視覺監控電腦化實作評量之效度化研究以感覺統合臨床觀察為例

全文

(1)第一章緒論本研究是以「感覺統合臨床觀察」為主要研究領域，從實作評量之觀點，探討使用視覺監控分析人物目標之姿勢動作並結合樣式辨識，應用於診斷受試者感覺統合障礙之有效性。本論文共分五章：第一章為緒論，第二章為文獻探討，第三章為研究設計與實施，第四章為結果與討論，第五章為結論與建議。本章將針對研究動機與目的、待答問題與研究假設、重要名詞界定、與研究限制逐一進行闡述。. 第一節研究動機與目的實作評量(performance assessment)是指在施測者所設定的情境脈絡中，受試者能將所欲測量之知識或技巧真實的呈現或應用，施測者透過歷程觀察或成品給與評分，而感覺統合臨床觀察的評量方式主要是請受試者實作一些姿勢動作，專家藉由觀察這些姿勢動作，如頭部之擺位、腿部之高度、姿勢動作之穩定度予以評分，而後再經由專家綜合分析，診斷受試者是否有感覺統合之障礙，就評量之內容而言，感覺統合臨床觀察之評量亦是一種實作評量。感覺統合治療目前在台灣各級醫院普遍被運用在治療發展遲緩、感覺統合障礙兒童、發展性協調障礙及其他障礙兒童。感覺統合治療模式也被普遍運用在學校系統，例如幼托園所、國民小學附設的知覺動作教室。教育與醫療界經常使用感覺統合策略在治療個案的姿勢動作、感覺調適障礙，但由於欠缺具有良好心理計量特性的篩檢工具，因此部份特殊教育界（Arendt, MacLean & Jr., 1988）及醫療界人士質疑感覺統合治療效果，甚至學術界對感覺統合的效用爭議不斷（姚開屏，1997），這可能是沒有良好的、標準化的篩檢、評量工具，造成無法正確診斷出感覺統合的障礙，因而無法設計出有效的治療活動，如能從實作評量之觀點，發展一套標準化且具有信度、效度的篩檢工具將可降低這一方面的爭議。根據林巾凱和曾美惠(2001)的研究顯示:台灣目前使用的感覺統合篩檢工具主 1.

(2) 要是引用美國的，兒童職能治療師經常使用（每週一次及每週數次）的非標準化評估工具中以粗動作/精細動作/認知發展量表（49%）為最多治療師所使用，其次為感覺統合臨床觀察（clinical observation）（37.7%）、感覺史（sensory profile）（33.2%）、日常生活問卷量表（activity daily of life questionnaire）（20.4％）。這些評量工具中與感覺統合有關且常被使用的是感覺統合臨床觀察及感覺史兩種。在評量工具的發展，類似感覺史的評量工具目前國內已有曾美惠（曾美惠， 1998）及林巾凱（林巾凱等人，2004）發展本土版的施測工具，主要是讓評量者可以瞭解各種功能障礙發生在日常生活的那些層面，然而重要的感覺統合臨床觀察評量工具可以篩檢個案是否有前庭、本體功能上的障礙卻還沒有本土化的評量工具，而且感覺統合臨床觀察篩檢工具有不少的兒童治療師在使用，但其信度、效度之特性及篩檢的正確性還未有此方面的研究，因此從高使用率及缺乏良好心理計量特性的篩檢工具的角度而言，發展一套本土化感覺統合臨床觀察評量工具是有其必要性的。目前國內醫院常使用感覺統合評估工具是由美國發展出來的南加州感覺統合測驗（Southern Califonia Sensory Integration Tests：SCSIT）與感覺統合運用測驗（Sensory Integration and Praxis Tests：SIPT）施測一次分別需要台幣 4000 及 5000 元，而且施測時間長達 1.5 至 2 小時。健保局並沒有給付這兩項評量費用，家長需要自費才能接受服務，而這是普通家庭無法負擔的費用。且這兩套感覺統合評估工具是屬於精細的評量工具，主要的功能是將感覺統合障礙作分類，故其評量目的不是為了篩檢而是將感覺統合障礙作分類。另外一方面對一個業務繁多的臨床部門要進行一套複雜施測，需要專人另外安排時間施測再以人工計分、人為診斷，這是很不經濟、沒有效率的。感覺統合臨床觀察的評量需仰賴專家，施測者需同時注意施測程序、擺位、動作、多重的計分或標準化，常會使施測者手忙腳亂，會有顧此失彼的情形產生，且施測者只能從單一角度觀察受試者，常會有受試者動作遮蔽的困擾。現今電腦技術發達，電腦硬體設備越來越平價，影像分析技術也日趨成熟，如能利用不同 2.

(3) 角度之攝影機收集受試者資訊、再由電腦協助計分、診斷，不但能降低施測時間、減少施測人力成本，更能藉助不同角度攝影機同時拍攝受試者之優勢，降低從單一角度觀察受試者會有遮蔽之限制，且電腦具有快速分析複雜資料的特性，對受試者能作更精確的診斷，故發展感覺統合臨床觀察電腦化評量工具將可減少人力、物力、財力及時間的浪費。醫療復健整合電腦技術在評量上是很少的。目前運用較多的是 Vicon 系統， Vicon 已經運用在精細動作、步態分析等，在復健訓練有極大的參考價值。然而 Vicon 是一個非常昂貴的研究設備，一套售價約五百萬元，大部分的單位是沒有足夠的經費預算購買，目前國內的使用大部分是在研究上，無法大量運用在臨床或教育的評量上，而研究顯示：感覺統合障礙兒童約有 5～18％的盛行率（Ayres, 1972; Ayres & Marr, 1991），其盛行率遠超過使用復健及特教資源甚多的腦性痲痹兒童（盛行率千分之一至二（Hutton & Pharoah, 2002）），且現在普遍上感覺統合障礙兒童的家長經常對小孩是否有感覺統合障礙是相當疑惑的、不清楚的，如能透過較平價的電腦化評量工具，大量的篩檢，達到早期發現、早期診斷、早期治療，以充分發揮兒童的發展潛能，之後亦可透過此電腦化評量工具，收集大量的樣本資料，建立我國兒童在感覺統合臨床觀察之資料庫，故本研究希望發展一個電腦化的評量工具，並且可以普遍運用在臨床上。綜上所述，國內在感覺統合治療方面主要有下列困境：一、欠缺一套標準化且具有信度、效度之篩檢工具，使得各界對於感覺統合效用爭議不斷。二、高使用率，卻沒有一套本土化之感覺統合臨床觀察篩檢工具。三、施測費用高昂，一般家庭難以負擔。四、仰賴專家評量，會有多重注意力的限制且耗費人力。五、高發生率卻無法大量篩檢，早期發現，早期治療。為了解決這些困境，本研究最主要的目的是從實作評量之觀點，發展一套本土化具信度、效度之感覺統合臨床觀察電腦化評量工具，藉由電腦視覺監控機制 3.

(4) （visual surveillance）（圖 1-1 所示），由三台攝影機，從不同角度拍攝受試者之「趴姿伸直」與「臥姿彎曲」兩種姿勢動作，避免由單一角度觀測之視野遮蔽問題，人物之視覺監控分析流程如圖 1-2 所示。本研究之環境模式主要是使用 2D 影像模式，「動作分割」使用背景去除與影像濾波擷取影像訊息，另外由於本研究影像畫面內容只有單一受試者，故省略「動作分類」步驟，在「追蹤」步驟，主要是追蹤人物目標在影像序列之位置變化，再搭配人物動作之樣式辨識，最後將從三台攝影機蒐集之訊息融合，診斷受試者之姿勢動作。. 攝影機1 伺服器. E. F. A. 攝影機2. B H. D. G. C. 攝影機3 圖 1-1 使用電腦視覺監控系統，從不同角度分析受試者姿勢動作. 4.

(5) 上方攝影機. 側面攝影機. 正面攝影機. 環境模式. 環境模式. 環境模式. （固定式攝影機 2D. （固定式攝影機 2D. （固定式攝影機 2D. 影像模式）. 影像模式）. 影像模式）. 動作分割. 動作分割. 動作分割. （背景去除法、影. （背景去除法、影. （背景去除法、影. 像濾波）. 像濾波）. 像濾波）. 追蹤. 追蹤. 追蹤. （記錄人物上方影. （記錄人物側面影. （記錄人物正面影. 像之位置訊息）. 像之位置訊息）. 像之位置訊息）. 上方人物動作之. 側面人物動作之. 正面人物動作之. 樣式辨識. 樣式辨識. 樣式辨識. （特徵選取、分類）. （特徵選取、分類）. （特徵選取、分類）. 多台攝影機的訊息融合. 圖 1-2 本研究使用之電腦視覺監控人物分析架構. 本研究所發展之評量工具特點如下：一、使用電腦視覺監控機制，從不同角度觀察受試者之姿勢動作，收集更豐富的受試者訊息。二、搭配計分模式，自動計分，減少因人為計分失誤而診斷錯誤之情況。三、縮短施測時間，減少施測人力。四、透過電腦能儲存大量資料之特性，建立國內4-6歲兒童感覺統合表現資料庫。五、使用平價設備，能降低施測費用，大量篩檢，普及應用於臨床需要。 5.

(6) 欲達成上述目標，本研究目的條列如下：一、編製一份適合 4 至 6 歲學童之「感覺統合臨床觀察電腦化評量工具」。二、建置「感覺統合臨床觀察電腦化評量工具」系統。三、針對 4 至 6 歲兒童在趴姿伸直、臥姿彎曲的表現，建立資料庫。四、探討不同背景之 4 至 6 歲兒童在趴姿伸直與臥姿彎曲量的表現之差異情形。五、探討不同背景之 4 至 6 歲兒童在趴姿伸直與臥姿彎曲質的表現之差異情形。. 6.

