以智慧椅墊進行坐姿分析之研究

全文

(1)國立臺灣師範大學資訊工程研究所碩士論文. 指導教授：. 李忠謀. 博士. 以智慧椅墊進行坐姿分析之研究 Sitting Postures Analysis Using Smart Cushion. 研究生：張雅婷撰中華民國一零八年九月.

(2) 摘要在現代社會中，大部分人的生活型態，不論是工作或者休息，往往有很長的時間維持坐姿。近年來有越來越多的疾病被證實與久坐有關。許多人認為坐姿是種休息的姿勢，但研究中指出，比起站姿與躺姿，坐姿讓椎間盤承受的壓力更大，而不適當的坐姿則更提升了椎間盤的壓力。由於久坐逐漸成為現代人的生活習慣，所以適當的坐姿就顯得格外的重要。在日常生活中，不適當的坐姿對於大多數的人而言，屬於較為舒適的姿勢，所以往往無心注意自己的坐姿是否適當。故須透過工具協助來了解自己的坐姿情況。本研究設計一智慧椅墊之雛形，旨在透過較低的成本 Arduino 開發版與少量的壓力感測器，並且準確的分類使用者的坐姿。過去使用壓力感測器進行坐姿分類的相關研究中，透過傳統的機器學習方法進行坐姿的分類，且使用較多數量的感器收集各類坐姿的資料。準確率落在百分之八十至百分之九十。本研究使用一種傳統機器學習演算法與兩種深度學習之方法進行實驗，找出適合進行坐姿分類之方式，並以特徵選擇實驗找到能夠準確分類坐姿之感測器數量及擺放方式。本研究除了使用限制坐姿使用資料進行坐姿分類模型訓練以及評估初步的分類結果，並透過實際座椅使用情況資料，再次檢視此智慧椅墊在實際使用情形下，亦能有良好的做姿分類表現。透過智慧椅墊設計實驗與特徵選擇實驗，本研究完成一智慧椅墊，使用少量的感測器與基礎的物聯網開發板，降低了硬體成本，達成良好的坐姿分類表現。. 關鍵字：Arduino、物聯網、壓力感測器、機器學習、深度學習. i.

(3) Abstract Most people's lifestyles in modern society, no matter they are working or resting, often maintain a prolong time as “sitting” posture. During the past years, more and more diseases have been confirmed to be related to sedentary. Many people regard sitting posture as a relaxing posture, but the research pointed out that sitting posture put much more pressure on the intervertebral disc than standing or lying posture, the improper sitting posture may increases the pressure of the intervertebral disc as well. Since sedentary sitting has gradually become a habit of most of people, proper sitting posture become more and more important. Improper sitting posture has been regard as a more comfortable posture for most of people, and it is often hard to pay attention to whether or not our sitting posture is appropriate in daily life. Therefore, we may need a tool help us to understand our sitting posture. The aim of this study is to design a prototype of a smart cushion which can classify the user's sitting position accurately, through Arduino101 and a small number of pressure sensors. Compare with the similar related work, some studies use the traditional machine learning method to classify sitting postures, also a large number of sensors are used to collect data of different sitting postures. The accuracy rate falls between 80% and 90%. In our study, we demonstrate one traditional machine learning algorithm and two methods of deep learning in order to find out the suitable method for sitting posture classification, through the feature selection experiment we can make sure the smallest number of sensors to classify the sitting posture accurately. In addition to using the limited sitting posture data to train the classification model and evaluate the preliminary classification results, our study also examines the smart cushion under the actual using situation data, and reach a favorable classification performance. Through the smart cushion design experiment and feature selection experiment, this study propose a smart cushion, using small number of sensors and the basic IoT development board, reducing the hardware cost and achieving a good sitting posture classification performance. Keywords: Arduino, Internet of Things, pressure sensor, machine learning, deep learning. ii.

(4) 目錄摘要............................................................................................................................................. i 目錄...........................................................................................................................................iii 圖附錄....................................................................................................................................... iv 表附錄....................................................................................................................................... vi 第壹章緒論............................................................................................................................ 1 第一節研究動機 ............................................................................................................................... 1 第二節研究目的 ............................................................................................................................... 2. 第貳章文獻探討.................................................................................................................... 3 第一節坐姿相關研究 ....................................................................................................................... 3 第二節壓力感測器相關應用 ........................................................................................................... 4 第三節坐姿辨識相關研究 ............................................................................................................... 6 第四節分類方法 ............................................................................................................................... 7. 第參章研究方法.................................................................................................................. 11 第一節本研究之實驗坐姿定義 ..................................................................................................... 11 第二節實驗設計 ............................................................................................................................. 11 第三節研究工具 ............................................................................................................................. 16 第四節評估方式 ............................................................................................................................. 17. 第肆章實驗及結果討論...................................................................................................... 18 第一節智慧椅墊設計 ..................................................................................................................... 18 第二節特徵選擇 ............................................................................................................................. 42. 第伍章結論與未來展望...................................................................................................... 50 參考文獻.................................................................................................................................. 51. iii.

(5) 圖附錄圖 1 壓力感測模組硬體設計圖(Interlink Electrionic, 2010) ................................................... 5 圖 2 本研究定義坐姿.............................................................................................................. 11 圖 3 本研究之 SVM 模型建立流程圖 ................................................................................... 12 圖 4 本研究之 ANN 架構示意圖 ........................................................................................... 13 圖 5 本研究之 CNN 架構圖 ................................................................................................... 14 圖 6 本研究之注意力機制架構圖.......................................................................................... 14 圖 7 實驗流程圖...................................................................................................................... 16 圖 8 感測器黏貼方式.............................................................................................................. 18 圖 9 SVM 各類坐姿分類之混淆矩陣 .................................................................................... 21 圖 10 ANN hidden layer number 1,2,3 參數調整準確率比較 ............................................... 22 圖 11 ANN 各類坐姿分類之混淆矩陣 .................................................................................. 23 圖 12 CNN filter size3,5,7 參數調整準確率比較 .................................................................. 24 圖 13 CNN 之各類坐姿分類之混淆矩陣 .............................................................................. 25 圖 14 各類坐姿時數百分比.................................................................................................... 26 圖 15 取樣週期對不同坐姿之影響(SVM) ............................................................................ 27 圖 16 實際座椅使用情況時，SVM 之各類坐姿分類之混淆矩陣 ...................................... 28 圖 17 取樣週期對不同受試者之影響(SVM) ........................................................................ 29 圖 18 受試者七之 SVM 分類器坐姿判定結果圖 ................................................................. 29 圖 19 取樣週期對不同坐姿之影響(ANN) ............................................................................ 30 圖 20 實際座椅使用情況時，ANN 之各類坐姿分類之混淆矩陣 ...................................... 30 圖 21 取樣週期對不同使用者之影響(ANN) ........................................................................ 32 圖 22 受試者七之 ANN 分類器坐姿判定結果圖 ................................................................. 32. iv.

