請選擇領域
請選擇部會
23 筆結果
「24小時無線心律偵測器」是一個即時檢測人體心電訊號(Electrocardiogram, ECG)之感測系統,透過生理檢測晶片的核心技術,構成貼身感測模組來偵測配戴者的心電訊號,並藉由藍芽傳輸系統將資訊無線傳輸到智慧型手機端,再由手機應用程式完成後續的分析與計算,並將主要結果呈現於手機螢幕上。透過此生醫檢測晶片及相關軟硬體之結合應用,便可隨時隨地監測與關注使用者之生理狀況,並成為使用者的貼身守護神。即時偵測、便於攜帶、易於使用是這個系統的特色。
未來科技館 | 生技與醫療人類社會在二十一世紀邁入了第四次工業革命的嶄新時代,而人工智慧也再一次的擺脫寒冬期而高速發展。在科技業與學術界的緊密合作下,人工智慧2021年就為全球創造了近700億美金的產值,透過自駕車、語言生成等技術革新了我們對科技的想像與期待,成為未來社會不可或缺的支柱。自從GoogleTransformer架構於問世後,許多研究團隊很快地發掘Transformer出乎意料的高度泛用性,於是Transformer在自然語言處理、電腦視覺等領域皆取得突破性的進展,包括現在叱吒風雲的ChatGPT 及GPT系列語言模型、Stable Diffusion圖像生成模型、以及ViT等影像辨識模型都是以Transformer為骨幹。但是在這些成就背後都需要有龐大的資本投入來支持,特別是在語言模型領域,為了提升功能性而不斷的擴充模型體積。各大研究機構,諸如OpenAI、Google、Meta皆已經為兆級規模的語言模型積極備戰,大型語言模型的爭霸已經是勢在必行。當前研究和產業應用最大的難題,便是建立擁有足夠運算能力的大型雲端中心。先進的GPU十分昂貴,比如Nvidia的企業級A100運算卡要價萬餘美金,為了部屬千級甚至是萬級以上的節點數,每個伺服器中心動輒造價近1億美金,營運是更需要無時無刻消耗掉可觀的電量。面對這樣的前景,如果不從運算硬體著手,又如何能使人工智慧的豐碩成果普及到普羅大眾的生活中?有感於此,本團隊歷經多年對Transformer架構的深入研究,結合我們在硬體設計方面的專業,研發了更加細緻的矩陣運算法和許多特化的運算元件,量身打造了通用型的TAIMTAQ加速器架構。我們的特化晶片和GPU相比更加精簡,用更少的製造成本、更小的體積,就可提供足以匹敵的運算力。硬體加速器長期以來都是非常被重視的研究領域。韓國的首爾大學在2020年提出A3加速器架構,而美國的麻省理工大學也在2021提出SpAtten架構。在不懈的研究與改進後,我們 的TAIMTAQ架構在運算量、晶片面積、能效等重要指標上,都超越了這兩個國際級的基準。TAIMTAQ架構上可以運行語言生成模型、物件追蹤模型、影像分割模型,只要是屬於Transformer架構的模型,我們的晶片都可以支援。像TAIMTAQ這樣精悍而實惠的邊緣端AI加速器晶片,即是實現自有化AI的重要環節。
未來科技館 | 資訊與通訊/機械與系統/生活應用太陽能模組的設計目的在於發電長達25年以上,但太陽能電池中的任何缺陷(例如裂縫、隱裂、焊接不良、配接不當)會讓發電量下降,產生更高的電阻,減短使用年限,長久累積就會變成熱斑,將使面板上電池組的焊點熔化並毀壞柵線,導致整個電池組的報廢,也可能導致起火。太陽能模組生產製程中,大多使用電致發光(EL)影像來進行瑕疵檢測,且現階段模組瑕疵判斷多使用人工目檢,不僅檢測過程耗時,容易因視覺疲勞造成誤判、經驗及主觀偏差造成標準不一致等。 