(7) 第二節待答問題與研究假設. 一、待答問題根據上述的研究目的，本研究將探討下列問題： 1-1.本研究所發展之感覺統合臨床觀察電腦化評量工具之信度？ 1-2.從實作評量之觀點，探討感覺統合臨床觀察電腦化評量工具之效度？ 2-1.使用視覺監控實施感覺統合臨床觀察評量時，所需之硬體環境如何建置? 2-2.哪一種分類器在姿勢動作之重要觀測向度(頭部、胸部、手部、腳部、穩定部、協同部)具有較高之診斷正確率? 2-3.哪一種資料型態在姿勢動作各重要觀測向度(頭部、胸部、手部、腳部、穩定部、協同部)之訊息融合時，具有較高之診斷正確率? 2-4.哪幾個重要觀測向度(頭部、胸部、手部、腳部、穩定部、協同部)之訊息融合時，具有較高之診斷正確率? 3-1. 四至六歲兒童在趴姿伸直、臥姿彎曲的表現資料庫之欄位如何規劃？ 4-1.四歲至六歲兒童在感覺統合臨床觀察評量之趴姿伸直與臥姿彎曲「量的表現」是否有年齡層之差異？ 4-2.四歲至六歲兒童在感覺統合臨床觀察評量之趴姿伸直與臥姿彎曲「量的表現」是否有性別之差異？ 4-3.四歲至六歲兒童在感覺統合臨床觀察評量之趴姿伸直與臥姿彎曲「量的表現」是否有所在地區之差異？ 4-4.四歲至六歲兒童在感覺統合臨床觀察評量之趴姿伸直與臥姿彎曲「量的表現」是否有感覺統合功能表現類別之差異？ 5-1.四歲至六歲兒童在感覺統合臨床觀察評量之趴姿伸直與臥姿彎曲「質的表現」是否有性別之差異？ 5-2.四歲至六歲兒童在感覺統合臨床觀察評量之趴姿伸直與臥姿彎曲「質的表現」 7.

(8) 是否有所在地區之差異？. 二、研究假設本研究基於研究目的四、五，為回答待答問題，提出以下的假設，作為統計考驗的依據。假設 1 不同背景變項的受試者在趴姿伸直之量的表現有顯著差異。假設 1-1 不同年齡層的受試者在趴姿伸直之量的表現有顯著差異。假設 1-2 不同性別的受試者在趴姿伸直之量的表現有顯著差異。假設 1-3 不同地區的受試者在趴姿伸直之量的表現有顯著差異。假設 1-4 不同感覺統合功能表現類別的受試者在趴姿伸直之量的表現有顯著差異。假設 2 不同背景變項的受試者在臥姿彎曲之量的表現有顯著差異。假設 2-1 不同年齡層的受試者在臥姿彎曲之量的表現有顯著差異。假設 2-2 不同性別的受試者在臥姿彎曲之量的表現有顯著差異。假設 2-3 不同地區的受試者在臥姿彎曲之量的表現有顯著差異。假設 3 不同背景變項的受試者在趴姿伸直之質的表現有顯著差異。假設 3-1 不同性別的受試者在趴姿伸直之質的表現有顯著差異。假設 3-2 不同地區的受試者在趴姿伸直之質的表現有顯著差異。假設 4 不同背景變項的受試者在臥姿彎曲之質的表現有顯著差異。假設 4-1 不同性別的受試者在臥姿彎曲之質的表現有顯著差異。假設 4-2 不同地區的受試者在臥姿彎曲之質的表現有顯著差異。. 8.

(9) 第三節名詞界定. 一、視覺監控本研究之視覺監控是指藉由三台攝影機，分別從側面、上面、正面三個不同角度拍攝受試者之姿勢動作，蒐集受試者在不同角度姿勢動作之影像資料。從實作評量的觀點，此影像資料即受試者參與感覺統合臨床觀察評量產出之成品 (product)，可作為電腦計分及專家計分之用。. 二、感覺統合感覺統合是指身體的各感官刺激，如視覺、聽覺、觸覺、前庭感覺（對抗地心、頭部位置的改變、加速、減速、直線運動）、本體感覺（肌肉出力多寡的狀態、關節的位置感、關節的主動、被動的動作、運動覺），促使神經系統能學習去組織、整合各種的感覺輸入，使肢體能被成熟的運用並發揮功能，而達到神經系統成熟發展的目標。本研究感覺統合之理論是以 Bundy, Lane & Murray（2002）所提出感覺統合理論架構為基礎。. 三、感覺統合障礙 Bundy et al.（2002）將大腦的神經感覺整合行為分成七個向度（姿勢動作、兩側整合動作協調、感覺區辨、感覺調適、肢體感覺運用、注意力與活動量、情緒行為及人際關係），任一個向度的功能產生問題，則造成外顯行為表現異常，即所謂感覺統合障礙。這七個向度中，與本研究有關的是姿勢動作向度，臨床上常透過觀察的方式診斷兒童是否有此方面之障礙，本研究之感覺統合障礙分為兩類:感覺統合功能正常、感覺統合功能障礙。. 9.

(10) 四、姿勢動作姿勢是指身體在某一個時刻所採取的一個位置，肢體間的相關角度、或骨頭間的相互排列相關。動作是由一個姿勢轉換到另一個姿勢的過程，或是產生關節角度變化的，或是肢體移動離開原來的位置。姿勢動作是一群能力的各種表現，這一群能力包括肌肉張力、近端關節穩定度、趴姿伸直、臥姿彎曲、平衡等。本研究中的姿勢動作是指「趴姿伸直」、「臥姿彎曲」兩個動作。. 五、診斷正確率感覺統合臨床觀察電腦計分模式之分類結果與專家效標進行比對，計算診斷正確率，計算公式如下:. 表1-1 專家診斷與本研究評量工具評量的表現等級人數分配專家診斷. 障礙. 正常. 障礙. A. C. 正常. B. D. 本研究工具. 診斷正確率=(A+D)/N 其中. A:專家診斷正常且本研究工具亦診斷正常之人數。 B:專家診斷障礙且本研究工具亦診斷障礙之人數。 N：測試樣本之人數。. 六、質的表現受試者在趴姿伸直與臥姿彎曲前30秒之頭部、胸部、手部、腳部、協同性、穩定度、綜合整體之表現類別(感覺統合功能正常、感覺統合功能障礙)，稱為質的表現。. 10.

(11) 七、量的表現受試者在趴姿伸直與臥姿彎曲之持久度，即受試者從開始施測到停止施測(頭部、手部或腳部落地)之時間，稱為量的表現。. 11.

(12) 第四節研究範圍與限制. 一、研究樣本方面本研究考量到人力與時間之限制，研究樣本的選取僅以台中市、彰化縣之幼稚園為主，以4至6歲兒童人口作立意取樣，共收集239名受試者作為「感覺統合臨床觀察電腦化評量工具」資料庫的樣本，可能會對於姿勢動作之表現類別(感覺統合功能正常、感覺統合功能障礙)之診斷推論造成影響。. 二、研究素材方面姿勢動作包括肌肉張力、近端關節穩定度、趴姿伸直、臥姿彎曲、平衡等。本研究僅先對姿勢動作中的趴姿伸直、臥姿彎曲發展感覺統合臨床觀察電腦化評量工具，其他向度則有待後續研究進行探討。. 三、研究應用方面本研究使用標記截取法時，為了有效收集受試者在姿勢動作表現之影像資料，請受試者穿著特殊訂製之服裝，造成評量時間較長且評量經濟成本增加而且可能會降低兒童受試意願，未來宜發展更簡便的標記方式，減輕受試者之負擔。. 12.

(13) 第二章文獻探討. 本研究的主要目的從實作評量之觀點，以感覺統合臨床觀察為研究領域，搭配電腦化之計分模式，發展一份具信、效度之感覺統合臨床觀察電腦化評量工具。因此，本章之文獻探討中第一節實作評量之設計原則與效度議題，主要探討實作評量之設計原則和效度議題；第二節感覺統合理論與姿勢動作，探討本研究欲發展的診斷工具的理論基礎及感覺統合臨床觀察評量與姿勢動作、姿勢張力間的關係。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。第四節綜合分析，探討前三節文獻於本研究之應用。. 第一節實作評量之設計原則與效度議題一、實作評量的本質實作評量自 1980 年興起，實作評量可能要求學生需完成一項複雜之任務，如演奏一項樂器、完成一項實驗、參與一場討論、創作一首詩等，這些任務都需要學生運用高層次之推論或問題解決之能力，因而實作評量被認為是可以直接測量學生高層次思考或推論之工具，藉由實施實作評量，能改善學生之學習成就，亦能鼓勵教師改變教學策略和技巧，讓教師教學時能著重於培養學生推論、問題解決或溝通之能力，故當時實作評量被視為是教育改革之重要工具。然而，測量學生高層次之思考或問題解決能力並非實作評量之必要條件，而是依賴於施測者所感興趣之學生表現而決定。如教師想要瞭解學生是否會使用直尺，要求學生測量一個物體，教師藉由直接觀察瞭解學生是否會使用直尺，這也是一種實作評量 (Suzanne & Clement, 2006 )。本研究對於實作評量是採取此種觀點，即實作評量不一定要測量複雜的認知技巧，而是依賴於研究者所感興趣之測量構念 (construct) ，本研究之測量構念是受試者實作一些姿勢動作(趴姿伸直、臥姿彎. 13.