(6) 圖 23 取樣週期對不同坐姿之影響(CNN) ............................................................................ 33 圖 24 實際座椅使用情況時，CNN 之各類坐姿分類之混淆矩陣 ...................................... 34 圖 25 取樣週期對不同使用者之影響(CNN) ........................................................................ 35 圖 26 受試者七之 CNN 分類器坐姿判定結果圖 ................................................................. 35 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 .................................... 37 圖 28 實際座椅使用情況，不同分類演算法之表現............................................................ 37 圖 29 坐姿判定結果圖(1) ....................................................................................................... 39 圖 30 坐姿判定結果圖(2) ....................................................................................................... 40 圖 31 坐姿判定結果圖(3) ....................................................................................................... 41 圖 32 坐墊示意圖.................................................................................................................... 43 圖 33 限制坐姿使用情況與實際座椅使用情況之比較........................................................ 44 圖 34 準確分類各類坐姿，所需最少感測器(1) ................................................................... 45 圖 35 準確分類各類坐姿，所需最少感測器(2) ................................................................... 46 圖 36 六顆感測器擺放方式.................................................................................................... 47 圖 37 六顆感測器對稱擺放方式 ............................................................................................ 49 圖 38 感測器擺放方式準確率比較........................................................................................ 49. v.

(7) 表附錄表 1 比較坐墊區與坐墊區與靠背區黏貼感測器之分類準確率 .......................................... 19 表 2 SVM 在不同 kernel function 下之分類準確率 .............................................................. 20 表 3 三種分類演算法準確率比較.......................................................................................... 25 表 4 各類坐姿總時間.............................................................................................................. 26 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...................................... 36 表 6 感測器權重值.................................................................................................................. 42 表 7 分類各坐姿所需之最少感測器數量.............................................................................. 46. vi.

(8) 第壹章緒論第一節研究動機現今社會中，隨著電腦的普及化，除了傳統的勞動工作者外，多數的上班族以及學生族群往往維持較長時間坐在辦公桌前或呈現坐姿使用電腦的狀態。近年來已有越來越多的疾病被證實和久坐有關，久坐甚至也與肥胖、體重增加有正相關，而過重的體重正是罹患冠狀動脈性心臟病的主要原因(Hubert et al., 1984)。從研究中可得知，每天坐著幾個小時與冠狀動脈鈣化增加量有關，可能增加心髒病發作的風險。每天平均多坐 1 小時，罹患心血管疾病（如冠狀血管鈣化等）的機率就增加了 14%，研究指出，坐越久血液循環越差，儘管多運動可以促進血液循環，但是不論運動量多麼大，「久坐對每個人的負面影響仍然是顯著的」(Kulinski et al., 2015)。世界衛生組織(World Health Organization)指出，心血管疾病長期佔據世界 10 大死因榜首，每年約有 320 萬人因缺乏身體活動而死亡。缺乏身體活動是心血管疾病、癌症和糖尿病等疾病的一個主要風險因子(World Health Organization, 2011)。研究亦表明，長時間坐著工作的人患腸癌的風險會更高。Mahmood(2017)等人提到，如果兩組人在所有的身理指標都相同的情況下，例如身體質量指數（BMI）、抽菸與否與飲酒量等等，唯一不同的因素只有坐著時間的長短。結果發現，一整天幾乎都坐著的一組人，罹患大腸癌的風險，比起沒有長時間坐著的一組人，高出 44%之多。脊椎是人體承重極大的部位(Morris, J. M.; Lucas, D. B.; Bresler, 1961)，所以無論是否有脊椎相關的疾病，都需要格外注重脊椎的保養。許多人認為坐姿是一種休息的方式，但在研究中，透過實際的測量說明人體在不同的姿勢，椎間盤所受的壓力是不同的。如果以人體呈站姿時，椎間盤所承受的壓力當作基準點 100%；則躺姿的壓力會降到 25％，但坐姿卻會讓椎間盤所承受的壓力瞬間提高至 150％。而在錯誤的坐姿下，例如，斜躺在沙發上或是彎腰駝背地使用電腦，甚至可能會使椎間盤壓力提高 250％ (Andersson et al., 1975)。因為久坐的身體的危害是眾所周知的，且近幾年因為坐姿不良而產生的身體病變也逐漸的受到關注。既然久坐已是很難避免的事實，所以適當的坐姿變得格外的重要。. 1.

(9) 第二節研究目的研究中指出，坐姿不良可能對身體造成危害。而使用者在生活中，往往無法時時刻刻監督自己的坐姿，故需透過工具來協助。本研究之研究目的在於運用 IoT 之技術進行坐姿資料收集與運用，找到適合的坐姿分析工具與方法。本研究之具體研究問題如下： 1. 如何使用少量的感測器達成坐姿分類之目的? 2. 如何選擇適當的分類方法以準確的分類坐姿?. 2.

(10) 第貳章文獻探討第一節坐姿相關研究在現代的生活及工作型態中，腰痛成為多數人普遍常見的一大文明病。即使有長期固定運動的習慣，久坐仍會導致壽命的縮短，在國外的研究中顯示，久坐和死亡率之間有很強的統計學相關性，每天坐著連續時數較長（30 分鐘以上）的男性及女性死亡率較高，但若坐著的時間經常被打斷，死亡風險會下降。所以，科學家建議如果工作或是生活環境經常需要久坐，那麼可以每隔 30 分鐘站起來活動，可以減輕長時間久坐對身體的有害影響(Diaz et al., 2018)。此外，在研究實驗中也發現，久坐對於內側股動脈(superficial femoral artery)的硬化有相當大的影響(Huang et al., 2012)，而淺股動脈硬化正是造成下肢血液循環不良、間歇性跛行(Intermittent claudication)等病症的主因之一 (Ouriel, 2001)。普遍定義適當的坐姿為肩膀位置前於臀部，腳平放在地板上，提供低背部支撐，下巴與胸部對齊，頭部、頸部不要往前傾，椅子的高度調整讓膝蓋與手肘關節呈 90 度彎曲。臀部也需呈大約 90 度彎曲，椅子的靠背底部最好稍微前凸，用以支撐腰椎(江忠豪, 2011)。翹腳坐被許多人視為一個很舒適的坐姿，卻不是一個良好的坐姿。研究中顯示，在不同的坐姿下久坐，翹腳坐的髖關節內夾姿勢會造成動脈受壓迫，進而降低下肢循環效率，使得下肢感到冰冷且麻木(Namkoong et al., 2015)。研究表明，長期翹腳會造成駝背、脊椎側彎等等病症，更證實了現我們一旦開始蹺腳，整個脊椎會開始向下垮，這會造成背部支撐脊椎的肌肉負擔變大，而產生疼痛情形(Lee et al., 2011)。近期的研究中說明，每天翹腳時數超過三小時的受試者，肩膀歪斜的程度會大於非長期翹腳坐的受試者(Park et al., 2014)。除了翹腳的坐姿為日常坐姿習慣，許多人也習慣性的斜傾而坐，這樣的坐姿被視為一種放鬆的坐姿，然而傾斜的坐姿也是一種不良的坐姿。在放鬆坐姿、傾斜等的姿勢中，脊柱承受的壓力比起正坐更大(Yap et al., 2010)。若長時間的斜傾而坐使得肌筋膜觸發點(Myofascial Trigger Point, MTrP)活動引起的疼痛非常普遍 (Edwards, 2005)。當肌筋膜觸發點變得活躍時，會造成肌筋膜疼痛症候群 (myofascial pain syndrome)(Fricton et al., 1985) 。而在 Jongryun Roh(2018)的研究中，更發現斜躺、斜左側坐與斜右側坐，為大部分人日常經常出現的不良坐姿。. 3.

