度變化很大（忽大忽小）

軀幹：□不會跟著動作搖動、□偶而、□經常擺動、搖動 、或晃動

手：□不會跟著上下左右動、伸直出去、□偶而、□經常 跟著動

手：□抱胸、□伸直出去幅度小、□伸出去的幅度大（如舉高）

專

家

觀

察

重

點

腳掌在落地時可以：□蔗曲、□偶而、□經常 放平

腳落地的位置：□在原來腳的這一側、□偶而、□經常交叉到對側

每一次兩腳落地時，兩腳的間距：□差異不大、□偶而、□經常差異很大

落地時膝蓋彎曲的角度：□稍微彎曲、□彎曲角度很大、□伸的直直的

落地時膝蓋彎曲的角度：□不大、□偶而、□經常彎曲角度很大

左腳腳掌是：□直的、□偶而、□經常 非直的

左腳腳掌：□不會折到、扭到、□偶而、□經常 折到、扭到

左腳腳掌：□不會移動、□偶而、□經常 會移動

跳時左腳：□稍微彎曲或伸直、□偶而、□經常 彎曲角度較大

右腳腳掌是：□直的、□偶而、□經常 非直的

右腳腳掌是：□不會折到、扭到、□偶而、□經常 折到、扭到

右腳腳掌：□不會移動、□偶而、□經常 會移動

跳時右腳：□稍微彎曲或伸直、□偶而、□經常 彎曲角度較大

每一次落地的位置，可以在：□原點、□偶而、□經常 不在原點

落地後～下一次跳之前：□不移動、□偶而、□經常 移動位置

落地後：□身體不會搖晃、□偶而、□經常 搖晃

一腳踩踏到另一腳：□不會、□偶而、□經常會

腳：□不會有要跌倒的傾向、□偶而、□經常 有此傾向出現

落地時，腳：□不會滑出去、□滑出去一些、□滑出去很大

落地時，腳：□不會滑出去、□偶而、□經常滑出去

重心：□不會偏一邊、□偶而、□經常 偏向一邊

下一個跳起時：□不需要重新定位、□偶而、□經常 需要重新定位

兩腳的距離：□與肩膀同寬、□偶而、□經常 大於肩膀

兩腳膝蓋彎曲的角度：□相同、□偶而、□經常 不相同

兩腳離心中點距離：□相同、□偶而、□經常 不同（著地點不是在中間）

作時：□不會加入其他動作、□偶而、□經常加入其他動作

兩腳：□可以同時跳開、□偶而、□經常 無法同時

兩腳：□可以同時跳回來、□偶而、□經常 無法同時

作時：□過程中可以連續沒有停頓、□偶而、□經常 停頓

第三節 電腦計分模式之資料分析

本研究所要篩檢的感覺統合臨床觀察之兩側協調動作順序為前後點、

前後交互跳、開合跳、手腳開合跳，從前後點、前後交互跳、開合跳、手

腳開合跳之重要觀測向度中與專家擬定之計分模式中，雖然可以知道所觀

測的重點大不相同，但都著重於受試者於週期性、穩定度，透過攝影機從

不同角度取得受試者的輪廓影像之資料，分別從三隻鏡頭取得輪廓之重要

訊息， 圖 3-2 為電腦計分之流程，詳細內容如下。

圖 3-2 電腦計分模式演算流程

去除背景

三維

拍攝影

去除雜訊

修補輪廓影像

建立背景顏

色模型

取得特徵資訊

轉換週期

特徵資訊

資料庫

測試樣本

訓練樣本

特徵選取

選取後的

訓練樣本

訓練後的

分類器

分類結果

與辨識率

壹、建立背景顏色模式

取得標記過類別的樣本圖之後，建立了背景顏色模型，標記了背景與

受試者間最大差異之特色，研究是計算背景的白色及前景物體也就是受試

者的 RGB 分佈，建立背景之色彩模型，因為本研究所使用的背景是白色

居多。加上有雜訊值，故取的大部分背景的平均後，減一個標準差再到最

大值即為 255，為背景分離之範圍，取完背景之後將背景之 RGB 設定為

(255,255,255)，再將前景物體之 RGB 設為 (0,0,0)，為二值化影像。圖 3-3

為原始影像，圖 3-4 為使用了上述之方法所截取之輪廓影像。

圖 3-3 原始影像

圖 3-4 正面攝影機擷取進來之輪廓影像

貳、形態濾波器修補輪廓

擷取進來的輪廓影像會因受到光線或陰之雜訊的干擾，呈現輪廓影像

破碎，可以透過型態學中的方法，閉合與斷開來修補破碎之區塊，才能得

拿更完整的輪廓影像資訊。圖 3-5 中將呈現圖 3-4 經過修補破碎之後的影