(14) 曲)，藉由評量這些姿勢動作，診斷受試者是否有感覺統合之障礙，是屬於過程評量。以下是學者對於實作評量之定義：實作評量可視為是在需實作的領域中之一表現樣例(sample)，此一樣例包含某一領域期待之計分結果之解釋、實際表現。實作評量的特徵是實際觀察得到受試者之表現與施測者所感興趣之表現，兩者之間的相似程度(Kane, Crook & Cohen, 1999). 二、實作評量的設計實作評量之設計，一開始先設計概念架構(conceptual framework)，包含所欲測量之構念、評量之目的、想要從評量結果表現進行之推論，在概念架構下，發展出測驗規格(test specification)，測驗規格描述內容、認知歷程、任務(tasks)之心理特質和測驗實施的相關訊息，再以良好之概念架構和測驗規格為基礎，設計評量任務和計分準則。 (一) 概念架構概念架構主要是定義所欲測量之特質，實作評量之設計主要有兩種取向：一為以構念為中心之取向(construct-centered approach)，一為以任務為中心之取向 (task-centered approach) (Suzanne & Clement, 2006 )。在以構念為中心之取向中，構念主要是由複雜之知識、技巧或施測者所欲測量之特質所界定，而後定義哪些表現或行為可以引出這些構念。在此種取向中，構念引導測驗規格、計分準則和任務設計。當所欲評量之特質是像「藝術創造力」這種特質時，則以任務為中心之取向是較適當之選擇，因為像「創造力」這種能力常無法事先界定清楚，但可透過計分準則呈現「創造力」之能力。本研究所欲評量之構念可事先定義清楚，故本研究是以構念中心為取向，設計感覺統合臨床觀察之實作評量。 (二) 測驗規格與任務設計測驗規格反應所欲測量之認知歷程層次、本質和內容。內容和認知歷程之權重、評量設計者所想要的任務之心理特質亦包含於測驗規格中。除此之外，測 14.

(15) 驗規格還需有實施測驗時之相關訊息，像測驗指導語、測驗時間、個人進行或團體合作、是否可以自行選擇任務等。測驗規格也需描述計分程序或準則之本質，以讓所定義之構念、任務、和計分方法之間彼此具有一致性。任務設計時，需依循測驗規格、評量目的，且需考慮受試對象和所欲呈現之分數解釋。. 三、實作評量之效度效度概念指的是測驗分數推論的意義、適當及有用之情況（Messick, 1989），實作評量被視為能直接測量所欲測量之構念，Suzanne et al.(2006)舉出四種可能威脅分數解釋效度的來源，將之定義為構念無關之變異(construct-irrelevant variance)，分別是：提供受試者可選擇之任務、評分者使用不相關之計分準則評分、電腦自動計分歷程、動機。構念無關之變異顯示除了施測者所欲測量之構念外，一些不相關之構念也被測量。 (一)提供受試者可選擇之任務構念無關之變異可能發生於受試者被賦予任務選擇權時，有學者認為當受試者被賦與任務選擇權時，他們能選擇自己熟悉之測驗情境，因而會比直接賦於任務有較良好之表現 (Powers, Fowles, Farnum & Gerritz, 1992)。但也有學者認為提供選擇權不只測量到所欲測量之學生能力，也測量到學生是否會選擇對自己有利的任務之能力，在此種情況下，提供選擇權就是與構念無關之變異來源(Wainer, Wang & Thissen, 1994)。故提供學生任務選擇權對於效度之影響還需更進一步之研究，而本研究中，每位受試者所被賦予之評量任務都相同，並未提供學生選擇權。 (二)評分者使用不相關之計分準則評分當評分者使用無法反應計分準則或跟所欲測量之構念不相關之特質評分時，構念無關之變異就可能發生。例如評分者根據文章之長度、字體之美醜或性別評分，這是使用人為評分時，可能會發生之情況。本研究擬使用視覺監控之方式，記錄受試者之評量表現，並搭配電腦計分降低此部分之干擾。 15.

(16) (三)電腦自動計分歷程當使用電腦自動計分代替專家評分時，可能會產生與構念無關之變異。電腦計分歷程之效度研究著重於比較專家評分和透過電腦自動計分兩者之相關情形。研究顯示專家評分和電腦自動計分兩者之相關約介於 0.8～0.9 之間(Breland, Bridyeman & Fowles, 1999)。兩者相關越高則使用電腦自動計分代替專家評分時，可能會產生與構念無關之變異就會降低。本研究擬透過建立「專家效標」之方式，探討本研究所發展之電腦自動計分系統和透過專家評分兩者之差異情形。 (四)動機受試者會因為試題的形式，如建構反應題或選擇題，或是測驗的風險而影響其測驗結果之表現，當測驗的風險增高時，受試者在開放式的題型會比在選擇題有更好之表現(DeMars, 2000)。本研究中，主要是請受試者實作姿勢動作，為了，在評量的過程中，以口頭鼓勵(你好棒!好厲害!)及贈送小禮物之方式，提升受試者之動機。. 16.

(17) 第二節感覺統合理論與姿勢動作一、感覺統合理論感覺統合是指身體的各感官刺激，如視覺、聽覺、觸覺、前庭感覺（對抗地心、頭部位置的改變、加速、減速、直線運動）、本體感覺（肌肉出力多寡的狀態、關節的位置感、關節的主動、被動的動作、運動覺），促使神經系統能學習去組織、整合各種的感覺輸入，使肢體能被成熟的運用並發揮功能，而達到神經系統成熟發展的目標。根據 Bundy, Lane & Murray (2002)完成的感覺統合理論架構，如圖 2-1，將大腦的神經感覺整合行為分成七個向度：姿勢動作、兩側整合動作協調、感覺區辨、感覺調適、肢體感覺運用、注意力與活動量、情緒行為及人際關係，任一個向度的功能產生問題，則造成外顯行為表現異常，即所謂感覺統合障礙。感覺統合障礙發生於一般智商正常的小朋友，甚至是在智商高的兒童。兒童因為在感覺處理的功能上產生障礙，導致無法發揮潛能而呈現學習效果不佳。這七個向度中，與本研究有關的是姿勢動作向度，本研究探討感覺統合最基本、最重要的能力也就是姿勢動作向度。姿勢動作是一個抽象構念，代表一群能力的各種綜合表現，這一群基本能力包括肌肉張力、近端關節穩定度、趴姿伸直、臥姿彎曲、平衡等能力(Bundy, et al., 2002; Fisher, Murry & Bundy, 1991)。. 17.

(18) 感覺調適障礙. 中樞神經系統感覺整合. 運用障礙. 嫌惡反應笨拙兩側整合動作. 視覺. 易分心. 防禦反應. 活動度. 觸覺. 注意力. 聽覺. 與活動量. 視覺. 前庭感覺. 姿勢動作. 本體感覺. 逃避現象感覺區辯肢體障礙. 觸覺. 退縮低反應. 順序（前饋依賴）. 邊緣系統. 重力不安全感網狀活化系統. 逃避. （前饋-回. 動作誇. 饋依賴）. 張或力量不足. 聽覺. 感覺搜尋情緒行為及人際關係. 感覺系統. 圖 2-1 感覺統合理論架構模式圖-重要變項間的因果關係註：Bundy, Lane & Murray (2002). Sensory Integration theory and practice (2nd ed.). Philadelphia, Pennsylvania: Davis Company.. 二、趴姿伸直與臥姿彎曲之重要性姿勢動作是一群能力的各種綜合表現，而這一群能力包括肌肉張力、近端關節穩定度、趴姿伸直、臥姿彎曲、平衡等。而它們之間的彼此關係為何？首先由姿勢的定義說明之。姿勢是指身體在某一個時刻所採取的一個位置、肢體間的相關角度、或骨頭間的相互排列相關（胡名霞、林慧芬，1994；廖華芳，2004）。 18.

(19) 動作是由一個姿勢轉換到另一個姿勢的過程(Gardiner, 1979)，或是產生關節角度變化的，或是肢體移動離開原來的位置。因此動作與姿勢是息息相關。肌肉張力是指肢體在被動關節活動作上所產生的阻力，而阻力的產生是因為被動與不隨意的主動力量而產生(Gurfinkel, Cacciatore, Cordo, Horak, Nutt & Skoss, 2006)。四肢的肌肉附著點在骨骼上，關節旋轉大致上會引起肌肉長度成正比的改變，因此測量四隻的肌肉張力可以直接以肌肉附著的肢體直接測量阻力。過去的肌肉張力研究是從大腦及脊髓截段的動物實驗方式著手(Magnus, 1924; Sherrington, 1898, 1909, 1915)。因此早期的研究認為肌肉張力是肌肉受力時的活動，其特徵是易受到反射意志的干擾，對於頭部位置相當敏感（如頸部張力、前庭反射的影響），具有可塑性。肌肉透過拉長反應(lengthening reaction)及縮短反應(shortening reaction)表現其可塑性，並且肌肉緊張(tension)程度不會發生變化。當肌肉被拉長時會產生張力降低的拉長反應。相對的，當肌肉長度縮短時會產生張力升高的縮短反應(Sherrington, 1909)。四肢的肌肉張力已經長久的被研究，主要是因為大部分的動作障礙會合併著肌肉張力的問題，因此有其臨床上的價值，然而軀幹、近端肢體的肌肉張力又如何呢？近端肢體的肌肉因為解剖結構、神經支配、功能與四肢肌肉皆不同，因此肌肉張力的分佈、控制形式是與四肢肌肉是不同的。肢體中軸部位的肌肉(axial muscles)結構是複雜的，起始點可能是在脊柱、骨盆腔、肋骨、肩關節盂(shoulder girdle)，有許多的中軸部位肌肉長度是很長的，跨過許多的關節、骨骼，大部分分佈於頸部、軀幹、臀部。而且大部分的肌束與脊柱形成各種不同的角度。中軸肌肉負責維持肢體的姿勢，在活動中提供遠端所需要的穩定度，因此中軸肌肉所產生的肌肉張力是為姿勢張力(postural tone)，而中軸肌肉包含了軀幹背部、腹部的肌肉，也就是本研究的研究主題軀幹所做出的趴姿伸直、臥姿彎曲的動作。而軀幹背部肌肉及腹部肌肉共同收縮可以維持人體的穩定度。姿勢張力在人體的中軸區域扮演一個重要的角色，因為中軸連接四肢、頭，使他們形成一. 19.