(11) 第二節壓力感測器相關應用壓力感測器，也稱為力敏電阻，一可以根據受力大小產生不同電阻變化的原件。基本工作原理為：因為本身是一個電阻，隨著感受到了力量越大，電阻會逐漸變小；力量和電導成正比，所以我們可以經由感應到的電阻值回推受力大小。本研究在價格與測量精確度做權衡之後，選用的是 Interlink Electronics 公司生產的一款重量輕、體積小、感測精度高的超薄型電阻式壓力感測器(FSR-406)。這是一塊長約 45 毫米，寬 38 毫米的方形壓力感測器，隨著施加在感應區域的力量大小變化，其所輸出的電阻值將會有相應的變化。此感測器能夠檢測 0.1N~10N 的壓力。感測器背面附有黏膠，只需撕下就可以黏貼於須探測部位，非常易於使用 (InterlinkElectronics, 2015)。截至目前，已有許多研究使用壓力感測器來做為各種姿勢分類的資料取得方法，因為壓力感測器的價格平實，且放置在座椅、床墊等物體上時，因為薄膜型的設計，讓使用者能不會感到任何的不舒適。在 Paolo Barsocchi(2017)等人的研究中提到，因為老年人口持續增加，所以老人照護變得十分重要，對於睡眠時無法自己翻身的老年人，為了避免褥瘡的生成，監控睡姿並定期幫他們翻身，就變成一件很重要的事(Reddy et al., 2006)。Paolo Barsocchi 的研究中將四十八個壓力感測器貼於床板，用以取得區域的壓力資訊，並使用邏輯回歸分析(Logistic Regression)來分類睡姿，所得的錯誤率(Error Rate)低於百分之十。研究中更提到使用壓力感測器監控睡姿，使用者不需要配戴任何物品，也能得到令人滿意的分類結果。另一使用壓力感測器偵測睡姿的研究，是將六個感測器佈於枕頭底部，在研究中使用類型比對(Pattern Matching)的方法，其辨識的準確率為百分之九十六(Nguyen et al., 2017)。. 4.

(12) 圖 1 壓力感測模組硬體設計圖(Interlink Electrionic, 2010) 壓力感測器除了用於睡姿辨識，同樣也有研究人員將其應用在坐姿辨識上，在 Congcong Ma(2017)等人的研究中，將壓力感測器放置於輪椅上，偵測輪椅使用者的坐姿是否有重心偏移歪斜的傾向，若有坐姿不端正的傾向會及刻辨識，且應該及時通知輪椅使用者的照顧人員，以預防輪椅翻覆的可能。此外，在 Martins(2014)等人的坐姿辨識研究中，使用了人工神經網路(Artificial Neural Networks)進行分類，得到 98%的分類準確率。除了睡姿與坐姿的辨識，壓力感測器同樣也能應用於步態的偵測，在 Paulo Lopez-Meyer(2011)等人的研究中，取壓力感測器輕薄柔軟的特性，將四片壓力感測器放置於鞋底，取得足部四個區域的壓力資訊，用來偵測使用者的步態是否正確，研究人員認為此產品對中風後的復健，有一定程度的幫助。從上述的研究可以得知，壓力感測器已經廣泛的被應用於各種姿勢的辨識。搭配不同的分類演算法，皆能得到良好的分類準確率。. 5.

(13) 第三節坐姿辨識相關研究坐姿辨識一直都有很多樣的方法，許多研究中透過錄影的方式，將 2D 方法與 3D 人體模型結合。三維模型屬於真實的人體模型，用於獲取參考姿勢以與測試姿勢進行比較(Boulay et al., 2006)。亦有研究中提出了透過紡織壓力感測器測量人體上的壓力分佈，導電紡織物製成的電極安裝在可壓縮墊片的兩側，形成可變電容器(Meyer et al., 2010)。過去的坐姿辨識研究，實行門檻較高，且需要耗費較多時間完成程式的校正與數據的解讀。因為現代人的生活環境與工作環境已與坐姿密不可分，坐姿辨識逐漸受到重視。找出如何使用不費成本又能有效辨別坐姿的方式亦成為許多研究的目標。有許多壓力感測器與坐姿分類結合的研究，例如：在 Manli Zhu(2003)等人的研究中，使用分片逆迴歸法(Sliced Inverse Regression)結合 42*48 個壓力感測器，進行 10 種坐姿的分類，獲得 86% 準確率。Zemp(2016)的研究中，運用隨機森林演算法(Random Forest)，放置了 16 個壓力感測器，進行 7 種坐姿的分類，獲得 90.90% 準確率。在 Jan Meyer 等人(2010) 的研究中則是使用了樸素貝葉斯分類器(Naïve Bayes)，放置了 96 個壓力感測器，對 16 種坐姿進行分類，獲得 82% 的準確率。在 Jongryun Roh(2018)的研究中則使用了支持向量機演算法(Support Vector Machine)，搭配徑向基函數核(Radial Basis Function Kernel) 對 6 種坐姿進行分類，獲得 97.20%的準確率，此研究與上述幾個研究不同的地方為，並非使用薄膜型的壓力感測模組，而是使用荷重元(Load Cells)，一種厚度較厚的測重感測器，較少坐姿分類之研究採用此感測器，原因為荷重元的厚度，可能影響使用者的舒適程度。由本節可得知，壓力感測器已廣泛的運用於各類坐姿辨識研究，且壓力感測器取得容易、所得數據也能夠很輕易的解讀。且在許多的分類演算法中，SVM 有極好的坐姿分類表現，而因近年類神經網路的蓬勃發展，許多研究亦採用深度學習之方法進行坐姿的分類，並且皆能有高水準的表現。故本研究亦選用壓力感測器作為壓力資料收集之工具，以及三種分類演算(SVM, ANN, CNN)法進行後續之實驗。. 6.