像。

圖 3-5 圖 3-4 經過修補破碎之後的影像

参、利用輪廓擷取重要訊息

影像處理的最後步驟將依照不同支的攝影機，取得二值化影像後的輪

廓得到的所有資訊和特徵，其資訊的表示如表 3-2 所示。

表 3-2 電腦計分之特徵擷取

開合跳(兩側動作協調)

攝影機

二值化影像

取得特徵資訊

上面

質心座標

正面

_高度

寬度

面績

質心座標

側面

質心座標

面積

質心座標

高度

寬度

質心座標  質心座標  質心座標 

肆、週期性資料轉換

本研究依照蒐集到的資訊，參考林國維(2005)的方法，利用二值化輪

廓的寬高比的變化依照時間序列將圖繪出，可以得到受試者在受試期間內

高度與寬度的變化，接下來將使用到下面幾個步驟得到研究中所需要的資

訊。圖 3-6 為寬高比之波型圖

圖 3-6 寬高比之波型圖

步驟一：將所有反應值(寬高比)加總並取得平均數。

圖 3-7 寬高比之波型圖

步驟二：利用平均數將所有資料分開成為多區段的峰(Peaks)和谷(Valley)。

圖 3-8 寬高比之波型圖-說明峰(Peak)及谷(Valley)

Peak 

Valley 

步驟三：取得每個區段的峰和谷的個數。例如這邊的峰的個數為 11、谷的

個數為 12。

圖 3-9 寬高比之波型圖-記錄峰、谷的個數

1      2    3      4    5    6    7      8      9    10    11 

Peak 

Valley 

1      2    3    4      5    6      7    8      9    10    11 12 

步驟四：將每一區段峰的所有的值取平均，利用此平均來表示每一區段的

峰。接下來將所有區段的峰再取一次平均數及標準差，最後利用

這個平均數及標準差做為受試者的特徵。

圖 3-10 寬高比之波型圖-標記各峰和谷的平均值

Peak 

Valley 

單一區段峰 的平均值

 

所有區段的峰再取一次 平均數及標準差。

 

步驟五：與步驟四相同，將每一區段谷的所有反應值取平均，利用此平均

來表示每一區段的谷。接下來將所有區段的谷再取一次平均數及

標準差，最後利用這個平均數及標準差做為受試者的特徵。

步驟六：最後將組合步驟三到步驟五的特徵(峰和谷的個數、平均數、標準

差)以及三個鏡頭的面積的標準差和三個鏡頭的質心座標，共組

成 12 個特徵值來代表一位受試者。

伍、特徵選取

特徵選取的目的是從原有的所有特徵中挑選出最佳的組合，使其正確率能夠

達到最高（詹正維，2005），這些鑑別能力較好的特徵組合，不但能夠簡化分類

器的計算，而且也可以幫助研究中了解此分類問題。在本研究中是使用所有的排

列組合將其排列組的正確率計算出來，取得最佳的特徵組合。

陸、感覺統合兩側協調動作順序評量工具系統

在感覺統合兩側協調動作順序評量工具系統的設計流程中，研究中將

利用 Cross-validation (Kuncheva,2004)的方式評估系統效能。首先將採用

Cross-validation 內的 k-fold (k=5)的方式，將資料分成 5 個部份並輪流當成

訓練樣本(Train data)及測試樣本(Test data)，利用此方法來訓練分類器，本

研究使用到兩種分類器，分別為最大概似分類器(Maximum Likelihood

Classifier, ML)、k 最近類近分類器(k Nearest Neighbor Classifier, k-NN)。

測試樣本的部分是評估在不同種類的分類器當中的效能，透過訓練過

的分類器將測試樣本置入進行分類，可以得到辨識出來的結果，最後與專

家判別的類別做比較，並算出此系統的辨識正確率。

柒、診斷正確率

分類器之分類結果與專家效標進行對照計算診斷正確率，計算方法如

下:

表 3-3 專家診斷與分類器判斷情形

專家

分類器

障礙

正常

障礙

α

β

正常

γ

δ

正確率=(α+δ)/ｎ

其中

α：專家診斷障礙且分類器亦判定障礙的人數。

β：專家診斷正常而分類器判定障礙的人數。

γ：專家診斷障礙而分類器判定正常的人數。

δ：專家診斷正常且分類器亦判定正常的人數。

ｎ：測試樣本之人數。

第四章 實驗結果

根據之前所述敘之研究方法，本研究透過視覺監控所蒐集到受試者之

兩側整合動作順序特徵向量如下，

1：峰(peaks)的個數、2：谷(valley)的個數、

3：峰(peaks)的平均數、4：谷(valley)的平均數、5：峰(peaks)的標準差、6：谷(valley)

的標準差、7：上面鏡頭面積標準差、8：正面鏡頭面積標準差、9：側面鏡頭面

積標準差、A：上面鏡頭質心位置、B：正面鏡頭質心位置、C：側面鏡頭質心位

置，為方便說明，以下將以代號的方式說明各特徵。本研究收集受試者

前 30 秒

的表現資料，以

特徵向量

為基礎，專家效標為依據，搭配 ML 和 kNN 分類

器，進行開合跳、前後交互跳、左腳前後點和右腳前後點之感覺統合兩側

協調動作順序評量工具診斷正確率的探討。

第一節 兩側協調動作順序評量工具在開合跳

之診斷結果

在開合跳這個動作中診斷出來的正確率如表 4-1-1~表 4-1-5 所示，其

他請參閱附錄三，經由特徵選取得到了所有的組合，在表 4-1-1 中顯示了

24679AB 這七個特徵做為組合得到了最佳正確率最高可達 0.911，在其他

的部分也分別得到了不錯的正確率(0.907~0.899)。在開合跳的診斷中，ML

分類器的效果優於 kNN 分類器，都得到較高的正確率

表 4-1-1 『開合跳』之'24679AB'特徵選取診斷最佳正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.878 0.882 0.878 0.911 0.831 0.814 0.844 0.793 0.848 0.865 0.854

kNN

0.785 0.772 0.768 0.789 0.789 0.764 0.797 0.781 0.793 0.802 0.784

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數 4：谷(valley)的平均數、6：谷(valley)的標準差

7：上面鏡頭面積標準差、9：側面鏡頭面積標準差

A：上面鏡頭質心位置、B：正面鏡頭質心位置

表 4-1-2 『開合跳』之'1345BC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.878 0.848 0.861 0.852 0.835 0.895 0.882 0.886 0.907 0.882 0.873

kNN

0.764 0.768 0.785 0.781 0.768 0.797 0.781 0.789 0.785 0.823 0.784

註：灰色區域是最佳之正確診斷率

1：峰(peaks)的個數、3：峰(peaks)的平均數

4：谷(valley)的平均數、5：峰(peaks)的標準差

B：正面鏡頭質心位置、C：側面鏡頭質心位置

表 4-1-3 『開合跳』之'2345'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.903 0.878 0.882 0.878 0.890 0.878 0.895 0.882 0.886 0.882 0.885

kNN

0.819 0.814 0.831 0.797 0.819 0.823 0.819 0.835 0.844 0.806 0.821

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數、3：峰(peaks)的平均數

4：谷(valley)的平均數、5：峰(peaks)的標準差

表 4-1-4 『開合跳』之'245BC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.886 0.899 0.899 0.899 0.895 0.882 0.886 0.890 0.882 0.895 0.891

kNN

0.772 0.802 0.789 0.781 0.781 0.785 0.802 0.772 0.789 0.793 0.786

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數、4：谷(valley)的平均數、5：峰(peaks)的標準差