(20) 個功能單位以維持靜態姿勢、並做出複雜的動作(Gurfinkel et al., 2006)，完成各種不同的工作任務。姿勢張力提供了姿勢穩定度，而姿勢穩定度與姿勢控制之間的關係是如何呢？姿勢穩定度是在動作過程中或靜態姿勢時人體有能力將身體質量中心維持或控制在底面積的範圍內，以致於不會跌倒完成動作(Westcott, Lowes & Richardson, 1997)，或是指維持身體質量中心與穩定限度內的能力，也就是穩定在身體的支持底面積範圍內(Shumway-Cook & Woollacott, 2001)，以避免跌倒及完成所要完成的工作。平衡是維持姿勢穩定度所產生的結果，或是指將重心維持在身體底面積上，姿勢穩定度與平衡有密切的相關（廖華芳，2004）。在靜態姿勢維持姿勢的能力是為靜態平衡。在動作過程中維持姿勢的能力的是為動態平衡。姿勢控制是指控制或維持身體在空間的姿勢，以穩定肢體及作身體的定向(Shumway-Cook & Woollacott, 2001)。人體複雜的動作有賴肌肉間的協調作用，而協調作用需要穩定度與活動度的整合，動作的速度與動作的方向會影響穩定度(Granata & England, 2006)，而肢體的穩定度也會影響動作的品質、速度與協調。因此從姿勢張力與姿勢穩定度、靜態與動態平衡、姿勢控制間的相互關係，可以知道他們對動作執行的貢獻，更可見姿勢張力的重要性。姿勢張力是動作與平衡的基礎。當個體伸手出去取物時，身體中軸肌肉比遠端肢體肌肉張力的改變先發生(Stephenson, 1993)，可見遠端肢體提供動作時需要穩定度，因此在動作的過程中不可以忽視張力的重要性。因此肌肉張力、近端關節穩定度、趴姿伸直、臥姿彎曲、平衡皆有關連，息息相關。而中軸肌肉在軀幹的背側與腹側可以使人體做出趴姿伸直、臥姿彎曲的動作，並且負責人體的姿勢張力，而本研究因為人力、時間、設備等限制本計畫先針對姿勢動作中的趴姿伸直、臥姿彎曲發展出感覺統合臨床觀察電腦化評量工具。. 三、感覺統合姿勢動作障礙如果姿勢動作能力差，特別是在趴姿伸直、臥姿彎曲的表現能力不足可能 20.

(21) 代表著個案有某些方面的障礙，例如感覺統合障礙(sensory integration dysfunction)、發展性協調障礙(Developmental Coordination Disorder,簡稱 DCD)、發展性運用症(developmental apraxia)、發展性感覺動作失調(developmental sensorimotor dysfunction)、發展性笨拙(developmental clumsiness)、笨拙兒童 (clumsy child)、知覺動作失調(perceptual motor dysfunction)、非語文型學習障礙 (nonlanguage learning disbility)(Fisher, Mixon & Herman, 1986; Frank & Earl, 1990; Horak, Shumway-Cook, Crowe & Black, 1988)、注意力-動作控制-知覺缺陷 (Deficits of attention, Motor control and Perception,簡稱 DAMP)等等。美國 DCD 的盛行率有 5～6%。而在臺灣的研究，7、8 歲兒童的盛行率也是大約 5～6%，而 9~10 歲的兒童其盛行率高達 17.9%（吳昇光、林冠宏、蔡志權、蔡輔仁，2004）。近年來國內也對這類族群逐漸有許多的研究，包括盛行率、評估工具的發展、障礙問題的類型及治療策略的研究。1994 年由美國精神科學會(American Psychiatric Association)所訂的 DSM-IV 手冊(Diagnostic and Statistical Manual)中列出對「發展協調障礙」這個名詞的定義，而其中指出：「在需要運動協調的日常活動中，表現顯著低於其生理年齡、所測得的智能預期應有的水準。運動里程碑的顯著延遲、笨拙、書寫不佳等方面，且顯著妨害其學業成就或日常生活的活動。非一般性醫學狀況所造成，也不符合廣泛性發展疾病的診斷準則。這類的小孩缺乏處理應付每天生活所需要的動作能力。當感覺統合姿勢動作有障礙時會影響日常生活、學業能力，例如作事情懶洋洋，總是要手去支撐頭、或靠在桌面上、椅背上或用腳鉤住椅腳，站著的時候喜歡找牆壁靠著、或者是靠在媽媽身邊。近端是指靠近身體中軸線的部位，而近端關節是指靠近身體中軸線的關節，如頸部、軀幹、肩、腰、骨盆等關節。如果動作啟動前、開始、過程中，近端關節無法提供適當的穩定度，遠端肢體在進行動態活動時，會容易搖晃無法穩定，造成動作不精確、或協調不佳的情形。平衡不佳時容易跌倒、動作呈現笨拙、滑稽的現象(Dunn, 1994; Dunn & Brown,1997; Dunn, Myles & Orr, 2002; Watling, Deitz & White, 2001)。個案也可能因為姿勢張 21.

(22) 力低無法長時間維持姿勢，因此在課堂上坐著聽講教師上課時，肢體就呈現出不斷變換姿勢的情形，造成無法注意力集中在教師上課的內容，甚至較嚴重的個案無法維持靜態的坐姿，而必須離開座位站起來走動，這會造成教師班級經營的困難，而學童的學習能力、學習效果也會大幅度的降低，造成學習困難，甚至學習障礙(Mangeot, Miller, McIntosh, McGrath-Clarke, Simon & Hagerman, 2001)。有些學童會因為被限制在固定的座位上，而影響情緒，或造成人際關係上的危機。姿勢動作是一個很基本、而且重要的能力，會影響到其他的層次的發展。根據圖2-1可以看出感覺統合障礙可以分為運用障礙(dyspraxia)與感覺調適障礙(sensory modulation disorder)兩類（Bundy et al., 2002）。運用障礙是屬於一種動作、動作計畫上的障礙，也是跟本研究所要探討的主題（姿勢動作）是有關連的。姿勢動作障礙會造成肢體兩側整合動作順序障礙。另外如果個案的前庭、本體感覺加上觸覺系統有障礙則會產生肢體感覺運用障礙。因此姿勢動作障礙是感覺統合障礙的基本型，感覺統合障礙的兒童幾乎有姿勢動作障礙。姿勢動作有障礙的兒童，不僅是本身的肢體姿勢動作上欠佳，可能還會影響到其他的表現，如造成肢體兩側協調無法發展不好，兩手、兩腳、手腳、手與身體、腳與身體的協調不佳，特別是在快速動作的時間、空間的反應不佳。姿勢動作不佳身體的肢體感覺受影響，再加上觸覺系統辨識功能有障礙時，會影響兒童的動作計畫能力，無法藉由肢體的動作反映大腦的動作命令，造成心智-動作連結的困難，對一連串的動作、慢速、快速的動作反應不佳，因此可見姿勢動作是一個重要且基本的能力。. 四、相關評量工具的研究趴姿伸直、臥姿彎曲已經被廣泛的運用在感覺統合障礙的臨床觀察。前庭系統障礙的評量項目除了趴姿伸直抬起、臥姿彎曲動作外，還有閉眼單腳站立、旋轉後眼球震顫測驗(Harris, 1981)。職能治療師在醫療機構、學校、社區經常處理兒童的感覺統合問題，而感覺介入佔了所有障礙問題處理的百分之八十，幾乎所有的障礙類別皆有可能會發生姿勢張力的問題(林巾凱等人，2001)。職能治療師在兒童感覺處理方面所使用的標準化評量工具是南加州感覺統合測驗 (SCSIT)，這是一套最早發展出來評量兒童感覺統合知覺反應能力的測驗工具 22.

(23) (Ayres, 1972)，測量的感覺系統項目包括視覺、前庭-本體覺、觸覺、運動覺等的肢體感覺。Ayres (1989)根據SCSIT的缺點發展另外一套更精準的評量工具：感覺統合運用測驗(SIPT)，測驗的項目除了包含SCSIT中的感覺系統，還增加了感覺動作計畫能力的檢測。然而這兩套評量工具是屬於精細的評量工具，主要的功能是將感覺統合障礙作分類，故其評量目的不是為了篩檢而是將感覺統合障礙作分類，故這兩套評量工具沒有設計趴姿伸直、臥姿彎曲的測量，施測者必須再以臨床觀察(clinical observation)兒童的趴姿伸直、臥姿彎曲的表現，輔助判斷是否有感覺統合障礙。國內最常用的臨床觀察評估工具的計分方式是以維持姿勢的秒數作為計分的標準，一分：無法做出趴姿伸直動作，二分：很努力的維持趴姿伸直的動作，三分：可以維持20～30秒(林巾凱等人，2001)，此種計分方式沒有質的評估，例如兩位皆得到二分的兒童，其表現可能是非常不同的，皆可以維持住此姿勢，但是頭部、肩膀、大腿、膝蓋的伸直反應可能是大不相同，此臨床觀察評量工具缺乏信、效度，因此美國學者致力於改善這些評估的缺點，如建立趴姿伸直動作之常模，使施測者能瞭解兒童趴姿伸直的能力表現，在同年齡層中所佔的百分位數、標準差、或是T值等，以作為診斷判斷的依據，並且作為感覺統合運用測驗評量時的輔助評量工具，研究的計分方式皆是看頭、肩膀、大腿、膝蓋的表現作為質的計分的標準。(Bowman & Katz, 1984; Bundy & Fisher, 1981; Gregory-Flock &Yerxa, 1984; Harris, 1981; Sakemiller & Nelson, 1998) Harris (1981)為了瞭解趴姿伸直動作是否有量與質發展的趨向，以 4、6、8 歲共 84 位兒童為對象進行研究，控制社經地位在中等至中上，並排除年級落後的，智商不在中等或中上的，沒有適當的閱讀、數學、拼字能力的，沒有適當的發展水準的、有癲癇狀況的、神經功能失常、或其他的醫學症狀或者有活動行為的皆予已排除，測量兒童在此姿勢下所維持的時間，還測量維持此姿勢質的表現，包括擺位、頭部、上軀幹、大腿、膝蓋、維持時的表現等六大部分。計分方式分為 0、1、2 分，擺位方面如果是分節抬起得 1 分，快速且身體各部位同時抬起得 2 分。頭方面如果是抬的角度小於 45 度或者頭抬的角度一直在變動則得 1 分，頭可以抬高大於 45 度而且穩定不會搖晃可以得到 2 分。上軀幹如果背部是平的或只有小小的弧度(arch)，且手向前可以得到 1 分，如果背部有明顯的弧度， 23.