(14) 第四節分類方法一、支持向量機(Support Vector Machine, SVM) 支持向量機(Support Vector Machine，簡稱 SVM)基本上是一個基於統計學理論的非參數監督二元分類技術(Yap et al., 2010) (Dardas et al., 2010)，將原始數據投影到由核函數(Kernel Function)指定的較高維空間中，並且計算線性分離的兩個或更多類的最大邊界超平面(Hyperplane)判定面。此演算法嘗試將鬆弛的變數(slack variables)保持為零，同時使邊界(margin)最大化。 SVM 分類器與神經網路密切相關。實際上，使用 S 形核函數(Sigmoid Kernel Function) 的 SVM 分類器模型與兩層感知器類神經網路(Perceptron Neural Network)相同。在 SVM 分類器中，預測變量被稱為屬性 (Attribute) ，而用於定義超平面的變換屬性 (Transformed Attribute)被稱為特徵(Feature)。一組特徵被定義為向量(Vector)，因此建立 SVM 模型的目標為找到一個最佳的超平面(Hyperplane)，使得兩個不同的類別分得最開(Wozniak, 2008)。以二維的例子來說，若希望能找出一條線能夠將黑點和白點分開，而且希望這條線距離這兩個集合的邊界(Margin)越大越好，這樣才能夠很明確的分辨這個點是屬於哪個集合，否則在計算上容易因準確度的問題而產生誤差 (Chamasemani et al., 2011) 。分離兩組數據的最簡單方法是使用直線（一維），平面（二維）或 N 維超平面。然而，在某些情況中，存在非線性的方式可以更有效地分離兩組數據。而 SVM 透過使用核函數，來解決數據無法用線性的方式進行分離的情況。本研究透過 LIBSVM 實作，而在 LIBSVM 中，有四個主要的核函數 (kernel function)，線性核函數(linear kernel)，多項式核函數(polynomial kernel)，徑向基核函數 (radial basis function kernel)，神經元的非線性作用函數核函數(sigmoid kernel)，以及用戶自定義核函數。雖然 SVM 為一種二元分類的分類方法，但依然有方法分出超過兩種的類別。常見的方法有二：一為一對多法(One-Versus-Rest)，二為一對一法(One-Versus-One)。其中一對多的執行策略需要為每一個類建立一個唯一的分類器，屬於此類的所有樣例均為正例，其餘的全部為負例。而一對一的分類策略為，對於一個 K 類多元問題，訓練 K. 7.

(15) (K−1)/2 個二元分類器；每一個從初始訓練集中收到一對類樣例，並且必須學習去區分這兩個類。在預測時間內，會進行投票：所有 K(K-1)/2 個解釋器被應用於一個未知樣例，並且那個得到最多票數的類別，會成為組合分類器的預測結果(Y. Ma et al., 2014)。. 二、人工神經網路(Artificial Neural Network, ANN) 人工神經網路（Artificial neural networks, ANN）是一組相互連接的節點，類似於大腦中龐大的神經元網路。如圖 3 示意圖中，每個圓形節點代表人造神經元，箭頭代表從一個人造神經元的輸出到另一個人造神經元的輸入的連接。神經網絡本身不是演算法，而是許多不同機器學習演算法的框架，它們協同工作並處理複雜的數據輸入。這樣的系統透過許多範例來學習並執行任務，通常不用提前知道任何細節或規則。例如，在圖像辨識中，他們可以透過分析已經手動標記為“貓” 或“沒有貓”的範例圖像，並使用結果來識別其他圖像中的貓來學習識別包含貓的圖像。類神經網路在沒有任何關於貓的先備知識的情況下這樣做。例如，不需要知道貓有毛皮，尾巴等等。相反，它會自動從他們處理的學習資料中生成這些識別特徵。雖然自 20 世紀 40 年代以來神經網路已經存在，但在過去的幾十年裡，它們才真正成為人工智慧的主要部分。這是由於一種稱為“反向傳播”(Back Propagation, BP)的技術的發展，另一個重要的進步是深度學習神經網路的興起，透過多層網路的不同層提取不同的特徵，直到它能夠識別它正在尋找什麼。有許多種類型的神經網路，每種神經網路都有自己適合的使用情況和復雜程度。最基本類型的神經網絡稱為前饋神經網路(Feedforward Neural Network)，其中訊息僅在一個方向上從輸入到輸出傳播。更廣泛使用的網路類型像是遞迴神經網路(Recurrent Neural Network)，其數據可以在多個方向上流動。這些神經網路具有更強的學習能力，並廣泛用於更複雜的任務，如學習手寫或語言識別。人工神經網路 (Artificial Neural Networks, ANN) ，是一類前饋人工神經網路 (Feedforward Neural Network)。ANN 至少包括三層節點：輸入層，隱藏層和輸出層。除輸入節點外，每個節點都是使用非線性激活函數的神經元。ANN 可以被看作是一個有向圖，由多個的節點層所組成，每一層都全連接到下一層。除了輸入節點，每個節. 8.

(16) 點都是一個帶有非線性激活函數的神經元。而 ANN 網絡是目前使用最廣泛的帶有反向傳播學習演算法的神經分類器。BP 用於該分類器是一個監督式神經網絡，可以使用多個輸入，輸出和隱藏層與任意數量的神經元。它可以區分不可線性分離的數據。ANN 是感知器(Perceptron)的推廣，克服了感知器不能對線性不可分數據進行識別的弱點 (Sozou et al., 1997)。. 三、卷積神經網路(Convolutional Neural Network, CNN) 在深度學習中，卷積神經網絡（Convolutional Neural Network, CNN)是深度神經網路的一種。近年來，卷積神經網路被視為深度學習網絡領域的主力之一，在圖像辨識上，甚至有超越人類辨識精準度的表現。雖然本研究與影像辨識沒有直接的關聯，但若要選擇一個不負眾望的深度學習分類方法，卷積神經網絡則為上上之選。卷積層中的濾波器(filter)透過學習進行參數的調整，以提取特定任務中最有用資訊。卷積網路會自動進行調整，為目標任務找到最符合的特徵。例如：當進行一般的物體辨識時，CNN 通常會提取“物體形狀”的作為重要的辨識資訊，但是當進行鳥類辨識時， CNN 將“鳥類的顏色”視為重要的特徵。這是因為在卷積神經網路的理解下：不同類別的物體具有不同的形狀，然而不同類型的鳥類在顏色上比起在形狀上的差異更加顯著。卷積網絡由輸入層(input layer)，輸出層(output layer)和一個或多個隱藏層(hidden layer)組成。隱藏層包含了卷積層(convolutional layers)、池化層(pooling layers)和完全連接層(fully connected layers)。CNN 透過卷積層來抽取特徵，第一層卷積層可能只能提取一些低階的特徵如邊緣、線條和角等等，更多層的卷積層能從低階特徵中疊代提取更複雜、更抽象的特徵。透過卷積運算獲得特徵之後，接下來我們可以用這些特徵來進行分類的任務。理論上，可以使用諸如 softmax 等激活函數(activation function)的分類器來使用所有提取的特徵，但這在計算上具有挑戰性。池化(pooling)，即是為降低輸入的特徵維度，以及解決過度擬和的問題。這能幫助 CNN 判斷圖片中是否包含某項特徵，而不必分心於特徵的位置。. 9.

(17) 四、注意力機制(Attention Mechanism) 注意力機制最初是被運用於圖像領域的方法。隨著類神經網路的興起，注意力機制搭配深度學習方法也被廣泛應用於自然語言處理、圖像識別等領域(Gong et al., 2016)。Attention 是從人類視覺注意力獲得啟發(Hollis et al., 2018)，就如同我們看到某一個場景或圖片之初，一般不會從頭到尾詳細的看，而往往是根據需求觀察特定的部分。當我們發現某一類場景中，經常出現自己想觀察的事物時，我們將會進行學習，使得將來再看到類似場景時，將注意力集中於該部分。舉例來說，機器在執行人臉辨識之任務下，透過注意力機制，可以學習到每一張輸入的圖片中皆出現人臉，故會將注意力集中於人臉上。除了圖像識別外，在機器翻譯以及自然語言處理之領域，注意力機制扮演之角色亦日趨重要。通常而言，人們閱讀和理解一句話，其實有一定的先後順序，會按照著語言學之規則語法進行理解。注意力機制輸出的結果為注意力分配之係數，用以表現各特徵之權重比例(Jenkin et al., 2001)。而注意力機制主要之任務即為：決定輸入之圖片、文字等等的哪些部分需要被關注，以及對關鍵的部分進行特徵的提取，以得到重要的訊息。對於特徵選取而言，注意力機制在近年之研究中都有良好的表現(Ma et al., 2019; Vaswani et al., 2017)。. 10.