本團隊研發的「太陽能模組EL及IR熱斑瑕疵自動檢測技術」,以獨創的可適應調整的Yolo 架構為基礎,引入增量學習、遷移學習等技術,克服瑕疵類型多元、資料蒐集不易的問題,大幅提升瑕疵辨識準確度,可即時精準檢測出數十種缺陷,準確率可達到99.8%。另外,太陽能面板IR熱斑檢測技術,以創新物件偵測的方式檢測出IR影片中的熱斑。每批模組檢測完畢後會自動產出檢測報告,其報告內容包含模組影像名稱、缺陷等級數量、總數量、檢出缺陷的電池片位置、缺陷等級、面積及座標等,提供企業最專業的檢測建議。 本團隊EL瑕疵檢測軟體已取得荷蘭KIWA認證,為太陽能模組缺陷檢測技術領先者,為企業每條生產線每年減少2個工作站人力成本(約105,200美元),並將太陽能模組出廠檢驗流程由抽檢逐步擴大為全檢,對檢測標準一致化、人力成本降低效益極大。此外,109年7月更成立「應現科技(股)公司」,並獲國內創投投資,目前荷蘭及德國等國家創投表達強烈的合作意願,預計再增資億元,朝成為全球最大太陽能模組缺陷檢測專業廠前進。 四大技術優勢: (1) 數量最多:擁有的EL影像超過2,100萬片,建立全球最大的有效太陽能模組EL影像資料庫。 (2) 檢測最精準:可即時精準檢測出數十種缺陷,準確率可達到99.8%。(同行僅75~95%) (3) 檢測數度最快:EL滿載檢測速度可達每小時18,000片,每張EL影像的時間低於0.1秒(同行僅能每小時100片) (4) 市占率最高:成功取得全球前十大太陽能模組生產商8 家客戶
未來科技館 | 綠能與環境/電子與光電平均夜間血壓或日夜間血壓差異(BP dip)是心血管罹病率的高度敏感指標。由於 現行血壓計不易在睡眠中取得患者夜間血壓,因此本研究成果為利用穿戴裝置收 集24小時生理指標建置估測日夜間血壓演算法,進而提升穿戴裝置的長期健康監 測功能。 本研究團隊包含台大醫院心臟科、中央大學電機系與聯發科技,採用聯發科技SE NSIOTM智慧手表光學元件,在醫院門診與健檢中心收集24-小時光體積變化描 記圖(Photoplethysmography,PPG)與動態血壓量測(ambulatory BP monitori ng, ABPM)進行開發。市面上的智能手錶估測血壓多半僅針對靜態坐姿血壓以指 式PPG訊號提取,本研究創新發展以智能手錶收集腕式PPG,輔以3軸加速器偵測 受試者動作狀態,提供日夜間包含睡眠時間血壓的個人化模型估測。在資料收集處理上,首先發展ABPM壓脈帶充氣偵測與覆核機制,同時利用三軸加速器計算運動指標,取出所需的1分鐘手腕PPG訊號,並依此計算擷取訊號前30分鐘之活動計量(activity count, AC)與PPG訊號的偏度(skewness)變異數,與運動計量錶的活動數值(activity)相關係數為0.92。並以活動計量與訊號偏度變異數做為訊號品質指標評估日常生活狀態下PPG訊號的血壓可估測性。為了使用較少的校正資料來得到個人化血壓預測模型,血壓模型包含結合萃取手腕PPG特徵的多層次感知器(multi-layer perceptron, MLP)與15秒訊號波型的卷積神經網路,並使用元學習(model agnostic meta learning, MAML)中的小樣本學習(few-shot learning)概念,利用靜態資料庫先建立訓練任務,並以所收集的24小時訊號與活動式血壓量測為測試任務,任務的支持集(support)包含5筆資料,測試任務的詢問集(query set)包含三筆日間血壓與三筆睡眠期血壓,利用訓練任務先獲取血壓模型的初始權重值,再利用測試任務的5筆支持集訓練個人化模型。在年齡分布為55.2±23.2的14人的24小時日夜間血壓估測實驗中,原始總體收縮壓分布平均值與標準差為109.3±15.9 mmHg,總體收縮壓估測平均誤差與標準差為0.68±7.98mmHg,平均每人估測均方根誤差為7.65 mmHg,符合血壓計國際驗證要求。
