Over 30 million souls live in a world of darkness, a number greater than the populations of both Norway and Sweden combined. Every individual deserves the chance to embark on a journey across our magnificent blue planet. Yet, regrettably, little has been done to assist them. With this project, we’re lighting the way for the blind to explore our beautiful world independently, breaking free from dependence and embracing boundless horizons. In order to put our theory of the project into practice & explore the use of artificial intelligence & computer science, we started by collecting the required materials for our project such as micro-controllers, sensors, a pair of glasses, a laptop, and a miniature camera. Then we moved onto creating the project itself in which the digital software programmed onto the hardware plays the key-role, as the sensors and the camera will record the details and information from the surroundings and send it to the laptop for further processing. The camera would be the backbone of our project, as it will stream real-time footage to the laptop which will be analyzed by an open-source object detection model ‘YOLOv8’ for identifying objects. After finishing the base model of our project, we tested it in-front of objects such as toy cars, bikes, people, etc, and the results of the object-detection would be shown on the laptop. To observe this data, we created a device which has different modules and integrations for different functions. For example, we will use our camera and then stream it onto a laptop so the reading and the data can be processed on the laptop by AI using YOLOv8. As mentioned in the start, many people do not possess the ability to see, to assist them we have thought of this device which uses all readings and its analytical skills to analyze data and help them navigate, travel or simply, live a better life.

Stroke is a very common disease, almost a national disease. In terms of stroke frequency, 匈牙利 ranks second in the world. Every year, 40-50 thousand people become paralyzed or permanently injured as a result of cerebrovascular disorders. This number is three to four times higher than in developed countries. Almost every Hungarian family is affected! Of course, saving the life of someone who has a stroke is the most important thing, but rehabilitation is also very important, since only with the help of a physiotherapist will the patient be able to live a full life.

此研究探討正多面體(柏拉圖立體)再進行截角(truncation)和截半(rectified)的情況下，觀察其所形成的截角截半後的圖形變化，即其中一種阿基米德多面體的生成方式，並利用Geogebra電腦軟體模擬繪製，藉此來協助我們觀察並計算截角截半後的圖形周長及表面積，並分析其前後圖形比例之關係。

本研究以西洋棋為切入點，採用磁簧開關陣列來偵測棋子位置，並在設計中加入二極體以防止Ghosting效應，進而開發出一款以Arduino Uno開發板為基礎的智慧對弈棋盤。棋盤底部配備RGB LED燈，以便為使用者提供落子提示，並根據不同的落子類型呈現不同的燈光效果。 我們成功地透過簡潔的設計與高效的運算性能，實現了一個能夠識別棋手落子的智慧對弈棋盤，並能根據國際西洋棋規則提供正確的移動提示，讓完全沒有基礎的初學者也能在遊戲中學習並掌握西洋棋的所有規則。此外，我們還引入了基於Minimax演算法的輕量化AI和基於高效可更新神經網絡(NNUE)AI，並探討兩者之間的性能差異，從而使該智慧棋盤在節省運算資源的同時，可以在不連接電腦的前提下，具備一定的棋力，以支持棋手的技能提升與訓練。

本研究開發智慧寵物健康監控系統，融合熱顯影感測、AI學習、物聯網與邊緣運算，解決傳統健康監測無法即時數據化與預警的問題。初期以問卷與5W2H問題分析建構四大功能：體溫監測與AI發燒預測、糞便辨識與分類、飲食與飲水記錄、異常即時通報。 系統採用MLX90640熱顯影模組與ESP32-S3監測體溫，糞便辨識以Edge Impulse訓練模型，搭配ESP32-S3CAM實現即時運算。飲食行為由 HX711 與超音波感測器記錄，並同步推播至 Discord平台。分類模型參考獸醫建議導入布里斯托分類法，提升精準度。系統具備低成本、高精度與高度擴展性，展現智慧照護應用潛力。

本研究提出一套結合BERT模型與自訓練分類器的失語症分類系統，透過多個方法及參數組合提升判斷精確性。研究靈感來自櫻井等人(2023)[15]提出的BERT分類模型，並參考Cong et al.(2024)[5]針對大型語言模型(LLMs)在臨床環境中的應用，進一步探索自訓練分類器在增強BERT判別能力方面的潛力。 本研究的創新點在於，模型基於醫生標註的分類結果進行深度學習，而非讓AI直接從語料中自動分類病患類型，這與先前主要依賴LLMs自動分類的方法不同。此外，本研究納入詞性、語法結構與語音長度及肢體語言標記，以提升模型的處理能力與個人化治療。 考慮語料庫規模及醫學倫理，本研究採用AphasiaBank(全球最具權威的語料資源之一)的英文訪談文本進行模型訓練，同時移除所有個人隱私資訊。

本研究著重於透過面部表情的判斷進而推斷情緒狀態的深度學習神經網路模型。首先，將人類的情緒狀態分為七個類別，並透過MediaPipe框架取得影像中的臉部特徵位置，利用其座標框定臉部範圍並作為深度學習模型的輸入。第二，透過部不同特徵訓練模型，進一步優化模型識別情緒的準確度，並嘗試不同的特徵，例如：趨勢曲線函數的係數或是各種向量。最後我們設計了一個插件，利用此模型在Google Meet中進行即時的影像辨識並分析，作為線上課程的授課成效評估。 目前本模型在透過五層卷積層配合池化層及全連階層，並提取瞳孔眉毛向量、瞳孔鼻尖向量以及口部中心為基準點的向量作為特徵，能夠有84%的準確度，F1值落在約85，其中快樂情緒的辨識精準度高達98%。