(18) 第參章研究方法第一節本研究之實驗坐姿定義根據本論文第貳章第一節坐姿相關研究中，可以了解斜躺及翹腳，為一般人日常生活中經常出現的不良坐姿。故本研究將此二大類坐姿，細分為七種不建議的坐姿。本研究定義之坐姿包含一種適當及七種不適當坐姿：斜躺、左側坐、右側坐、翹左腳、翹右腳、翹左二郎腿、翹右二郎腿(圖 2)。. 圖 2 本研究定義坐姿. 第二節實驗設計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。. 11.

(19) 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) 。. 資料收集. 坐姿分類. SVM模型建立. 結果評估. 圖 3 本研究之 SVM 模型建立流程圖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. 12.

(20) 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。. 13.

(21) 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. 14.

(22) 三、資料收集本研究為建立坐姿分類之模型，故需進行資料收集。資料收集分為兩類：第一類為限制坐姿使用情況資料，第二類為實際座椅使用情況資料。限制坐姿使用情況資料用於訓練分類模型，以及對建立之分類模型進行初步的測試和準確率評估。實際座椅使用情況資料當作主要測試集，為提高坐姿分類模型的可信度及評估其可用性。以下為資料收集方式說明：. (一) 限制坐姿使用情況資料 1.. 受試者 36 人，19 位男性及 17 位女性。身高分佈在 155-183 公分之間，體重分布在 45-88 公斤。. 2.. 每一個坐姿持續 70 秒鐘，捨去前後 5 秒之資料，並取中間 60 秒鐘進行資料收集，總共有八個坐姿（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），採樣週期為 0.2 秒/次，受試期間，受試者可以正常使用手機、電腦或閱讀。. 3.. 總共有 86,400 筆資料。. (二) 實際座椅使用情況資料 1.. 受試者 15 人，5 位男性及 10 位女性。身高分佈在 155 公分到 179 公分之間，體重分布為 45 公斤到 85 公斤。. 2.. 受試者坐在椅墊上 30 分鐘，可自由變換坐姿，此八種坐姿並非必須每一種都出現在此 30 分鐘內，取樣週期為 0.2 秒/次。. 3.. 受試者能正常使用手機、電腦及閱讀，經受試者同意，進行全程的錄影及記錄。. 4.. 總共 135,000 筆資料。. 15.

(23) 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)。. 智慧椅墊設計. 特徵選擇. •決定感測器擺放方式 •決定分類演算法 •決定取樣週期. •決定感測器數量 •了解各感測器對不同坐姿的重要性. 圖 7 實驗流程圖. 第三節研究工具本研究之實驗分為硬體部分與軟體部分。實驗之硬體部分為，將壓力感測器黏貼於 L 形椅墊的坐墊區域與背部區域，並將椅墊固定於座椅，將壓力感測器與 Arduino101 連接，壓力感測器收集的數據透過 Arduino 101 傳至電腦，進行坐姿的識別。軟體部分則為使用不同的分類演算法，分類本研究所定義之八種坐姿。實作上 SVM 使用 Libsvm3.0 library，ANN、CNN 及注意力機制則用 Keras library。. 16.

(24) 第四節評估方式一、準確率(Accuracy) 準確率表示所有的預測樣本中，預測正確的比例。 Accuracy(p) = 預測是 p 且實際也是 p 的樣本數 / 所有樣本數 p：任一坐姿（適當坐姿、斜左坐、側右坐、翹左腿坐、翹右腿坐、翹左二郎腿及翹右二郎腿）. 二、 K-fold 交叉驗證本研究中為了避免實驗結果，因為過度依賴某一訓練集或測試集，而造成結果的偏差（結果過度的好或過度的不好），所以在每個實驗的評估中進行 K-fold 交叉驗證法。K-fold 交叉驗證法的概念為，將每次實驗都提取一集合資料作為測試資料，其餘的資料作為訓練資料，並重複施作至每個集合資料都已被當作測試資料為止。最後的結果 (Predication results) 在和真實答案 (ground truth) 進行成效比較 (Performance Comparison)。. （一）限制坐姿使用情況資料 1.. 總共 36 人，故在交叉驗證實驗時，會重複施作 36 次。. 2.. 每一次提取其中一人的坐姿資料，每一種坐姿 300 筆，八種坐姿共 2400 筆，做為測試集，其餘資料作為訓練集（每一種坐姿 10,500 筆，八種坐姿共 84,000 筆）。. 3.. 取 36 次之平均作為結果。. （二）實際座椅使用情況資料 1.. 總共有 15 人，此部分資料為測試集。用以了解坐姿分類模型在實際座椅使用情況時之準確率，檢視此座墊在實際使用情況時，是否依然能夠準確分類坐姿。. 17.

(25) 第肆章實驗及結果討論本章分為兩小節，第一節智慧椅墊設計包含了討論椅背感測器的重要性、決定分類方法所使用的參數、決定智慧椅墊取樣週期以及演算法等實驗。第二節特徵選擇實驗中，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. 18.

(26) 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。經由此實驗的結果，就算不特別調整各演算法之參數，發現若在椅背區域黏貼感測器，並不一定提高分類本研究之八種坐姿的準確率，故決定將椅背區域的感測器拆除。下面各階段的實驗中，僅保留椅墊區域的 14 個感測器進行。表 1 比較坐墊區與坐墊區與靠背區黏貼感測器之分類準確率分類方法. 坐墊區（14 個感測器）. 坐墊區及靠背區（28 個感測器）. SVM. 90.64%. 88.38%. ANN. 90.51%. 89.84%. CNN. 91.42%. 90.90%. 二、決定坐姿分類方法使用參數之實驗此實驗將對三種分類演算法之主要參數進行調整。經由此實驗，決定一組分類結果最良好的參數，進行下一階段的實驗。訓練與測試資料皆與上述實驗相同。. （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，所得之平均準確率結果如表 2。. 19.

(27) 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。. 20.

(28) 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，縱軸為準確率，長條圖中綠、藍和黃分別表示隱藏層層數 1、2 和 3。. 21.

(29) 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。 100.00%. 93.44%93.42% 92.54%. 92.20%. 93.43% 92.70%. 93.54% 93.14%. 93.28%93.48%. 92.18%. 92.14%. 準確率. 80.00%. 60.00%. 40.00%. 20.00%. 0.00% 64. 128. 256. 512. hidden layer size 1. 2. 3. 圖 10 ANN hidden layer number 1,2,3 參數調整準確率比較. 22.

(30) 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。. 23.