未來科技館 | 資訊與通訊/機械與系統遠端算繪是輕量化頭戴顯示設備的解決方案,但仍需克服延遲問題。本技術由「國立中央大學黃志煒教授」帶領的團隊所開發,利用伺服器端物件串流相機設計和即時位姿輔助,幾乎消除了延遲帶來的影響,提供出色的使用者體驗。同時我們提出網路流量最佳化技術,提升系統的規模化潛力。此架構可在多人、即時、虛實整合情境下,實現低延遲且支援各種終端設備。 本平台首創結合了「多人、即時、虛實整合、低延遲、跨終端設備和遠端算繪」六個混合實境(mixed reality, MR)功能元素。對每個3D物件設置「物件串流相機」在伺服器完成算繪,再「個別」傳送影像至使用者端以最新本地定位來放置各物件,讓延遲造成的偏移幾乎消失,大大提升使用者體驗。即使在延遲較高的環境,也能更精確與3D物件互動,且隱藏延遲的影響。 隨硬體演進,輕量、省電和低延遲成重要課題。本技術在進一步規模化於雲端及更強的邊緣運算平台實現後,將成為其中一項重要技術,也是元宇宙基礎建設的一部份,適合所有MR應用。本計畫已申請多國專利、有學術論文發表,更與國內指標性廠商佐臻公司合作,使用佐臻J7EF眼鏡進行光學實驗,將技術應用於智慧空間。在此市值成長空間極大的市場,本技術有潛力在全球市場發展。
未來科技館 | 資訊與通訊/機械與系統一、 技術背景:急重症(如心律不整、敗血症、心跳驟停等)病患常因為無法及時救護而造成無法挽回之後果,因此目前智慧醫療之國際趨勢正朝向預防性醫療發展,以早期偵測及預測急重症之發生為目標,使醫護人員能及早介入進行最佳之醫療照護。然而,如何兼顧準確性與及時性為一大挑戰。 本研究團隊基於國科會「回應國家重要挑戰之AI主題研究專案」項下核心技術攻堅計畫「前瞻性時間序列機器學習核心技術及整合工具之研發」,發展出多目標時間序列早期預測技術及急重症預警應用系統,包含一系列基於深度強化學習以及多目標優化之早期預測演算法,運用心電圖等各類生理訊號資料,建構早期預測模型及預警系統,可解決緊急醫療場域中兼顧準確性與及早性需求之挑戰,將能改變緊急醫療之急重症照護模式,由被動式轉變為主動式介入照護。 二、技術內容:本多目標時間序列早期預測技術及急重症預警應用系統之核心架構包含多項創新之演算法及模組:1)片段政策網路:可由ECG等生理訊號時間序列中萃取出各時序片段之細微特徵,結合深度學習網路建構出高精準度之預測模型;2)膝引導神經進化演算法:針對準確性與及早性進行多目標優化,以達到高準確性之早期預測效能;3)基於約束性膝引導神經進化演算法:可讓使用者針對不同應用場域設定預測目標之優先次序;4)控制代理人模組:使用強化學習技術控制整個決策流程,以達成最佳決策;5)鑑別器:根據控制代理人決策輸出最佳之預測結果。最後,透過整合上述核心模組,並完成一套急重症預警應用系統。 三、技術總結:本團隊所發展之多目標時間序列早期預測技術及急重症預警應用系統,已於公開資料集及實際醫療場域進行驗證。在公開資料集方面,基於多個大規模之醫療時間序列資料集採用多項指標進行驗證,包含準確度、及早性、召回率、精確度、F1-score、調和平均等指標,驗證結果顯示本技術之效能遠優於其他最前沿之技術,居全球之冠。本團隊已將研究成果發表4篇論文於頂尖國際期刊IEEE TKDE(IF=9.235)、IEEE TNNLS(IF=14.255)以及IEEE JBHI(IF=7.021);同時,本技術成果亦受邀刊載於臺灣AI卓越中心(AICoE)網站(原INNO AI網站)展示。另外,本技術並已與聯新國際醫院進行技轉及臨床場域試驗產學合作,顯示本技術於實際醫療場域應用之可行性。