B：正面鏡頭質心位置、C：側面鏡頭質心位置

表 4-1-5 『開合跳』之'235B'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.886 0.878 0.890 0.899 0.873 0.890 0.895 0.895 0.890 0.890 0.888

kNN

0.772 0.814 0.802 0.810 0.810 0.814 0.802 0.793 0.785 0.793 0.800

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數、3：峰(peaks)的平均數

5：峰(peaks)的標準差、B：正面鏡頭質心位置

第二節 兩側協調動作順序評量工具在前後交

互跳之診斷結果

在前後交互跳這個動作中診斷出來的正確率如表 4-2-1~表 4-2-5 所

示，其他請參閱附錄三，經由特徵選取得到了所有的組合，在表 4-2-1 中

顯示了 1269AB 這六個特徵做為組合得到了最佳正確率最高可達 0.814，在

其他的部分也分別得到了不錯的正確率(0.810~0.806)。在前後交互跳的診

斷中，ML 分類器的效果優於 kNN 分類器，都得到較高的正確率

表 4-2-1 『前後交互跳』之'1269AB'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.814 0.768 0.768 0.768 0.768 0.764 0.759 0.755 0.751 0.743 0.766

kNN

0.688 0.684 0.675 0.675 0.675 0.675 0.671 0.671 0.671 0.667 0.675

註：灰色區域是最佳之正確診斷率

1：峰(peaks)的個數、2：谷(valley)的個數、6：谷(valley)的標準差

9：側面鏡頭面積標準差、A：上面鏡頭質心位置、B：正面鏡頭質心位置

表 4-2-2 『前後交互跳』之'239A'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.810 0.793 0.776 0.772 0.772 0.768 0.768 0.768 0.764 0.764 0.776

kNN

0.637 0.637 0.633 0.633 0.633 0.629 0.624 0.616 0.612 0.612 0.627

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數、3：峰(peaks)的平均數

表 4-2-3 『前後交互跳』之'145A'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.810 0.806 0.802 0.789 0.789 0.785 0.785 0.785 0.781 0.781 0.791

kNN

0.705 0.692 0.688 0.688 0.675 0.675 0.675 0.671 0.667 0.667 0.680

註：灰色區域是最佳之正確診斷率

1：峰(peaks)的個數、4：谷(valley)的平均數

5：峰(peaks)的標準差、A：上面鏡頭質心位置

表 4-2-4 『前後交互跳』之'29AB'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.806 0.772 0.772 0.772 0.772 0.768 0.768 0.764 0.759 0.759 0.771

kNN

0.713 0.692 0.692 0.692 0.688 0.684 0.679 0.671 0.671 0.667 0.685

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數、9：側面鏡頭面積標準差

A：上面鏡頭質心位置、B：正面鏡頭質心位置

表 4-2-5 『前後交互跳』之'24A'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.806 0.789 0.789 0.785 0.785 0.785 0.781 0.781 0.781 0.776 0.786

kNN

0.709 0.700 0.696 0.688 0.688 0.688 0.684 0.679 0.679 0.671 0.688

註：灰色區域是最佳之正確診斷率

2：谷(valley)的個數、4：谷(valley)的平均數、A：上面鏡頭質心位置

第三節 兩側協調動作順序評量工具在前後點

(左腳) 之診斷結果

在前後點(左腳)這個動作中診斷出來的正確率如表 4-3-1~表 4-3-5 所示，其

他請參閱附錄三，經由特徵選取得到了所有的組合，在表 4-3-1 中顯示了

46BC 這四個特徵做為組合得到了最佳正確率最高可達 0.899，在其他的部

分也分別得到了不錯的正確率(0.899~0.895)。在前後點(左腳)的診斷中，

ML 分類器的效果優於 kNN 分類器，都得到較高的正確率

表 4-3-1 『前後點(左腳)』之'46BC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.886 0.886 0.886 0.890 0.886 0.899 0.890 0.886 0.890 0.886 0.889

kNN

0.848 0.844 0.852 0.857 0.869 0.861 0.852 0.848 0.848 0.852 0.853

註：灰色區域是最佳之正確診斷率

4：谷(valley)的平均數、6：谷(valley)的標準差

B：正面鏡頭質心位置、C：側面鏡頭質心位置

表 4-3-2 『前後點(左腳)』之'346BC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.886 0.899 0.890 0.890 0.882 0.882 0.882 0.890 0.882 0.886 0.887