(31) 100.00%. 95.31%. 95.38%. 95.67% 96.17% 95.92% 96.17% 95.68% 95.88% 95.22% 95.31% 95.18% 95.58%. 準確率. 80.00%. 60.00%. 40.00%. 20.00%. 0.00% 64. 128. 256. 512. filter number 3. 5. 7. 圖 12 CNN filter size3,5,7 參數調整準確率比較在不同的參數下的 CNN 分類器皆有大於 95%的分類準確率。在 filter 大小為 3 且數量為 256 和 512 時，CNN 分類器達到 96.17% 的分類準確率，由於在 filter 數量為 256 時，就已達成與 filter 數量為 512 時相同的表現，故後續之實驗將選用 filter 大小為 3 且數量為 256 之 CNN 模型進行實驗 (圖 12) 。圖 13 為 filter 大小為 3 且數量為 256 時下，各類坐姿分類之混淆矩陣縱軸由上而下、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、翹右二郎腿、翹左二郎腿。由混淆矩陣可知，較明顯的坐姿分類錯誤僅出現在右側坐被分類為躺姿。CNN 分類器比起上述兩個分類器，改善了左側坐被分類成適當坐姿的表現。也提高了右側坐的分類準確率，使所有坐姿的分類結果皆有 90%以上的分類表現。. 24.

(32) 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. 93.54%. Size = 256. CNN. Filter size = 3 Filter number = 256. 25. 96.17%.

(33) 三、決定取樣週期以及分類演算法之實驗此實驗目的在於了解取樣週期對於分類準確率之影響，及了解三種演算法（沿用上述實驗結果決定之參數）在實際使用情況下的表現。由於上述的實驗結果為在限制坐姿的情況下進行測試，故此實驗將討論在實際使用情況下的各分類結果表現。經過上述實驗結果，本實驗將使用以下分類模型進行坐姿分類： 1. SVM（RBF kernel） 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%左右的時間維持適當坐姿，所有錯誤坐姿的比例佔了總時數的 80%。各個不良坐姿分佈情形，屬翹腳坐為多數，而向左傾斜及向右傾斜而坐之時間分佈亦各佔總坐姿時數的 25%左右。表 4 各類坐姿總時間各類坐姿時間分佈. 秒. 適當坐姿. 6526. 斜躺. 2361. 左側坐. 正確坐姿, 24.17%. 翹左二郎腿, 8.70%. 2681. 右側坐. 2968. 翹左腳. 3864. 翹右腳. 3170. 翹左二郎腿. 2350. 翹右二郎腿. 翹右二郎腿, 11.41%. 翹右腳, 11.74%. 翹左腳, 14.31%. 斜躺, 8.74% 左側坐, 9.93% 右側坐, 10.99%. 正確坐姿. 斜躺. 左側坐. 右側坐. 翹左腳. 翹右腳. 翹左二郎腿翹右二郎腿. 3080. 圖 14 各類坐姿時數百分比 26.

(34) （一）支持向量機(Support Vector Machine, SVM) 1.取樣週期對不同坐姿之影響由圖 15 可知，不同顏色的長條代表不同的取樣週期，橫軸為坐姿，縱軸為分類準確率，實驗後發現取樣週期確實可能對分類準確率造成影響。但由圖 15 可以了解，不同週期對於各類坐姿的分類準確率之影響，是很微小的。舉例來說，斜躺這個坐姿不論何種取樣週期下，都有接近百分之百的分類準確率。除了斜躺之外，其他七種坐姿，一樣有類似的分佈表現。在實際座椅使用情況實驗中，屬翹左邊二郎腿之分類結果最為不佳，分類結果將其分類為翹左腳，因屬同類型的翹腳姿勢，使其容易收到混淆。然而大部分的坐姿分類準確率皆達到 80%以上的分類表現。由圖 15 可知，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 16)之取樣週期採用每 0.2 秒/次，最主要的分類錯誤出現在翹左二郎腿，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。 100.00% 90.00%. 準確率. 80.00% 70.00% 60.00% 50.00% 40.00%. 0.2. 1. 3. 5. 10. 15. 20. 圖 15 取樣週期對不同坐姿之影響(SVM). 27.

(35) 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。. 28.

(36) 100.00% 90.00%. 準確率. 80.00% 70.00% 60.00% 50.00% 40.00%. 0.5. 1. 3. 5. 10. 15. 20. 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)。. 29.

(37) 100.00% 90.00%. 準確率. 80.00% 70.00% 60.00% 50.00% 40.00%. 0.2. 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. 30.

(38) 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。. 31.

(39) 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。 100.00% 90.00%. 準確率. 80.00% 70.00% 60.00% 50.00% 40.00%. 0.5. 1. 3. 5. 10. 15. 20. 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 32.

(40) （三）卷積神經網路(Convolutional Neural Network, CNN) 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上述兩個演算法一樣並無太明顯的差異(圖 23)。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，而大部分的坐姿分類準確率皆達到 80%以上的分類表現，並且 CNN 比起上述兩個演算法提高了斜躺、左側坐、右側坐、翹左腳及翹右腳的分類準確率。由圖 21 可知，在 CNN 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 24)之取樣週期採用每 0.2 秒/次，CNN 分類器最主要的分類錯誤，與上述兩種分類器相似出現與在翹左二郎腿。比起其他坐姿，翹左二郎腿的準確率偏低，但與上述兩種分類器相比，CNN 不僅提升了翹左二郎腿，也提高了翹左腳的分類準確率。部分翹左二郎腿坐姿被歸類為翹左腳，亦可看出，CNN 減少了將不適當坐姿歸類成適當坐姿的可能性。 100.00% 90.00%. 準確率. 80.00% 70.00% 60.00% 50.00% 40.00%. 0.2. 1. 3. 5. 10. 15. 20. 圖 23 取樣週期對不同坐姿之影響(CNN). 33.

(41) 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。. 34.

(42) 100.00% 90.00%. 準確率. 80.00% 70.00% 60.00% 50.00% 40.00%. 0.5. 1. 3. 5. 10. 15. 20. 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，皆有良好的表現。而 CNN 對大部分的坐姿（斜躺、左側坐、右側坐、翹左腳、翹右腳及翹左二郎腿），皆有最佳的表現。即便在適當坐姿與翹右二郎腿姿勢下，CNN 並沒有. 35.

(43) 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%. 36.

(44) 100.00%. 準確率. 95.00% 90.00% 85.00% 80.00%. 坐姿種類 SVM. ANN. CNN. 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. 99.00% 97.00%. 準確率. 95.00% 93.00%. 92.94%. 92.94%. 92.84%. 93.03%. 92.72%. 92.69%. 92.70%. 91.46%. 91.44%. 91.37%. 91.49%. 91.30%. 91.18%. 91.23%. 88.85%. 88.85%. 88.83%. 88.75%. 88.84%. 88.97%. 88.74%. 0.5. 1. 3. 5. 10. 91.00% 89.00% 87.00% 85.00%. SVM. ANN. 15 20 取樣週期(秒/次). CNN. 圖 28 實際座椅使用情況，不同分類演算法之表現圖 28 為實際座椅使用情況時，三種分類器在不同取樣頻率時的表現。可以得知， CNN 依然有最好的表現，其次是 ANN 再來是 SVM。雖然取樣週期對於分類準確率之影響，僅在 1%內浮動，仍然可以看出取樣週期在 5 秒/次時，ANN 與 CNN 分類演算法皆有較好的表現。故決定智慧椅墊之取樣週期設定在 5 秒/次。. 37.

