電腦科學與資訊工程

Road safety remains a global concern, with driver-related factors like distraction, drowsiness, and medical conditions such as stroke being leading causes of accidents. In this paper, we propose a real-time ensemble learning framework that leverages transfer learning for the detection of stroke, drowsiness, and distracted driving. Our model integrates multiple Convolutional Neural Networks (CNNs) fine-tuned for each specific task, and employs a stacking method to combine the predictions of these models using a meta-classifier. Notably, the model is optimized to enhance stroke detection, minimizing false negatives— an essential aspect for timely medical intervention. Experimental evaluations on diverse datasets demonstrate the efficacy of our approach, achieving an overall accuracy of 92.5%. The results emphasize the model’s potential for real-time driver monitoring, offering critical safety features that could reduce accidents and save lives.

發展安全且可靠的身份辨識技術是當今的重要議題，而指靜脈因其高安全性及難以偽造特性成為我們的主題。本研究提出一種基於Transformer模型架構的指靜脈辨識模型稱為GLA-FD，旨在解決現有技術對指靜脈影像特徵表示與提取的局限性。透過開發特徵解耦與重建模組(FDRM)，模型能夠有效區分指靜脈的背景資訊與紋理特徵，並將其重新組合以提升辨識準確度。此外，本研究開發的全域-局部注意力模組(GLAM)能同時捕捉影像的全域與局部特徵，進一步強化模型對指靜脈特徵的理解。GLA-FD在FV-USM、PLUSVein-FV3、MMCBNU-6000、UTFVP、NUPT-FPV 資料集中的正確辨識率(CIR)達到100%、98.47%、99.75%、96.11%、99.82%，展現卓越的穩定性與泛化能力。此外，本模型在處理不同年齡層、國籍與影像模糊度的資料下，仍能保持高辨識準確度，顯示其在需要高安全性辨識的應用場景中具備廣泛的實用性。

Wibrazz is a wearable communication tool that allows the teacher, the therapist, the parent to communicate information to the child remotely using the device. Haptic (vibrationbased) feedback is becoming increasingly important in everyday life. A vibrating device that transmits information through clothing can help people with disabilities who have no or limited sensory use to live an integrated life in society without barriers.

在現今社會，個人越來越依賴自主學習以提升技能和知識，而舞蹈學習尤其受到關注。然而，在沒有專業指導的情況下，學員往往難以掌握舞蹈動作的細節，也難以清楚地評估自己的表現與標準示範之間的差距。 為了應對這一挑戰，本研究利用人體姿態識別演算法OpenPose，捕捉舞蹈者的關節點。通過這項技術，針對舞蹈的標準動作、力度、流暢度等方面，成功地開發出一款自動評分系統。 通過人體姿態識別技術，我們能夠深入分析舞蹈動作的細節，讓學員與標準舞蹈動作進行比較，以確認學習上的差異。我們希望通過這項研究，學員能在沒有專業指導的情況下，利用網路平台創建更有效且有趣的自主學習環境。

背景：預測分子性質如溶解度、毒性及熔沸點對於基礎科學至關重要。然而，實驗測量這些性質耗時且昂貴，因此本研究使用多種機器學習模型藉由調整變相來準確預測熔、沸點。 方法：本研究使用超過一萬筆數據及兩種類型的機器學習方法：淺度與深度學習。淺度學習由 PyCaret實現，並以Mordred作為分子描述器；深度學習使用圖神經網路，包括（CMPNN和GCN），並調整隱藏層參數。 結果：CMPNN在目前嘗試的模型中表現最佳。發現影響沸點預測的關鍵特徵是piPC1，與鍵級相關；熔點則是AATS0d，與σ電子的 Moreau-Broto自相關有關。 結論：CMPNN模型在沸點與熔點預測中均表現最佳。沸點中深度學習模型優於淺度學習模型（p<0.05）。此外，使用SHAP成功找出piPC1和AATS0d對最關鍵。本研究不僅得出了高準確性的模型，還發現了影響分子性質的關鍵特徵，且可擴展至其他預測。