(24) 手肘放在肩膀後方可以得到 2 分。大腿方面，如果大腿抬的角度不明顯，但放在大腿下的紙張可以被拉動可以得到 1 分，大腿如果可以明顯的抬離地面可以得到 2 分。膝蓋方面，如果有明顯的彎曲可以得到 1 分，如果彎曲角度小於 45 度，可以得到 2 分，因此質的表現滿分為 12 分。在維持時間方面，如果是很費力則得 1 分，如果是稍微費力則得 2 分。0 分為無法擺出動作，如表 2-1。質的表現是觀察動作一開始的前 15 秒的表現，並且觀察兒童在 15 秒內的最佳表現。研究結果呈現 4 歲與 6 歲的姿勢維持時間有顯著差異的表現，但 6 歲 8 歲沒有顯著差異，而 4 歲與 8 歲有顯著差異。男女沒有顯著差異。在質的表現方面，4 歲與 6 歲有顯著差異的表現，但 6 歲與 8 歲沒有顯著差異，而 4 歲與 8 歲有顯著差異。. 表 2-1 趴姿伸直動作表現計分方式 0分. 1分. 2分. 擺位. 無法擺出動分節擺出：頭、軀幹、大腿、所有肢體能快而平作膝蓋無法同時擺出動作順、同時的擺出動作. 頭. 頭抬不起來. 軀幹. 肩膀無法抬背部是平的或只有小小的弧背部有明顯的弧起來度（Arch），手在肩膀前方度，手肘放在肩膀後方. 大腿. 無法抬起來. 大腿抬的角度不明顯，但放在明顯的抬離地面大腿下的紙張可以被拉動. 膝蓋. 無法抬起來. 明顯的彎曲（50 度或以上）. 頭抬起來的高度小於 45 度，可以直直的抬起而且角度一直在變動來，並且不會搖晃，且大於 45 度. 彎曲角度等於或小於 45 度. 維持姿勢不吃力，因為很費力稍微費力膝蓋抬不起來註：Harris(1981). Duration and quality of the prone extension position in four-, six-, and eight-year-old normal children. The American journal of occupational therapy, 35(1), pp. 26-30. 因為 Harris (1981)的研究年齡層不夠廣泛，因此 Gregory-Flock et al.(1984)在 3 年後進行另外一項研究，針對更廣大的年齡層在 4 至 8 歲共有 242 位洛杉磯都 24.

(25) 會區正常兒童，10 位學習障礙兒童並在旋轉後眼球震顫測驗低於 1 個標準差的。趴姿伸直計分標準與 Harris(1981)的方式完全相同，主要目的是為了建立趴姿伸直、臥姿彎曲動作測量方式及常模。施測方式是一次測量五位兒童，並且隨機順序施測趴姿伸直或臥姿彎曲，中間讓兒童休息五分鐘，再行施測另外一個測驗。施測時為了避免兒童閉氣，因此會請兒童必須看著碼表數數，並用一張紙墊在大腿下方，看紙張是否可以滑動以判斷大腿是否有抬高。質的表現是以兒童作施測時前 15 秒的最佳表現為準去評分。結果顯示 4、5 歲在量與質的表現與 6、7、8 歲有顯著的差異，4、5 歲沒有顯著差異也就是有類似的表現，6、7、8 歲沒有顯著差異。另外除了 4 歲外其他年齡層的男、女沒有顯著差異，而 4 歲的女生表現比男生好。4 歲兒童的表現與學習障礙者沒有顯著差異，其他年齡層則顯現出有顯著差異，因此建議評估 4 歲兒童時，不能只用量的分數，還必須參考質的表現，才能區分出學習障礙。趴姿伸直動作在 4 歲發展，6 歲發展出很好的趴姿伸直能力，而且 6、7、8 歲兒童至少 75％可以撐到 53 秒，90％在質的表現達到 10 分（滿分為 12 分）。然而此研究無法確定 3 歲及 9 歲的兒童表現，因沒有收集此部分的資料。而此研究中卻沒有提到任何有關於臥姿彎曲的資料。 Bowman & Katz (1984)提出 Harris (1981)的計分標準有許多需要改進的地方，因此修改 Harris 的計分方式。主要是因為職能治療師廣泛的使用趴姿伸直動作來篩檢感覺統合障礙的兒童，需要一個更精確的計分方式。此研究針對東北社區學校的 500 位 6 至 9 歲大兒童作隨機抽樣，最後針對 153 位研究對象收集趴姿伸直的動作表現。在質的表現是觀察動作一開始的前 15 秒的表現，並且觀察兒童在 15 秒內的最佳表現。結果呈現兒童在趴姿維持的秒數會隨著年齡而有統計上意義的增加，特別是在 7 歲（77.72 秒）、8 歲（110.82 秒）時有較大的差異表現，然而 6、7 歲沒有顯著的差異，而 8、9 歲也有相同的情形。而質的表現不會因為年齡變化而變化。以下將其計分標準整理如表 2-2，標線處為 Bowman 和 Katz 修改 Harris (1981)的計分標準。. 25.

(26) 表 2-2 趴姿伸直表現的修改計分方式 0分. 1分. 2分. 擺位. 無法擺出動分節擺出：頭、軀幹、大腿、所有肢體同時擺出作膝蓋無法同時擺出動作動作. 頭. 頭抬不起來. 軀幹. 肩膀無法抬肩膀抬起來，但背部沒有弧度肩膀抬起來，背部有起來（Arch），手在肩膀前方明顯的彎曲弧度的角度，手肘放在肩膀後方. 大腿. 無法抬起來. 大腿遠端部位抬起來，其他抬大腿遠端部位抬不起來起，並且中間部分（Midthight）可以抬起來. 膝蓋. 無法抬起來. 膝蓋彎曲 46 度或以上. 彎曲角度等於或小於 45 度. 身體會左右或前後搖晃，或身體一直在動，手指頭會顫動，臉部呈現辛苦的表情或維持姿勢時無法數數. 肢體不會搖晃，臉部沒有辛苦的表情，手指沒有顫動，維持姿勢時可以數數. 維持姿勢無法維持適當的姿勢，或無法維持姿勢. 頭、頸抬起來時是直立的或彎頭、頸抬起來時伸直曲. 註：Bowman & Katz (1984). Hand strength and prone extension inright-dominant, 6 to 9 year olds. The American journal of occupational therapy, 38(6), pp. 367-376. Sakemiller & Nelson (1998)使用動作分析系統 VP110 架設兩台攝影機離受試者 9 英尺，拍攝 10.6 歲大及 11.2 歲大的腦性麻痺兒童的趴姿伸直動作的訓練成效，研究者職能治療師透過職能活動給予兒童有興趣的遊戲，誘發背部做出趴姿伸直的動作，研究者在個案身體貼上三個感應點(reflectors)，第一個感應點貼在頭頂中央距離兩個耳垂相等距離處，也就是額面通過耳垂的最高點。第二個感應點貼在第七頸椎處，第三個感應點貼在第三、第四腰椎連接處。反應受試者趴姿伸直進步的指標有頸部伸直高度、背部伸直高度。頸部伸直的高度是由頭頂所測量到的高度減掉頸椎測量到的高度。背部伸直高度是由頸椎測量到的高度減掉第三、第四腰椎連接處的高度。而整個趴姿伸直的表現是頸部高度加上背部伸直高度。這個研究所使用的單一受試者實驗設計中，所使用的動作分析系統可以測量到兒童在遊戲活動中些微的改變。 26.

(27) 「德伯氏感覺統合測驗」(DeGangi-Berk Test of Sensory Integration)感覺統合測驗工具是用來檢測三至五歲的兒童，適合於學齡前兒童，主要評量的項目包括了背部伸直、腹側彎曲表現的評估。背部伸直施測項目有小熊走路(wheelbarrow walk)、撐飛機(airplane)；腹側彎曲施測項目有猴子上樹(monkey task)。小熊走路的施測方式是請兒童趴著，施測者將兒童的腳腳抓起來，請兒童用手走路，在測量走多遠當作計分的標準；撐飛機的施測方法是告訴兒童玩飛機的遊戲，施測者請兒童站立，施測者雙腳跪站在兒童後方，抱其腰部將兒童舉起來，請兒童雙手要像飛機一樣打開，並且維持住此姿勢，計分方是看兒童可以撐住此姿勢的時間；猴子上樹的測量方式是施測者使用一條長約 1 公尺寬 0.75 吋的木棍，請兒童將雙腳交叉在這根木棍上，提醒兒童手要抓緊，而且將會被抬起來，請兒童的鼻子要碰到棍子，計分方式是看兒童能支撐多久(Degangi & Berk,1983)。這個測驗項目會使得施測者很累，而且施測過程當中會因為要很努力的施力，而無法顧及到計分或記錄分數。而且此研究之計分方式比較無法區分出大部分兒童能力的差異情形。國內、外在肢體障礙類別的張力量化評量工具已有相當不錯的研究發展，特別是在腦性麻痺病患（周威廷，2003；林冠州，1997；黃智明，2001；鄧復旦， 2000）、半側癱瘓中風患者(Dvir & Panturin, 1993; Scott-Warley, Bennett, Miller, Miller, Walker & C, H., 1991; Tyson & Selley, 2006; Wu, Huang, Chen, Wang & Piotrkiewicz, 2004)、或先天性肌肉病變（黃妙玲、蔡長海、李政淳，1998）、癌症病患疼痛（陳佩鈴，2004）的研究上。坐姿擺位的研究結果呈現髖關節屈曲角度對孩童張力的影響不具顯著差異，椅面前傾對腦性痲痺兒童而言是不好的姿勢；靠背角度前傾會導致全身肌肉張力增強，因此坐姿的角度會影響肌肉張力（林冠州，1997）。而且肌肉張力的研究方向比較集中在肌肉張力高的痙攣現象，並研究特定部位的肌肉（張延弘、周適偉、陳柔賢、陸清松、鄧復旦、黃美涓，2003a）或關節（Lee, Chen, Ju, Lin & Poon, 2004），特別是在肘關節，研究發現肌肉張力較高的個案會隨位置增加而漸增，正常肌肉張力則不會隨著增強，痙攣具有速度 27.