(45) 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。. 38.

(46) 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). 39.

(47) 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). 40.

(48) 圖 31 為一受試者在 30 分鐘內的實際坐姿與椅墊之預測坐姿。由圖可得知，此受試者之坐姿變換頻率較高，而就算在高頻率的坐姿變換情況下，依然能準確分類使用者大部分的坐姿。亦可發現，此受試者與上一位受試者遇到類似的情形，在自己認為正坐的情況下，卻被分類為傾斜而坐之坐姿。由此情況可以推測，有部分使用者誤會自己正坐，然而實際上並非如此。. 圖 31 坐姿判定結果圖(3). 41.

(49) 由實驗結果可得知，選用 CNN 分類器（Filter size = 3，Filter number = 256），取樣週期為 5 秒/次時，在實際座椅使用情況時，平均依然能有良好的表現(91.96％)。亦可發現部分使用者認為的適當坐姿，其實並非為真的正坐，因此有適當坐姿被分類為翹腳坐姿的情形。. 第二節特徵選擇透過上述實驗可得一初版之智慧椅墊，包含感測器數目、演算法以及取樣週期都已訂定。而此章節將針對椅墊區域的感測器進行刪減，討論是否能再以更少數量的感測器，依然達到良好的分類結果。根據上述實驗結果得知，使用 CNN 坐姿分類模型下，有最佳的分類結果，故本節透過注意力機制結合 CNN 分類器（Filter size = 3，Filter number = 256）（Attention mechanism based on CNN），進行特徵選擇。注意力機制輸出之結果為一機率分布，故每個感測器所得之權重總和應為 1。各個感測器之權重值如表 6。表 6 感測器權重值感測器編號. 權重數值. 1. 2. 3. 4. 5. 6. 7. 0.113. 0.093. 0.089. 0.081. 0.079. 0.077. 0.072. 8. 9. 10. 11. 12. 13. 14. 0.07. 0.068. 0.066. 0.063. 0.049. 0.047. 0.033. 感測器編號. 權重數值. 圖 32 為坐墊示意圖，故感測器編號 10 和 3 分別為右腿及左腿，感測器編號 5 和 14 則為骨盆區域。顏色愈深的感測器代表重要性越高，由圖可知，編號 1 的感測器最重要，而編號 14 的感測器重要性最低。. 42.

(50) 本實驗欲進行感測器的拆除，將由最不重要的感測器（編號 14）開始依序拆除。在拆除感測器的過程中，亦可了解感測器對於不同坐姿的重要性。. 圖 32 坐墊示意圖特徵選擇實驗所使用的測試資料為實際座椅使用情況資料，分類準確率則為 15 人之坐姿分類準確率平均；以及限制坐姿使用情況資料，分類準確率則為 36 人之坐姿分類準確率平均。圖 33 為限制坐姿使用情況與實際座椅使用情況之比較，準確率之改變趨勢，大致隨著感測器數量遞減。在十四個感測器時，兩種座椅使用情況都有 90%以上的坐姿分類準確率，可以看出在剩下六個感測器時，依然有很良好的表現 (91.85%、 91.53%) 。. 43.

(51) 與過去的研究相比（第貳章第三節），本研究使用較少的感測器個數，可以達到相同甚至更好的分類水準。由圖 33 得知，在使用六個感測器時，不論在限制坐姿使用情況或實際坐姿使用情況時，皆有大於 90% 的分類準確率。亦可發現在限制坐姿使用情況時的準確率，與實際座椅使用情況的準確率差異不大。在使用五個以下的感測器時，準確率有較大幅度的下降。 100.00% 90.00%. 96.17% 96.17% 94.02% 94.40% 93.05% 93.01% 92.50% 92.93% 91.85% 93.91% 93.34%. 90.72%. 80.00%. 82.97% 93.31% 91.59% 92.56% 91.74% 90.77% 91.53% 76.87% 77.18%. 70.00% 60.00%. 60.93% 65.22%. 50.00%. 55.04%. 40.00% 30.00% 20.00% 10.00% 0.00% 14. 13. 12. 11. 10. 9. 限制坐姿使用情況. 8. 7. 6. 5. 實際座椅使用情況. 圖 33 限制坐姿使用情況與實際座椅使用情況之比較. 44. 4. 3.

(52) 圖 34 為限制坐姿使用情況時，各類坐姿在刪減感測器的過程中，分類準確率的表現。不同顏色的線段代表不同的坐姿，可以看出各類坐姿在僅剩六個感測器的情況下，所有坐姿的準確率依然在 80%以上，部分姿勢甚至有高於 90%的分類準確率。在只剩五個感測器時，部分坐姿之準確率已低於 80%，故低於六個感測器時，對於本研究八種坐姿之分類，將可能出現不佳的分類表現。 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 14. 13. 12. 11. 10. 9. 8. 7. 6. 5. 4. 3. 感測器數量適當坐姿. 斜躺. 左側坐. 右側坐. 翹左腳. 翹右腳. 翹左二郎腿. 翹右二郎腿. 圖 34 準確分類各類坐姿，所需最少感測器(1) 圖 35 為實際座椅使用情況時，各坐姿在刪減感測器的過程中，分類準確率的表現。不同顏色的線段代表不同的坐姿，可以看出各類坐姿在僅剩六個感測器的情況下，大部分的姿勢依然有 80%左右的分類準確率。雖然在限制坐姿使用情況下，剩下四個感測器時，所有坐姿準確率都有 60%以上的準確率。但是在實際座椅使用情況下，翹左二郎腿已經完全無法被分類。. 45.

(53) 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00% 14. 13. 12. 11. 10. 9. 8. 7. 6. 5. 適當坐姿. 斜躺. 左側坐. 右側坐. 翹左腳. 翹右腳. 翹左二郎腿. 翹右二郎腿. 4. 3. 圖 35 準確分類各類坐姿，所需最少感測器(2) 總結上述實驗結果得知，表 7 總結上圖之結果，各坐姿能夠被分類出之感測器數量，可以得知最少需放置六個感測器，才能確保各個坐姿都能夠被準確分類，舉例來說，適當坐姿需要有六個感測器才能被準確分類（編號 1 至 6），而斜躺則須四個感測器（編號 1 至 4）才能被準確分類，感測器的擺放方式參照圖 32。表 7 分類各坐姿所需之最少感測器數量感測器編號. 1. 2. 3. 4. 5. 6. 適當坐姿. v. v. v. v. v. v. 斜躺. v. v. v. v. 左側坐. v. v. v. v. 右側坐. v. v. v. v. 翹左腳. v. v. v. v. v. v. 翹右腳. v. v. v. v. v. v. 翹左二郎腿. v. v. v. v. v. v. 翹右二郎腿. v. v. v. v. v. v. 46. 7. 8. 9. 10. 11. 12. 13. 14.

