利用類神經網路殘差補償提升線性代謝當量迴歸模型精準度

Abstract

本論文旨在使用加速度感測模組與心電感測器實現一代謝當量估測模式，並搭配殘差估測演算法，提升代謝當量估測之精準度。本論文演算法使用佩戴於手腕、腳踝及腰部之三軸加速度感測模組與心電感測器收集之訊號，估測使用者活動時的代謝當量(metabolic equivalents METs)。本研究首先依照加速度訊號特徵建構活動分類器，用於辨別生活中常見五種動作類型（全身不動、手腰腳活動、手腳活動、手部運動、腳部運動）。在各種活動類別中，基於加速度訊號及心電訊號之特徵，利用依序向前搜尋法(sequential forward selection SFS)分別建立線性迴歸模型與類神經網路模型以估測代謝當量或是估測值與實際代謝當量的殘差，利用這兩種模型組合成為六種估測模式：(1)線性代謝當量估測模型、(2)類神經網路估測模型、(3)以類神經網路估測殘差搭配線性代謝當量估測模型、(4)以線性殘差估測模型搭配類神經網路代謝當量估測模型、(5)以線性殘差估測模型搭配線性代謝當量估測模型、(6)以類神經網路殘差估測模型搭配類神經網路代謝當量估測模型。本論文以判定係數(R2)以及代謝當量平均估測誤差來驗證所提出之方法之有效性，使用類神經網路代謝當量估測模型搭配類神經網路殘差估測模型進行代謝當量估測之R2=0 9565，相較於使用類神經網路代謝當量估測模型估測之R2=0 952與線性代謝當量估測模型之R2=0 9363相關性要來得高；而類神經網路代謝當量估測模型搭配類神經網路殘差估測模型之平均估測誤差為0 43±0 44 (METs)，相較類神經網路代謝當量估測模型之平均誤差0 44±0 46 (METs)，與線性代謝當量估測模型之平均估測誤差0 52±0 51 (METs)，其準確度更高。

Date of Award	2016 Feb 1
Original language	Chinese
Supervisor	Jeen-Shing Wang (Supervisor)