(28) 相依的特性（Lee et al., 2004）。在量測肢體旋轉時所產生的阻力的研究中發現在軀幹所產生的阻力最大，最低的阻力出現在頸部。而且參與研究中的有一半的受試者在作旋轉動作時，其姿勢肌肉的活動很穩定，另外有一半的受試者的肌肉活動會隨著肌肉的長度作調整，當肌肉長度被拉長時肌肉活動會降低，反之會升高。並且指出身體中軸線的肌肉張力是會隨時且敏感的調整，這種控制至少有一部份是因為肌肉張力型的拉長或縮短而形成，而且手臂近端的肌肉也有類似的反應(Gurfinkel, Cacciatore, Cordo, Horak, Nutt & Skoss, 2006)。綜合所有肌肉張力的測量，量測肌肉張力的工具包括肌電訊號（Dietz & Berger, 1983; 周威廷，2003；林冠州，1997；黃智明， 2001）、氣壓式氣囊阻力感測器(air-bags with pressure sensor)及微型角速度偵測器 (micro gyroscope)（Lee et al., 2004）、布尺（Taylor, Ellis & Haran, 1995）量骨突部位的距離、計時器、或行為觀察等。研究者認為 Bowman & Katz (1984)發展的評量工具計分方式仍不夠精確，例如計分方式是採取次序量表的方式，而不是採取比例（ratio）量尺，因此會喪失許多有用的訊息，而比例量尺的計分方式可以採取兒童在作各種動作時關節的角度，離地的高度為依據；再者，計分分為六大項，以人為施測會造成施測者手忙腳亂無法一次觀察到所有六大項的表現，無法作精確的計分，因此評量方式無法區分出 4 歲兒童與學習障礙的差異表現，及無法區分出 6、7 歲，及 8、9 歲間的差異表現，而且造成質的表現沒有年齡上的差異。現今電腦技術發達，影像分析技術也日趨成熟，如能利用不同角度之攝影機，連續拍攝受試者之姿勢動作，收集更豐富受試者資訊、再由電腦協助計分、診斷，不但能降低施測時間、減少施測人力成本，更能藉助不同角度攝影機同時拍攝受試者之優勢，降低從單一角度觀察受試者會有遮蔽之限制，且電腦具有快速分析複雜資料的特性，對受試者能作更精確的診斷。. 28.

(29) 第三節視覺監控分析之相關文獻視覺監控分析流程大致分為三大部分：動作偵測(motion detection)、物件追蹤(object tracking)、行為的理解與描述(understanding and description of behaviors) （Weiming Hu, Tieniu Tan & Steve Maybank., 2004）。. 一、動作偵測動作偵測的程序包含環境模式(environment modeling)、動作分割(motion segmention)、物件分類(object classification)。環境模式是探討在動作分析中，欲取出的物件模式是 2D 平面影像或是在真實世界座標中的 3D 模式；攝影機是固定式的或移動式的；只有一台攝影機或同時使用不同角度之攝影機，目前以 2D 平面影像的應用較廣泛。動作分割的主要目的是偵測出在影像序列中移動物件的相對應輪廓，如車子或人。物件分類是將從影像中所擷取出的移動物件分類，如人的資訊、鳥的資訊，正確的分類這些移動的物件，才能更進一步追蹤和解釋物件的行為，但如果影像中只有單一移動物件，此一步驟是不必要的。. 二、物件追蹤物件追蹤的程序與動作偵測是密不可分的，追蹤是指在一序列的影像中，利用像是點(points)、線(lines)或小圓團(blobs)的特徵找出隨著時間點變化的相稱物件。. 三、行為的理解與描述當成功地從一序列影像中追蹤移動的物件後，我們就想理解影片中移動物件的行為意義，行為理解包含動作樣式( motion pattern)中的分析和辨認以及語意學的描述。視覺監控的一般架構如圖 2-2 所示。 29.

(30) 攝影機 1. ………... 攝影機 k. 環境模式. 環境模式. 動作分割. 動作分割. 物件分類. 物件分類. 追蹤. 行為理解和描述. 追蹤. 個人的定義. 行為理解和描述. 個人的定義. 多台攝影機的訊息融合圖 2-2 動作分析的一般架構註：Hu, Tan, Wang & Maybank Bowman, (2004).A Survey on Visual Surveillance of Object Motion and Behaviors.IEEE transactions on systems,man,and cybernetics-partc:applications and review,Vol.34,No.3. 本研究主要是由三台攝影機，從不同角度拍攝受試者之「趴姿伸直」與「臥姿彎曲」兩種姿勢動作，避免由單一角度觀測之視野遮蔽問題。本研究之環境模式主要是使用 2D 影像模式，分析每一張影像資料，由於本研究分析之影像序列中只有單一移動物件，也就是影像中除了一位受試者，沒有其他會移動的物件，故省略「動作分類」這一步驟。另外由於本研究主要是追蹤人物目標在影像序列之位置變化，追蹤之方式詳見於研究方法之「電腦計分模式之資料分析」，下面之文獻探討著重於「動作分割」與「動作之樣式辨識」兩個部分。. 一、動作分割 (一)建立背景模型 30.

(31) 影像畫面中，動態的物體是我們感興趣的偵測目標，欲從影像當中分辨出攝影環境裡的靜態背景和動態物體，常見的方法有背景去除(background subtraction)、時間差異(temporal differencing)與光流分析(optical flow)等（Hu, 2004）。當背景屬於固定時，背景去除法為一個常見的使用方法，其概念是比對參考影像(reference image)與目前影像(current image)中每個點（pixel-by-pixel）之差異，由於本研究中攝影機的位置是固定的，拍攝環境屬於單純的素色布幕，而且在施測的過程當中，攝影環境裡只有一個觀測對象，此即影像當中的動態物體，因此本研究將採用背景去除法來做動態人物的偵測。但由於背景去除法的最大缺點在於對光線變動之因素過於敏感，常見的方法為建立一個統計的背景模型來克服此問題（Horprasert, Harwood & Davis,2000; Haritaoglu, Harwood & Davis, 2000; McKenna, Jabri & Duric, 2000; Stauffer & Grimson, 1999）。本研究將使用 Horprasert et al. (2000)等人所提出的去除背景法，介紹如下：去除背景法概念是從多張靜態背景影像中，建立一個參數型的背景模型 (background model)，其後我們可以藉由計算背景模型與目前影像之間的差異來取出前景(foreground)。 1.彩色模型（color model）圖 2-3 為 RGB 三維空間的彩色模型。令 Ei = [ ER (i ), EG (i ), EB (i )] 為背景模型中第 i 個像素點 RGB 三色的期望值(expected value)，而 I i = [ I R (i ), I G (i ), I B (i )] 為某張影像第 i 個像素點 RGB 的數值，分別可在 RGB 空間中以向量形式呈現。將 Ei 視為參考影像，比較 Ei 與 I i 之差異，將失真(distortion)拆解為亮度失真(brightness distortion)與色彩失真(color distortion)兩個部分。亮度失真為一數值 α i ，使得 α i Ei 為觀察顏色向量 I i 至期望向量 Ei 之投影，因此滿足. α i = min (I i − α i Ei )2. （1.1）. 顏色失真 CDi 定義為觀察顏色向量 I i 與期望向量 Ei 之垂直距離（orthogonal 31.

(32) distance），也就是 I i − α i E 的長度，其計算方式為 CDi = I i − α i Ei. （1.2）. B Ei I i − α i Ei Ii. α i Ei. R. G 圖 2-3 彩色模型（Color model）註：Horprasert, Harwood & Davis, (2000).A robust background subtraction and shadow detection,4th Asian Conf. on Computer Vision, Taipei, Taiwan, pp. 983-988. 2.建立背景模型背景模型是藉由數張靜態背景影像，以統計方法計算每個像素點為基礎所建立而成的參數模型。第 i 個像素點的參數有 < Ei , si , ai , bi > ，其中 Ei 是顏色的期望值， si 為顏色的標準差， ai 是亮度失真的變化程度， bi 是彩色失真的變化程度。在數張影像當中，第 i 個像素點的 Ei 為 Ei = [ μ R (i ) μG (i ) μ B (i )]. （1.3）. 其中 μ R (i ) ， μG (i ) 與 μ B (i ) 為 N 張背景影像第 i 個像素點紅色，綠色與藍色的平均值。由於光源造成照度波動(illumination fluctuation)，於是可以計算 N 張背景影像之變化程度，以標準差 si 來表示 si = [σ R (i ) σ G (i ) σ B (i )]. （1.4）. 其中 σ R (i ) ， σ G (i ) 與 σ B (i ) 為 N 張背景影像第 i 個像素點紅色，綠色與藍色的標準差。在此標準化（normalize）亮度失真與色彩失真，於是（1.1）與（1.2）變成 32.