kNN

0.852 0.861 0.857 0.844 0.852 0.852 0.852 0.835 0.861 0.844 0.851

註：灰色區域是最佳之正確診斷率

3：峰(peaks)的平均數、4：谷(valley)的平均數、6：谷(valley)的標準差

B：正面鏡頭質心位置、C：側面鏡頭質心位置

表 4-3-3 『前後點(左腳)』之'69BC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.882 0.857 0.869 0.857 0.865 0.899 0.873 0.882 0.861 0.878 0.872

kNN

0.835 0.831 0.823 0.848 0.823 0.848 0.844 0.844 0.831 0.844 0.837

註：灰色區域是最佳之正確診斷率

6：谷(valley)的標準差、9：側面鏡頭面積標準差

B：正面鏡頭質心位置、C：側面鏡頭質心位置

表 4-3-4 『前後點(左腳)』之'12458ABC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.878 0.865 0.848 0.852 0.861 0.886 0.899 0.852 0.840 0.878 0.866

kNN

0.827 0.835 0.840 0.823 0.814 0.844 0.840 0.835 0.827 0.835 0.832

註：灰色區域是最佳之正確診斷率

1：峰(peaks)的個數、2：谷(valley)的個數

4：谷(valley)的平均數、5：峰(peaks)的標準差、8：正面鏡頭面積標準差

A：上面鏡頭質心位置、B：正面鏡頭質心位置、C：側面鏡頭質心位置

表 4-3-5 『前後點(左腳)』之'4BC'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.890 0.886 0.895 0.886 0.886 0.882 0.890 0.895 0.882 0.878 0.887

kNN

0.873 0.835 0.852 0.861 0.844 0.844 0.857 0.865 0.857 0.852 0.854

註：灰色區域是最佳之正確診斷率

4：谷(valley)的平均數、B：正面鏡頭質心位置、C：側面鏡頭質心位置

第四節 兩側協調動作順序評量工具在前後點

(右腳) 之診斷結果

在開合跳這個動作中，經由特徵選取得到了所有的組合，在表 4-1-1 中顯

示了 4569C 這五個特徵做為組合得到了最佳正確率最高可達 0.907，在其

他的部分也分別得到了不錯的正確率。在前後點(右腳)的診斷中，ML 分類

器的效果優於 kNN 分類器，都得到較高的正確率

表 4-4-1 『前後點(右腳)』之'4569C'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.907 0.907 0.907 0.907 0.907 0.907 0.907 0.899 0.907 0.903 0.906

kNN

0.814 0.810 0.797 0.819 0.831 0.789 0.823 0.823 0.831 0.810 0.815

註：灰色區域是最佳之正確診斷率

4：谷(valley)的平均數、5：峰(peaks)的標準差、6：谷(valley)的標準差

9：側面鏡頭面積標準差、C：側面鏡頭質心位置

表 4-4-2 『前後點(右腳)』之'3459C'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.907 0.907 0.907 0.907 0.899 0.903 0.907 0.907 0.903 0.907 0.905

kNN

0.819 0.806 0.831 0.797 0.810 0.827 0.806 0.823 0.810 0.802 0.813

註：灰色區域是最佳之正確診斷率

3：峰(peaks)的平均數、4：谷(valley)的平均數、5：峰(peaks)的標準差

9：側面鏡頭面積標準差、C：側面鏡頭質心位置

表 4-4-3 『前後點(右腳)』之'349C'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.903 0.907 0.903 0.903 0.903 0.903 0.903 0.907 0.903 0.907 0.904

kNN

0.793 0.814 0.840 0.844 0.810 0.797 0.806 0.785 0.806 0.806 0.810

註：灰色區域是最佳之正確診斷率

3：峰(peaks)的平均數、4：谷(valley)的平均數

9：側面鏡頭面積標準差、C：側面鏡頭質心位置

表 4-4-4 『前後點(右腳)』之'369C'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.899 0.907 0.903 0.907 0.899 0.907 0.903 0.903 0.907 0.903 0.904

