Page 53 - 健康與建築Vol.4 No.2

I

◇
. . 研
運用穿戴式裝置提升憂鬱症治癒情況 44 究
論

文
◇
較準確的心電圖來確定病患心情狀況。一有狀況 向量支持機分類分群

發生即可提醒照護者對於憂鬱症進 行關懷，對

於臨床醫師也能夠依此精準判斷憂鬱症狀況，並 向量支持機是資料分類分群的一種，是對

給予更精準的治療。
於一群在多維空間中的資料，能在該空間之中
找出一個多 維空間平面可以將這群資料 成兩

群， 可看到二元分類器的概念圖，將左右兩邊 Data Feature EXtraction
Feature Feature
Preprocessing
Selection
Classi er
*SVM
Raw Data result
的資料群切開進行分 類，這樣的分類模型可獲 *Low Pass Filter *Wavelet Transform
*Entropy *Statlstic Valure
*GA
Post Spike Matching

得多種分類器的解，從中再找出分類邊界與最近
圖3. 技術整體流程架構圖
的訓練點之間距離最大者 (Margin) 為最佳解，

即可找出最佳化的分類器演算法。多維空間演算

藉由來自微感測器的數據來源，進行資料探勘 型態包含線性函數 (Linear kernel) 及徑向基函數

的演算法分析，使用一系列的演算法包含 小波轉 (Radial basis function)，線性函數主要是以線性

換 , 支持向量機器 (Support Vector Machine,SVM) 分 組合的變數型態，在多維空間向量上常 割大範
類演算法，來進行多維度的分類分群，將不同的 圍的資料，徑向基函數為高斯核函數，能夠以非

特徵值進行整合分析，找出病患不同狀態的訊號 平面的方式包覆資料群，對於生理訊號的分 類

特徵，將所獲得的生理數值針對憂鬱症量表特徵 分群效果通常較好。

DSM- V數值化，期望能用客觀的生理數 值來表示

憂鬱的診斷表現，此演算法會隨著資料量的增加，
所判定的憂鬱指數會愈準確。

從智慧穿戴式裝置獲得行為數值之後開發雲

端演算法，可透過小波轉換，用類神經網路 (RNN)
或 SVM 訓練及決策樹調整出更精準的分類演算

法，能夠藉由多項特徵訊號相關模擬訊號，進行演

算法校正 及訓練，確定具高準確度的演算法，再

將演算法建立在雲端資料系統，用以達到資料能及
圖5. 向量支持器分類分群示意圖此圖標出超平
時進行分類分 群並且達到最大效益，可以獲得憂 。
鬱心情的數值，可提供整合性的標準訊號，輔助醫 面及資料點的變數，並明確劃出核心概念

師進行診斷。

整體訊號處理流程

將緊密照護者 , 醫師及患者的照護系統，在接

收手機上的 30 個感測器以上之後，能夠進向量支 J
our
持機 (SVM) 的分析，具更有效率及更有精準的分 nal
of
析，能藉由 並且有完整的三方連結服務，進行最 He
alt
佳精準照護推播，根據使用者的狀況給予不同的照 h a
護，展現個人化的自我護理服務，甚至有 call cen- nd
Arc
ter 的設計， 能夠即時防止自殺的狀況發生， 進而 hit
ect
增強預防性的照護模式，本服務產品特別針對三方 ure
圖4. 分類分群訊號處理流程
使用者設計，進行最佳的智慧照護。
V
小波轉換及希爾伯黃轉換
olu
me
User/ 4‧
Patient
N
本計畫將利用小波轉換進行訊號處理，相較 Smartphone Communication um
/
Protocal/Channel
ber
於傅立葉轉換能夠更即時呈現在不同時間上的各 PDA
Measurement Communication 2
Device
Protocal/Channel
頻率變化狀 況，並利用統計方法來取出變化較 Personal Remote Ju
大或是平均量值明顯的波段進行探討，來比較出 Compuler
Senver
ne
1, 2
有無憂鬱症狀之間顯 著的差異性，並且藉此找 01
圖6. 整體訊號傳輸流程圖
7
到不同波段的特徵值。