(54) 圖 36 說明六個感測器的擺放位置（黃色標註處），雖然感測器擺放方式左右並不對稱，但是個數仍呈現平均分配，左右各擺放三個感測器即能準確分類此八類坐姿。透過實驗發現，若要分類出斜躺、傾斜而坐等姿勢，只需使用前半部的四顆感測器（編號 1、2、3 及 4）即能判別，而欲分類適當坐姿及翹腳坐姿則需多使用兩個後半部分之壓力感測器（編號 1、2、3、4、5 及 6）。. 圖 36 六顆感測器擺放方式. 47.

(55) 權重最大的六個感測器，可能為較佳的感測器排列方式。但欲找出最佳的排列方式，需窮舉出所有排列方式，此方法勢必耗費許多時間，參考 Mutlu 等人(2007)之研究，說明在一般座椅使用情況時，椅墊區域之壓力分佈呈現對稱，故以下將針對一對稱版本之感測器擺放方式進行實驗。圖 37 說明六個感測器的擺放位置（黃色標註處），由於各個感測器之權重值差異不大 (表 6) ，故進行對稱的擺放方式之坐姿分類實驗，評估是否優於權重最高之六個感測器之分類表現。各使用者之實際座椅使用情況準確率如圖 38。可以發現在六個感測器對稱擺放時，與權重最高之六個感測器擺放方式比較，在大多數使用者的使用狀況下，權重最高之六個感測器之擺放方式，有較高的坐姿分類準確率。在實際坐姿使用情況下，對稱擺放六顆感測器時 (圖 37) ，得到平均 90.48%的準確率，而在權重最高的前六個感測器擺放方式下(圖 36)，得到 91.53%的準確率(圖 33)。在窮舉出六個感測器的擺放方式後，有可能出現比 91.53%還要更高的準確率。然而此六個感測器之擺放方式(圖 36)與擺放十四個感測器時之準確率 91.85%相距不遠(圖 33)，說明在此擺放方式下(圖 36)，坐姿分類準確率有良好的表現。本實驗說明，使用少數的感測器達成良好的分類準確率，且感測器擺放方式亦有可能成為影響分類準確率的因素之一。. 48.

(56) 圖 37 六顆感測器對稱擺放方式 100.00% 90.00% 80.00% 70.00% 60.00% 50.00% 40.00% 30.00% 20.00% 10.00% 0.00%. 對稱. 前六高. 14顆感測器. 圖 38 感測器擺放方式準確率比較. 49.

(57) 第伍章結論與未來展望在 2018 年的 Ayla Connect 物聯網研討會中，一知名企業之策略總監 Tom Kerber 說道：物聯網的價值正從硬體轉換到所收集的數據和分析。本研究透過 Arduino 101 結合壓力感測器，進行數據收集。透過不同的分類演算法進行坐姿的分類，落實將所收集的數據進行分析的目的。藉由簡單的硬體設備搭配新穎的分類演算法，本研究體現了現今物聯網的價值：收集數據和分析。透過 Arduino 101 與壓力感測器的結合而成的智慧椅墊，得以進行坐姿的分析。為了解智慧椅墊是否能夠達成坐姿分類之目的，透過兩種使用情況之實驗（限制坐姿使用情況與一般座椅使用情況），進行智慧椅墊之分類準確率檢測。本研究透過 86,400 筆資料進行模型的訓練，且在實際座椅使用情況實驗時，使用 135,000 筆資料進行測試。比較不同的機器學習演算法 (SVM, ANN, CNN) ，對坐姿分類的準確率的影響，並進行參數的調整，及實驗不同取樣週期對於分類準確率之影響，了解此三種分類演算法皆有良好的分類表現，並選擇最適合本研究之坐姿分類演算法。發現使用 CNN 分類演算法 (Filter size = 3，Filter number = 256) 與 14 個壓力感測器，在限制坐姿使用情況下，坐姿分類之準確率可達到 96.17%，而在實際座椅使用情況下則有 93.91%的分類表現。而經過特徵選擇實驗，降低了黏貼於椅墊的感測器數量， CNN 分類演算法 (Filter size = 3，Filter number = 256) 與 6 顆感測器，在限制坐姿使用情況下達到 91.85%的準確率。在實際座椅使用情況下，對稱擺放六顆感測器得到 90.16% 之分類準確率。擺放權重值前六高之感測器，則有 91.53%的坐姿分類表現。且在取樣週期為 5 秒/次時，有最好的分類表現。本研究完成一智慧椅墊，使用少量的感測器與基礎的物聯網開發板，降低了硬體成本，達成良好的坐姿分類表現。在未來的研究中，除了再提升智慧椅墊之坐姿分類準確率，甚至將此椅墊發展為實用的系統，透過智慧椅墊提供的結果報告，得以分析不良坐姿與其他行為的相關性，例如：用於醫療、工作或學習。這也是 IoT 最重要的目標之一，從微小的事著手，卻能對生活造成改變，期望藉此智慧椅墊的雛型坐為開端，日後得以應用在現實生活中，並且真正讓使用者有所受益。. 50.

(58) 參考文獻 Andersson, B. J., Ortengren, R., Nachemson, A. L., Elfström, G., & Broman, H. (1975). The sitting posture: an electromyographic and discometric study. The Orthopedic Clinics of North America, 6(1), 105—120. Retrieved from http://europepmc.org/abstract/MED/1113963 Barsocchi, P., Bianchini, M., Crivello, A., Rosa, D. La, Palumbo, F., & Scarselli, F. (2017). An unobtrusive sleep monitoring system for the human sleep behaviour understanding. 7th IEEE International Conference on Cognitive Infocommunications, CogInfoCom 2016 - Proceedings, (CogInfoCom), 91–96. https://doi.org/10.1109/CogInfoCom.2016.7804531 Boulay, B., Brémond, F., & Thonnat, M. (2006). Applying 3D human model in a posture recognition system. Pattern Recognition Letters, 27(15), 1788–1796. https://doi.org/10.1016/j.patrec.2006.02.008 Chamasemani, F. F., & Singh, Y. P. (2011). Multi-class Support Vector Machine (SVM) classifiers - An application in hypothyroid detection and classification. Proceedings 2011 6th International Conference on Bio-Inspired Computing: Theories and Applications, BIC-TA 2011, 351–356. https://doi.org/10.1109/BIC-TA.2011.51 Dardas, N., Chen, Q., Georganas, N. D., & Petriu, E. M. (2010). Hand gesture recognition using bag-of-features and multi-class support vector machine. HAVE 2010 - 2010 IEEE International Symposium on Haptic Audio-Visual Environments and Games, Proceedings, 163–167. https://doi.org/10.1109/HAVE.2010.5623982 Diaz, K. M., Howard, V. J., Hutto, B., Colabianchi, N., Vena, J. E., Safford, M. M., … Steven, P. (2018). Patterns of sedentary behavior and mortality in U.S. middle-aged and older adults: A national cohort study. 167(7), 465–475. https://doi.org/10.7326/M170212.Patterns Edwards, J. (2005). The importance of postural habits in perpetuating myofascial trigger point pain. Acupuncture in Medicine : Journal of the British Medical Acupuncture Society, 23, 77–82. https://doi.org/10.1136/aim.23.2.77 Fricton, J. R., Kroening, R., Haley, D., & Siegert, R. (1985). Myofascial pain syndrome of the head and neck: a review of clinical characteristics of 164 patients. Oral Surgery,. 51.