kNN

0.814 0.823 0.823 0.810 0.810 0.827 0.802 0.806 0.827 0.802 0.814

註：灰色區域是最佳之正確診斷率

3：峰(peaks)的平均數、6：谷(valley)的標準差

9：側面鏡頭面積標準差 C：側面鏡頭質心位置

表 4-4-5 『前後點(右腳)』之'59C'特徵診斷正確率

1 2 3 4 5 6 7 8 9 10

平均

ML

0.907 0.907 0.895 0.903 0.895 0.907 0.903 0.907 0.899 0.907 0.903

kNN

0.823 0.823 0.810 0.823 0.827 0.802 0.831 0.827 0.802 0.823 0.819

註：灰色區域是最佳之正確診斷率

5：峰(peaks)的標準差、9：側面鏡頭面積標準差、C：側面鏡頭質心位置

第五章 結論與建議

第一節 結論

本研究所發展的電腦化感覺統合兩側協調動作順序評量工具診斷正確

率皆可到達接近 80％，表 5-1 呈現四個動作的診斷正確率，顯示本研究所

發展之系統與專家之間具有一致性，也顯示本研究所發展之電腦化感覺統

合兩側協調動作順序評量工具具有良好之效度。

表 5-1 ML 分類結果

辨識率

前後交互跳

81%

開合跳

91%

前後點(右腳)

91%

前後點(左腳)

90%

一、 開合跳的部分使用特徵向量：照谷(valley)的個數、谷(valley)的平均

數、谷(valley)的標準差、上面鏡頭面積標準差、側面鏡頭面積標準

差、上面鏡頭質心位置、正面鏡頭質心位置，結合 ML 分類器可以

得到較好的正確率。

二、 前後點(右腳)的部分使用特徵向量：谷(valley)的平均數、峰(peaks)

的標準差、谷(valley)的標準差、側面鏡頭面積標準差、側面鏡頭質

三、 前後點(左腳)的部分使用特徵向量：谷(valley)的平均數、谷(valley)