1.1 Short project summary My project involves the conceptualization and development of an innovative approach to modular self-assembling robotic systems. Through its ability to form any complex configuration, the system is highly adaptable to various scenarios and environments. Before delving deeper into the details of my project, I will provide an overview of my background and motivations. 1.2 Background Ever since I first watched the movie "Big Hero 6", I felt amazed by the applications of the so called “microbots”. From that point on, it made me always wonder what would be possible in the real world. When I did the research, I stumbled upon this field of modular robotics. Initially, I was unsure whether to embark on a project focused on electronics and robotics due to my background in programming. On the other side, this year gave me a chance to see the incredible performances of various projects at different science expos. Besides, I took part in the program of CANSAT LU and learned a lot during it, such as microchips, the control of miniature robotics, and the sensors of it. Finally, at school, I took the option Electronics where we dig into similar topics. With this accumulated knowledge and experience I felt confident enough to start this project.

隨著網路技術不斷的進步，意見和情感分析逐漸成為人們日常生活中的一部分。儘管如此，目前人們缺乏一個方便且快速的情緒分析模型，供廣大大眾使用。 本研究旨在提供人們一個緩解憂鬱情緒的管道——當人們輸入一個需要被安慰的情境時，我們的系統將輸出安慰語句，以緩解該使用者之憂鬱情緒，達到安慰效果。為此，本研究訓練了BERT model以及 LLaMA model。BERT model能判斷使用者輸入的語句是否為需安慰語句。而LLaMA model則作為安慰語句之生成模型，以達到安慰之效果。

睡眠相關問題常見於現代緊張的社會，傳統睡眠分析方法需要腦電圖（EEG）、肌電圖（EMG）、眼電圖（EOG）等信號，量測複雜度高。本研究透過 Python 程式語言以深度學習和階層式投票機器學習方法，開發一套自動分析程式，僅透過心電圖（ECG）信號分析睡眠階段。並結合睡眠評估標準，製訂一可量化的睡眠品質評估表，提供臨床醫師判讀睡眠品質的指標。本研究的優點是僅透過一種信號便能準確、客觀、快速分析，且操作介面簡易。研究結果顯示，本研究清醒和睡眠狀態之辨識準確率高達約90%，與其他類似睡眠品質評估研究的論文比較，準確率高出10～17%，整體睡眠階段分析準確度高達87%。本研究方法未來可應用於臨床醫療，協助醫師做精準的患者睡眠品質診斷。

現今醫療中，黃疸的早期偵測對肝臟疾病的預防與治療至關重要，但多數人難以在症狀輕微時察覺。我們希望藉由智慧手機影像結合機器學習進行黃疸檢測，提升民眾自我監測的能力。Su 等人（2021）曾使用深度學習和機器學習進行黃疸預測，但其方法依賴專業色卡進行色彩校正，成本高且限制應用範圍。本研究提出以白平衡演算法中的白色補丁法與灰界演算法，搭配深度學習模型 DCCNM1和2 取代色卡，提升黃疸檢測的普及性與便利性。經黃疸偵測效果評估顯示，DCCNM2 在無色卡模型中表現最佳，雖然各指標略低於色卡校正，但其展現出優異的穩定性和準確性，證明其作為無色卡黃疸篩檢方案的可行性。本方法將能提供便捷的居家黃疸檢測途徑，尤其對偏鄉地區居民而言，不僅提升早期發現的機會，還能有效減輕醫護人員的負擔，推動大眾健康管理。

隨著網路技術不斷的進步，意見和情感分析逐漸成為人們日常生活中的一部分。儘管如此，目前人們缺乏一個方便且快速的情緒分析模型，供廣大大眾使用。 本研究旨在提供人們一個緩解憂鬱情緒的管道——當人們輸入一個需要被安慰的情境時，我們的系統將輸出安慰語句，以緩解該使用者之憂鬱情緒，達到安慰效果。為此，本研究訓練了BERT model以及 LLaMA model。BERT model能判斷使用者輸入的語句是否為需安慰語句。而LLaMA model則作為安慰語句之生成模型，以達到安慰之效果。