(33) 2 ⎡ ⎛ I C (i ) − α i μC (i ) ⎞ ⎤ ⎟⎟ ⎥ α i = min ⎢ ∑ ⎜⎜ σ C (i ) ⎢⎣C = R ,G , B ⎝ ⎠ ⎥⎦ ⎛ I R (i ) μ R (i ) I G (i ) μG (i ) I B (i ) μ B (i ) ⎞ ⎜⎜ ⎟ + + σ R2 (i ) σ G2 (i ) σ B2 (i ) ⎟⎠ ⎝ = ⎛ ⎡ μ (i ) ⎤ 2 ⎡ μ (i ) ⎤ 2 ⎡ μ (i ) ⎤ 2 ⎞ ⎜ R ⎟ + G + B ⎜ ⎢⎣σ R (i ) ⎥⎦ ⎢⎣σ G (i) ⎥⎦ ⎢⎣σ B (i ) ⎥⎦ ⎟ ⎝ ⎠. I C (i ) − α i μC (i ) σ C (i ) C = R ,G , B. ∑. CDi =. （1.5）. （1.6）. 第三個參數 ai 表示第 i 個像素點亮度失真的變化程度，計算如下：. ∑. ai = RMS (α i ) = j. N j =1. (α i j − 1) 2 N. （1.7）. 第四個參數 bi 表示第 i 個像素點色彩失真的變化程度，計算如下： bi = RMS (CDi ) = j. ∑. N j =1. (CDi j ) 2 N. （1.8）. 3.像素點分類(pixel classification) 當背景模型建立之後，計算背景模型與欲取出前景之每個像素點的差異，便可取出前景影像。而其差異有兩個組成成分：亮度與色彩。我們可以對第 i 個像素點得到一個 object mask M (i ) ，以此來判定該點屬於何種類型的像素點，而判定的準則為給定亮度失真 (α ) 與色彩失真 (CD) 一個合適的閾值（thresholds），在此將像素點的類別分為：初始背景（original background）、陰暗背景（shadow 、明亮背景（highlighted background）與前景目標（foreground object）。 background）定義分別如下（在相同像素點位置下比較）： . 初始背景（B）：與背景有相似亮度與色彩。陰暗背景（S）：與背景有相似色彩，但有較低的亮度。明亮背景（H）：與背景有相似色彩，但有較高的亮度。前景目標（F）：與背景有不同色彩。. 在整張影像裡，每一個像素點皆可得到自己的 α i 與 CDi 分布（distribution），為了能夠對所有像素點僅使用單一的閾值，我們需要重新縮放 α i 與 CDi ，令. αˆ i =. αi − 1 ai 33. （1.9）.

(34) ^. CD i =. CDi bi. （1.10）. 分別標準化亮度失真與色彩失真。基於上述的定義，每一個像素點皆藉由（1.11）被分類為 B，S，H 或 F 其中一個類別。 ^ ⎧ F CD : i > τ CD , else ⎪ ⎪ M (i ) = ⎨ B : τ α 2 < αˆi < τ α 1 , else ⎪S : αˆ i < τ α 2 , else ⎪ H : otherwise ⎩. （1.11）. 其中 τ CD ， τ α 1 與 τ α 2 為用來判斷背景影像與現在的影像在亮度與色彩相似程度的閾值。然而存在一個問題，當我們欲抽離出來的物體，本身的 RGB 值很低時，這會導致這些像素點都會誤判給陰暗背景的部分，為了避免遇到這個問題，在標準化亮度失真中引入一個下界值（lower bound） τ αlo ，於是（1.11）變成 ⎧ ⎪F ⎪ M (i ) = ⎨ B ⎪S ⎪H ⎩. ^. : CD i > τ CD or αˆ i < τ αlo else : τ α 2 < αˆi < τ α 1 , else : αˆ i < τ α 2 , else. （1.12）. : otherwise. 4.自動化閾值選擇(automatic threshold selection) 在此以 Statistical learning procedure 決定一個適合的閾值。圖 2-4 與圖 2-5 分別是標準化亮度失真（normalized brightness distortion） α i 與標準化色彩失真（normalized chromaticity distortion） CDi 的直方圖，由擷取一連串背景所建立，共有的樣本數為 Nmn （影像大小為 m ∗ n ，並有 N 張背景影像）。一旦建立好直方圖，閾值便能夠根據想要偵測的比例， r ，自動化的去選擇。其中色彩失真的閾值，τ CD ，為一個在標準化色彩值下，以 r 的偵測比例來給定；而亮度失真由 τ α 1 與 τ α 2 兩個閾值共同界定，當 τ α 2 偵測比例為 1 − r ，而 τ α 1 便是 r 。. 34.

(35) τα1. τ CD. Pixels. Pixels. τα 2. Normalize CD Value. Normalize Alpha Value 圖 2-4 標準化亮度失真直方圖註：Horprasert, Harwood & Davis. 圖 2-5 標準化色彩失真之直方圖註：Horprasert, Harwood & Davis. (2000).A robust background subtraction and shadow detection,4th Asian Conf. on Computer Vision, Taipei, Taiwan, pp. 983-988.. (2000).A robust background subtraction and shadow detection,4th Asian Conf. on Computer Vision, Taipei, Taiwan, pp. 983-988.. (二)影像濾波本研究中經由背景去除法過後的影像裡，往往無法完美區別出靜態背景與動態物體，雜訊與細小的陰影容易存在於影像當中，對於姿勢動作分析需要的細微觀察影響甚鉅。而在數位影像處理的應用上，影像通常都先經過如影像濾波的前級處理（preprocessing）等動作，一般而言有除去雜訊，強化邊緣等效果，並可用來得到一些有用的特徵點，以作為後級處理的參考（Gonzalex & Woods,. 2002）。而前級處理是在對影像進行分析及實際應用時的一個重要步驟，而濾波在影像前級處理又扮演重要的角色。影像濾波的數學處理就是迴旋運算（convolution），即選取一個遮罩（通常為 3 ∗ 3 或 5 ∗ 5 矩陣），對一原始影像做迴旋的數學處理。所選取的遮罩不同即可設計出各種不同的濾波器，如圖 2-5 所示。. 遮罩原始影像. 迴旋處理. 圖 2-6 迴旋處理示意圖 35.

(36) 1.形態濾波器(morphological filter) 在形態學應用上，定義 A 為原始影像所成的集合，B 為結構元素（structuring. element）所成的集合，B 相當於做迴旋時的遮罩(mask)。四個簡單的形態學基本運算，擴張(dilation)、收縮(erosion)、斷開(open)，及閉合(close)，定義如下：. 1.1 擴張（dilation）當 A 和 B 為 Z 2 中的兩個集合，影像 A 被結構元素 B 擴張，記為 A ⊕ B，定義為. { (). A ⊕ B = z | Bˆ z ∩ A ≠ Φ. }. （2.1）. (). 其中 Bˆ z 為 B 的反射並平移 z 個單位。而擴張最簡單的應用之一是在橋接縫隙。下圖 2-7 呈現兩個擴張效果。. 圖 2-7 擴張的效果註：Gonzalez & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.. 1.2 侵蝕(erosion) －B，定義為影像 A 被結構元素 B 侵蝕，記為 A○. AΘB = { z | (B )z ⊂ A}. （2.2）. 此式指出 A 被 B 的侵蝕是使得 B 位移 z 後仍包含在 A 中所有 z 的集合，而侵蝕最簡單的使用之一是除去二元影像裡不相干的細節。圖 2-8 呈現兩個侵蝕效果。. 36.

(37) 圖 2-8 侵蝕的效果註：Gonzalez & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.. 1.3 斷開(opening) 影像 A 被結構元素 B 先侵蝕再擴張，記為 A o B ，定義為. A o B = ( AΘB ) ⊕ B = ∪{ (B)z | (B)z ⊆ A}. （2.3）. 斷開通常是使物體輪廓平滑，消除細的峽部以及截斷窄的細頸。圖 2-9 呈現斷開效果。. 圖 2-9 斷開的效果註：Gonzalez & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.. 1.4 閉合（closing）影像 A 被結構元素 B 先擴張再侵蝕，記為 A • B ，定義為 A • B = ( A ⊕ B )ΘB. （2.4）. 閉合傾向於使輪廓部分平滑，不過與斷開相反，閉合可把窄的中斷部分和長細缺口連接起來，消除小洞，填補輪廓上的缺口。圖 2-10 呈現閉合效果。. 37.

(38) 圖 2-10 閉合的效果註：Gonzalez & Woods, (2002). "Digital Image Processing", 2nd Ed., Prentice Hall.. 二、動作之樣式辨識 1. 分類器（Classifier）分類器主要的目的是用來區隔不同類別，依資料的特性的不同，會選擇適合分類器，但在資料過於複雜的情況下，往往需要一連串試驗才能得知適合的分類器。本研究設計中，希望透過專家效標，將不同姿勢張力型態的受試者，分成數個類別，進而找出一套良好的分類器，達到正確快速診斷的目的。本研究中，使用最大概似分類器、最近鄰近法分類器、支撐向量機、貝氏網路為主要的分類器工具，介紹如下。. 1.1 最大概似分類器(Maximum Likelihood Classifier, 簡稱 ML) 最大概似分類器在處理高維度資料中是一種非常常見的辨識方法，一個未知類別的測試樣本點 x 將會被指定至擁有最大概似（likelihood）的類別。 Li (x) 定義為一個未知類別的測試樣本點 x 屬於類別 i 的事後機率。在常態分布的情況下， x 屬於類別 i 的可能性定義如下：. Li ( x) =. 1 (2π ). p/2. Si. 1/ 2. 1 −1 exp{− ( x − mi )T S i ( x − mi )} 2. 其中 p 表示樣本的維度數， mi 表示類別 i 的平均數，而 S i 表示類別 i 的共變異數矩陣， S i 表示 S i 的行列式值。在得到 Li (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. x ∈ class k , if k = arg max Li ( x) i. 38.