的標準差、正面鏡頭質心位置、側面鏡頭質心位置，結合 ML 分類

器可以得到較好的正確率。

四、 前後交互跳的部分使用特徵向量：峰(peaks)的個數、谷(valley)的個

數、谷(valley)的標準差、側面鏡頭面積標準差、上面鏡頭質心位置、

正面鏡頭質心位置，結合 ML 分類器將可以得到較好的正確率。

第二節 建議

本研究因為時間及人力有限，只探討開合跳、前後點、前後交互跳，

而完整的兩側整合動作順序尚須包含兩手協調、兩手一腳、對側協調、手

腳開合跳，未來的研究中，可以針對這些動作進行探討，以完整涵蓋兩側

整合動作順序之評量內容。在視覺監控之部分，可以納入使用骨架或 3D

建模之研究，使得程式呈現更精細的結果。在電腦計分的部分，可以應用

更多種類的分類器，探討不同分類器對於診斷兩側整合動作順序之效能，

提升診斷正確率。除此之外，可以收集更多年齡層、不同男女，使用這些

資料來建立國內兒童感覺統合表現的資料庫，用來瞭解國內兒童在兩側整

合動作順序之發展情況，可以提供給更多的研究單位使用。

參考文獻

中文部分

吳昇光、林冠宏、蔡志權、蔡輔仁（2004）。我國七至八歲發展協調障礙

學童與健全學童體適能之比較研究。台灣適應體育運動學刊，1，1-14。

吳慧珉（2009），視覺監控電腦化實作評題之效度化研究。未出版之博士

論文，國立臺灣師範大學教育心理與輔導研究所，台北市。

林巾凱、林仲慧、林明慧、莊孟宜、簡錦蓉、李勇璋、林侑萱（2004）。

感覺統合功能評量表。台北：心理。

林巾凱、曾美惠 （2001）。小兒職能治療評估工具使用調查。台灣醫學，

5，636-644。

林訓緯（2006）。利用 PTZ 攝影機實現動態背景中特定物體之鎖定追蹤技

術。未出版之博士論文，國立交通大學電機與控製工程系所，新竹市

林國維（2005）。以視覺為基礎之步態分析。未出版之碩士論文，國立成

功大學電腦與通信工程研究所，台南市。

姚開屏（1997）。另一點不同的聲音：再談感覺統合治療。職能治療學會

雜誌，15，45-50。

范剛維（2007）

，智慧車側影像駕駛人輔助安全系統。未出版之博士論文，

國立交通大學電機與控製工程系所，新竹市。

曾世杰 （1995）

。談感覺統合：一點不同的聲音。特殊教育季刊，15，10-12。

曾美惠、楊千瑩修訂 （2009）。嬰幼兒感覺處理能力剖析量表（中文）。

台北：中國行為科學社。

楊勝雄（2005），3D 人體動作之分析與檢索。未出版之碩士論文，淡江大

學資訊工程學系，台北市。

鄭宇宏（2008），以紅外線影像為基礎的睡眠動作偵測系統。未出版之碩

士論文，中原大學電子工程研究所，中壢市。

詹正維、廖學華、郭伯臣、紀明宏（2005 年，10 月）。高維度資料辨識系

統。台灣地理資訊學會，台灣地理資訊學會年會暨學術研討會，逢甲

大學，台中市。

英文部分

Ayres, A. J. (1965). Patterns of perceptual-motor dysfunction in children: A

factor analytic study. Perceptual and Motor Skills, 20, 335-368.

Ayres, A. J. (1966). Interrelations among perceptual-motor abilities in a group

of normal children. American Journal of Occupational Therapy, 20(6),

288-292.

Ayres, A. J. (1969). Deficits in sensory integration in educationally

handicapped children. Journal of Learning Disabilities, 2, 160-168.

Western Psychological Services.

Ayres, A. J. (1977). Effect of sensory integrative therapy on the coordination of

children with choreoathetoid movements. American Journal of

Occupational Therapy, 31(5), 291-293.

Ayres, A. J. (1989). Sensory Integration and Praxis Tests. Los Angeles:

Western Psychological Services.

Bear, M. F., Connors, B. W., & Paradiso, M. A. (2001). Neuroscience:

Exploring the brain. Baltimore: Lippincott Williams & Wilkins.Bruininks,

R. H. (1978). Bruininks-Oseretsky Test of Motor Proficiency. Circle Pine,

MN: American Guidance Service.

Bundy, A. C., Lane, S. J., & Murray, E. A. (2002). Sensory Integration theory

and practice (2nd ed.). Philadelphia, Pennsylvania: Davis Company.

Gonzalez, R. C. and Woods, R. E. (2002). "Digital Image Processing", 2nd Ed.,

Prentice Hall.

Henderson, S. E., & Sugden, D. A. (1992). Movement Assessment Battery for

Children. London: The Psychological Corporation

Kuncheva, L.I. (2004). Combining Pattern Classifiers: Methods and lgorithms.

John Wiley & Sons, New Jersey.

Magalhaes, L. C., Koomar, J. A., & Cermak, S. A. (1989). Bilateral motor

coordination in 5- to 9-year-old children:A pilot study. The American

Journal of Occupational Therapy, 43(7), 437-443.