本研究旨在開發一款能自動跟隨人的AI智慧運輸車，應用在 醫院、商場等環境，能減輕工作人員的負擔。本系統融合YOLOv8影像辨識技術和物聯網，使運輸車具備跟隨人體的能力。該系統通過物聯網，將車上攝影機接收的影像傳送至電腦，進行即時運算，不必在車上配備高階的微型電腦或GPU以降低成本。使用YOLOv8模型辨識人體與手勢，以arduino ESP32開發板作為主控單元控制減速馬達，使運輸車能自動跟隨人員。本研究不像傳統自動導引車（AGV），因為依賴固定路徑，而無法用在多變的場景，且不適合與人協同工作。將本系統應用於醫療院所或零售業商場等 ，經常出現 變障礙物的場所時，能與人員配合執行任務，例如當作病人的點滴架、輔助護理師工作的醫務車，以及賣場中協助工作人員上貨的籠車，能有效降低勞力負擔。

隨著台灣在奧運羽球雙打再奪金牌後，更多台灣人想嘗試這項運動。為提升新手學習效率，本研究旨在開發一套幫助新手透過手機進行姿勢矯正的軟體。首先，本研究選擇BlazePose模型當作人體姿態辨識模型，並訓練MLP、KNN及YOLO等姿勢分類器。其中，KNN分類器在影片姿勢分類表現最佳，準確率達94.80%。此外，本研究設計Ball In Ball Out流程可偵測羽球並自動剪輯單一打擊片段，準確率為95.89%。經上述多模態資料分析後，再檢查常見錯誤姿勢及比對專家姿勢差異，最終LLM給予使用者姿勢錯誤矯正建議。羽球專家對姿勢矯正建議的平均認同百分比達82.40%，羽球新手達81.16%。

Medication errors in patients are a global problem. They can negatively affect patients and be costly for hospitals and medical clinics. In 2021, a 28-year-old man with heart problems was admitted to a hospital in Porto Alegre. Due to a pharmacy error and insufficient monitoring in the administration, he received a dose 10 times higher than prescribed. This caused serious and probably irreversible damage to the patient. Reading the news and following the case in the media has encouraged research in scientific databases, searching for information and data on medication errors, as well as emerging technologies to reduce the occurrence of adverse medication events. Based on the findings of an English study that proved that errors occur at the drug prescription stage, the first stage of this research focused on drug dosage errors. The aim of this study is to develop an application based on artificial intelligence that can recognise these errors and help prevent them. The application uses a neural network to analyse prescriptions and warn of possible cases of incorrect dosage. The computer program was developed using a neural network and the drug dosage error recognition system using Python and Keras. The system was trained with 10 drugs and correct and incorrect dosage cases. A graphical interface was created to input and display new case data. Neural networks with different configurations were tested to obtain high accuracy with the training and validation data. A confusion matrix was used to assess the accuracy of the network for cases not used for training. The accuracy was approximately 96%, but problems were found in certain intervals. The errors are due to the need for more training, higher processing capacity and a cloud server. The results of the first stage of the research indicate the feasibility of using a neural network to recognise medication dosage errors and thus preventing the associated risks. Such a method could prevent cases like the one in Porto Alegre. Future studies could incorporate more types of drugs, allergies, drug interactions, pre-existing illnesses and other relevant factors into the system.

電子智能系統被廣泛應用在現代人的日常生活中，但是使用任何電子系統都必須面對系統失效的風險，就像我使用電腦可能會當機一樣。在智能車輛的應用中，電子系統的可靠性與我們的人身安全直接相關。一旦發生系統失效的狀況，恢復系統正常運行的最後一個手段是重新啟動系統，藉由系統重啟來恢復系統的正常功能。因此系統重啟的耗時，對系統的可靠性至為重要。 LS1043A晶片是多核心高階處理器，能夠運行完整的Linux操作系統。由於LS1043A架構及功能的複雜性，它的開機程序需要遵守嚴格的步驟，耗時也比一般的微控制器更長。在這個實驗中，我將了解LS1043A處理器的架構著手，由此設計一個計時器，能做到精準量測開機時間達千分之一秒，使開機時間成為能夠量化的指標。本實驗的計時方案是一個通用的設計概念，可用來量測不同類型高階處理器的開機耗時及系統可靠性評估之參考指標。

本研究以 Minecraft 為例，探討沙盒類遊戲式學習平台系統伺服器架設的節能效率，旨在透過動態調整伺服器數量降低總CPU使用率，提升伺服器的管理效能和能源使用效率。隨著線上遊戲的普及，伺服器的營運管理變得越來越複雜，如何在滿足玩家需求並同時降低能源消耗成為一個重要議題。本研究將分析伺服器資源使用狀況，特別是在玩家活動量高低波動的情境下，透過管理策略的調整，探討其對節能效率的影響。 研究透過實證數據的收集與回歸分析，建立一套可應用於 Minecraft 伺服器的節能動態調整系統，並探討動態調整的具體效率。研究結果發現隨著玩家人數增加，越接近系統負載上限，節能效果會越來越不明顯，以本次研究的伺服器來講玩家人數到達35人以後就無法再減少伺服器數量。