(39) ML 分類器是建立於機率論的觀點上，所以在此方面立足點是非常穩固的，但是此分類器必須要注意到以下幾點條件：（1）必須擁有足夠的訓練樣本，用以估計平均數以及共變異數矩陣。（2）當兩個不同維度出現高度相關情況時，共變異數矩陣將會變的不穩定。（3）當樣本的分布為非常態時，最大概似分類器常常無法有較好的效果。圖 2-11 為單變量 ML 分類器運作的示意圖，未知類別樣本 x 屬於類別 1 的概似程度為 L(1) ，屬於類別 2 的概似程度為 L(2) ，由圖中可知 L(2) 大於 L(1) ，因此 ML 分類器會將未知類別樣本 x 判斷為類別 2。. Likelihood. 類別 1. 類別 2. L(2) L(1) x. 圖 2-11 ML 分類器辨識示意圖. 2.2 最近鄰近法分類器(k Nearest Neighbors Classifier, 簡稱 kNN) 最近鄰近法分類器在高維度資料處理中也是一種相當常見的一種分類器，其演算法的基本理論相當地直觀: 物以類聚，同一類的物件應該會聚集在一起。因此最近鄰分類器必須藉由計算資料點間的距離，選取適當數量的鄰近資料點以預測受測點的類別。若欲判別未知類別的測試樣本中的樣本點 x ，先找到距離樣本點 x 最近的 K 個訓練樣本點（本研究中使用歐式距離），再利用這 K 個訓練樣本點來判定測試樣本點 x 隸屬的類別。通常用到的是 1NN 分類器本研究也同樣是使用 1NN 分類器，也就是說直接找到一個距離樣本點 x 最近的一個訓練樣本點. y ，而在 1NN 分類器中 x 的類別就是與 y 的類別相同。圖 2-12 為 1NN 分類器. 39.

(40) 的示意圖。 : 目標樣本 : 已知類別的最近樣本 : 已知類別的其他樣本圖 2-12. kNN(k=1)示意圖. 2.3 支撐向量機（Support Vector Machine, 簡稱 SVM）支撐向量機是近年來受大家注目的一種分類方法，是由 Vapnik(1995). 和其工作團隊所發展出一種針對資料分類、迴歸與圖形辨識的學習工具，其應用也是非常的廣泛，包含人臉辨識(鄭裕達，2004)、指紋辨識(謝芳伶， 2004)、語音辨識(周家得，2006)、影像辨識(紀明宏，2007)、分類系統(劉芳遠，2006)等，由這些研究可看出，SVM 在解決分類問題上已經是強力的工具之一。支撐向量機是一種融合 VC 理論（Vapnik–Chervonenkis theory）觀點，以及聯結邊界（margin）和 VC 維度（Vapnik–Chervonenkis dimension）的一種實際應用。主要的想法是要找到一個向量 w 使得用來區別兩群的邊界儘可能的拉大。給定一有類別的訓練樣本集 ( xi , yi ), i = 1, K , n ，其中 xi ∈ R p 而且 y ∈ {1,−1}n 。. SVM 需要下列最佳化問題的解： min. n 1 T w ⋅ w + C ∑ ξi 2 i =1. subject to. y i ( w T ⋅ φ ( xi ) + b ) ≥ 1 − ξ i ,. ξ i ≥ 0.. 其中 C > 0 是誤差項的懲罰參數（penalty parameter）。訓練樣本 xi 可能被方程式 φ 映射到更高的維度空間上（可能是無限的）。接著 SVM 找到一個在較高空間下最大化邊界的線性可分超平面（linear separating. hyperplane）。此外， K ( xi , x j ) ≡ φ ( xi )T φ ( x j ) 被稱為核函數（kernel function）， 40.

(41) 而且下列的 RBF 核函數被應用在本篇研究中。 2. K ( xi , x j ) = exp( −γ xi − x j ) ， γ > 0 ，其中 γ 為核參數（kernel paramater）。在本研究中使用 LIBSVM （Chang & Lin, 2004）中核函數為 RBF 的支撐向量機。在使用 RBF 核心函數的支撐向量機時會有兩個參數： C 以及 γ 。因為事先並不知道 C 以及 γ 兩個參數的最佳值，因此必須進行模型選擇（model. selection）。為了找出最佳的 C 和 γ 在此使用交互驗證法（cross-validation）以及。在本研究中，使用 5 摺交互驗證法（5-fold cross-validation）網格搜索（grid-search）以找出 C 和 γ 最佳的參數， C 和 γ 的網格（grid）則是設定為 C = 2 −5 ,2 −3 ,K,215 和. γ = 2 −15 ,2 −13 ,K ,2 3 。. yi = +1. wT ⋅ φ ( xi ) + b = 0 w. w. Support Vector. yi = −1. 圖 2-13 SVM 的示意圖 2.4 貝氏網路(Bayesian Network,簡稱 BN) 貝氏網路結合機率理論與圖形理論，是一種對於不確定的事物加以描述與推論的工具（Pearl, 1988）。能夠用以表示出機率的關連性，這常用在描述許多真實世界中的問題，包括決策支援、問題診斷、預測、自動監控、製程控制與資訊萃取等（Heckerman, Mamdani & Wellman, 1995）。貝氏網路的基礎是貝氏定理，它也因此得名。基於貝氏定理與圖形理論的概念，貝氏網路同時從質與量兩個向度表徵一組 41.

(42) 變項之間的關係。從質的向度來看，貝氏網路是一種由節點與連結所組成的非循環的有向圖（Directed Acyclic Graphs, 簡稱 DAGs），如圖 2-14 所示，其中節點代表所欲研究的變項，連結代表變項間的影響關係，透過圖形模式，我們可以很清楚了解變項間的依賴及條件獨立關係。就量的向度而言，影響的強度可以用條件機率的方式表徵，並能計算所有變項的各種狀態之聯合機率分布，進而根據貝氏定理進行以證據為基礎的推論。. X1 X3 X2. X4. 圖 2-14 非循環的有向圖其數學定義如下式：貝氏網路是由（D, P）所組成的序對，其中 D 是指一個非循環的有向圖。. P=. {p( x π ),L, p( x 1. 1. n. π n )}. 是一組條件機率， π i 代表節點 xi 之父節點所成的集合。. 而這一組 P 就可定義 D 中所有節點 X 的聯合機率密度如下式： n. P ( X ) = ∏ p( xi π i ) i =1. ( ) 其中 X = x1 , x 2 ,K, x n 本研究中所欲估計的潛在變項是離散資料，在模型中定義姿勢動作，例如：令. Y = {Y1 ,...., Yk } 代表受試者的趴姿伸直或臥姿彎曲等姿勢動作的集合，. X = {X 1 ,..., X m }代表頭部、胸部、腳部等重要觀測向度的集合。明確的定義姿勢動作，以及姿勢動作和重要觀測向度之間的相互關係，之後再藉由所收集之資訊作結構學習與參數訓練，進而估計學生之姿勢動作之類別。本研究中應用貝氏網路作為姿勢動作整體診斷之其中一種分類器。以下就一個簡單的例子，說明如何將貝氏網路應用於本研究中。假設頭部(H)、胸部(C)和. 42.

(43) 趴姿伸直(P)皆為二元變項（正常、障礙），三個變項間具有如圖 2-15 的關係。我們可以藉由頭部（H）和胸部(C)的障礙類別，診斷受試者趴姿伸直是屬於正常類別或障礙類別，其所發生的機率(表 2-3)。令. H1：障礙. P1 = 障礙. P2 = 正常. P(P1 ) = 0.3. P(P 2 ) = 0.7. 頭部（H）. C1：障礙. 胸部（C）. H2：正常. C2：正常. 趴姿伸直（P）. P1：障礙 P2：正常. 圖2-15 趴姿伸直整體診斷的貝氏網路架構表 2-3 頭部、胸部障礙與正常類別之機率頭部 H. 趴姿伸直. 胸部 C. H1. H2. C1. C2. P1. 0.8. 0.2. 0.7. 0.3. P2. 0.2. 0.8. 0.3. 0.7. 依貝氏網路得知. P ( P, H , C ) = P( P) P( H | P) P(C | P) 步驟：. ∑ P (P, H , C ) = ∑ P ( P ) P ( H ∑ P (P, H , C ) = ∑ P ( P ) P ( H 1. 1. 1. | P) P(C1 | P) =0.21. 2. 1. 2. | P ) P (C1 | P ) =0.21. 43.

(44) ∑ P (P, H , C ) = ∑ P ( P ) P ( H 1. ∑ P (P, H. 2. 2. 1. | P ) P (C 2 | P ) =0.17. , C 2 ) = ∑ P ( P ) P ( H 2 | P ) P (C 2 | P ) =0.41. 由上得知 P (P1 H 1 , C1 ) = P ( P1 , H 1 , C1 ) ÷ ∑ P ( P, H 1 , C1 ) =0.8 P (P2 H 1 , C1 ) = P ( P2 , H 1 , C1 ) ÷ ∑ P ( P, H 1 , C1 ) =0.2 P (P1 H 1 , C 2 ) = P ( P1 , H 1 , C 2 ) ÷ ∑ P ( P, H 1 , C 2 ) =0.42 P (P2 H 1 , C 2 ) = P ( P2 , H 1 , C 2 ) ÷ ∑ P ( P, H 1 , C 2 ) =0.58 P (P1 H 2 , C1 ) = P ( P1 , H 2 , C1 ) ÷ ∑ P ( P, H 2 , C1 ) =0.2 P (P2 H 2 , C1 ) = P ( P2 , H 2 , C1 ) ÷ ∑ P ( P, H 2 , C1 ) =0.8 P (P1 H 2 , C 2 ) = P ( P1 , H 2 , C 2 ) ÷ ∑ P ( P, H 2 , C 2 ) =0.04 P (P2 H 2 , C 2 ) = P ( P2 , H 2 , C 2 ) ÷ ∑ P ( P, H 2 , C 2 ) =0.96. 在得知頭部和胸部之類別(正常、障礙)後，可計算趴姿伸直整體診斷之後驗機率，再從後驗機率判定類別。. 44.