附錄一

前後點（前 30s 的表現）

右腳前後點

頭部：□不會側彎、□偶而、□經常 側彎

軀幹：□直立、□稍微彎曲往前傾、□彎曲、往前傾角度大

軀幹：□直立、□偶而、□經常彎曲、往前傾

軀幹：□不會側彎、□稍微側彎、□側彎較大

軀幹：□不會側彎、□偶而、□經常 側彎

軀幹：□不會轉動、□稍微、□轉動較大，無法維持正中位置，會偏一邊

軀幹：□不會轉動、□偶而、□經常轉動，無法維持正中位置，會偏一邊

軀幹：□固定角度、□偶而、□經常角度變化很大（忽大忽小）

軀幹：□不會跟著動作搖動、□偶而、□經常擺動、搖動 、或晃動

在右腳前點到最前面時，左腳腳掌是：□離地、□部分離地、□腳掌貼地

在右腳前點到最前面時：□重心可以挪到右腳、□偶而、□經常無法

在右腳前點到最後面時，左腳腳掌是：□離地、□部分離地、□腳掌貼地

在右腳前點到最後面時：□重心可以挪到右腳、□偶而、□經常無法

在右腳前點到最後面時：□可以落在左腳後面、□偶而、□經常無法

前點、後點時，兩腳的 間距：□差異不大、□偶而、□經常 差異很大

右腳前點時膝蓋是：□稍微彎曲、□偶而、□經常彎曲很大 or 伸直

右腳後點時膝蓋是：□伸直、□偶而、□經常彎曲

右腳前面落地的位置：□距離適中、□偶而、□經常 距離很小或很大

右腳前面落地的位置，可以在：□原點、□偶而、□經常 不在原點

右腳前面落地的位置，與後面：□可連成直線、□偶而、□經常連成斜線

右腳前面腳掌落地是擺成：□直的、□偶而、□經常 非直的

右腳前面落地：□點一下或一個位置、□偶而、□經常點兩下或兩個位置

右腳後面落地的位置：□距離適中、□偶而、□經常 距離很小或很大

右腳後面落地的位置，可以在：□原點、□偶而、□經常 不在原點

右腳後落地的位置，與前面：□可連成直線、□偶而、□經常連成斜線

右腳後面掌落地是擺成：□直的、□偶而、□經常非直的

右腳後面落地：□點一下或一個位置、□偶而、□經常點兩下或兩個位置

左腳的位置：□沒有移動、□偶而、□經常 會移動

右腳落點的位置：□沒有移動（位）

、□偶而、□經常 會移位、滑動

左腳腳掌擺成：□直的、□偶而、□經常斜的或翻動

作時：□沒有跌倒傾向、□偶而、□經常有跌倒傾向

腳是：□一前一後順序作、□順序亂掉

作時：□不會加入其他動作（如跳）

、□偶而、□經常 加入其他動作

作時：□過程中沒有停頓、□偶而、□經常 停頓

左腳前後點

頭部：□不會側彎、□偶而、□經常 側彎

軀幹：□直立、□稍微彎曲往前傾、□彎曲、往前傾角度大

軀幹：□直立、□偶而、□經常彎曲、往前傾

軀幹：□不會側彎、□稍微側彎、□側彎較大

軀幹：□不會側彎、□偶而、□經常 側彎

軀幹：□不會轉動、□稍微、□轉動較大，無法維持正中位置，會偏一邊

軀幹：□不會轉動、□偶而、□經常轉動，無法維持正中位置，會偏一邊

軀幹：□固定角度、□偶而、□經常角度變化很大（忽大忽小）

軀幹：□不會跟著動作搖動、□偶而、□經常擺動、搖動 、或晃動

在左腳前點到最前面時，左腳腳掌是：□離地、□部分離地、□腳掌貼地

在左腳前點到最前面時：□重心可以挪到左腳、□偶而、□經常無法

在左腳前點到最後面時，左腳腳掌是：□離地、□部分離地、□腳掌貼地

在左腳前點到最後面時：□重心可以挪到左腳、□偶而、□經常無法

在左腳前點到最後面時：□可以落在左腳後面、□偶而、□經常無法

前點、後點時，兩腳的 間距：□差異不大、□偶而、□經常 差異很大

左腳前點時膝蓋是：□稍微彎曲、□偶而、□經常彎曲很大 or 伸直

左腳後點時膝蓋是：□伸直、□偶而、□經常彎曲

左腳前面落地的位置：□距離適中、□偶而、□經常 距離很小或很大

左腳前面落地的位置，可以在：□原點、□偶而、□經常 不在原點

左腳前面落地的位置，與後面：□可連成直線、□偶而、□經常連成斜線

左腳前面腳掌落地是擺成：□直的、□偶而、□經常 非直的

左腳前面落地：□點一下或一個位置、□偶而、□經常點兩下或兩個位置

左腳後面落地的位置：□距離適中、□偶而、□經常 距離很小或很大

左腳後面落地的位置，可以在：□原點、□偶而、□經常 不在原點

左腳後落地的位置，與前面：□可連成直線、□偶而、□經常連成斜線

左腳後面掌落地是擺成：□直的、□偶而、□經常非直的

左腳後面落地：□點一下或一個位置、□偶而、□經常點兩下或兩個位置

右腳的位置：□沒有移動、□偶而、□經常 會移動

左腳落點的位置：□沒有移動（位）

、□偶而、□經常 會移位、滑動

右腳腳掌擺成：□直的、□偶而、□經常斜的或翻動

作時：□沒有跌倒傾向、□偶而、□經常有跌倒傾向

腳是：□一前一後順序作、□順序亂掉

作時：□不會加入其他動作（如跳）

、□偶而、□經常 加入其他動作

作時：□過程中沒有停頓、□偶而、□經常 停頓