未來科技館 | 資訊與通訊/機械與系統近年產品生命週期變短,有時候需在一個月內,以試產兼出貨方式,搶得預購定單後,再進行大量生產。但在工程樣品驗證階段,卻面臨到機構件、外觀件等,至少要 30 pcs以上,做為初期設計驗證後,再以100 -1000 pcs小批量試產驗證。問題在於:若要製作 30 pcs 以上工程樣品,不管以CNC加工、或直接用樣品模具製作,很難趕在有限時間內完成,或未做設計驗證出貨。即便勉強達成目標,產品風險極高、花費代價極高、且效率極低。而目前常見工程樣品製作,有以下四種技術: 1. RP快速原型:適合外觀形狀複雜、表面光滑精細的微小尺寸零件。但需使用酒精清理表面及支撐結構,後處理耗時費工,且結構強度不足。長時間置放會變質裂化。 2. 3D列印:適合簡易外形結構零件,原料多元、便宜、易於使用,可以長時間存放。但其表面有粗糙堆疊紋路,也要清除支撐結構,且結構強度不足。微小或過大尺寸無法製作。 3. CNC加工:適合複雜外觀、具結構強度的零件,可使用各種塑膠或金屬材料,可以長時間存放。但受限於固定夾具、銑銷刀具,不適合微小尺寸加工,加工時間長,成本較高。 4. 開模射出成形:使用塑膠粒材料,經螺桿熱融加壓,注射入模具中,冷卻固化成型。適合複雜外觀、具結構強度的零件,可以長時間存放。可大量生產,成本較低。但必須製作模具,少量塑膠材料不易購置,射出前必須烘料,需要有經驗的專業操作人員。 本技術開發的具 IoT 智能監測的可攜式微型射出機,可以解決上述產業的產品及技術缺口,包括:材料容易取得、零件具有複雜外觀、具結構強度、可長時間存放、可快速小批量製作、降低成本、零件不需做二次加工前後處理、無經驗也能操使用等問題。其特色在於: 1. 小批量生產:適用於3D列印標準線材、和自製簡易模具,可快速小批量生產工程樣品。 2. 量產前評估:具有智能模具監測技術,整合產品設計與模具開發服務,分析塑膠射出成型條件,自動調整生產參數,當成投入正式模具大量生產前的評估,提高生產效率、降低成本、及少開發時程與風險。 3. 可攜式設計:適用於一般環境使用,具有安全性設計,也不需要專業人員即可操作使用,易培訓相關技術人才,促進整個產業鏈的更多發展機會及應用。 4. 全方位應用:提供前端的產品設計、與中端的模具製作、到末端的雲端虛實整合設計,全方位的軟硬體服務模式,擴大未來營業效益。
未來科技館 | 資訊與通訊/機械與系統/生活應用自動駕駛技術為當今熱門議題。實現自動駕駛的方法多種多樣,近來有許多運用 深度強化式學習(Deep Reinforcement Learning; DRL)來進行車輛控制的方法, 獲致優異成果。DRL近年來在棋類及電腦遊戲上有許多突破性的發展,在沒有人 為知識的幫助下,能達到或超越人類玩家的水準,例如AlphaZero、Muzero。 結合DRL與電腦視覺,以純視覺影像為輸入的神經網路可如同人類一般,透過直 接觀測車載前置相機的影像進行車輛控制,此即所謂的端對端 (end-to-end) 控 制。這樣的端對端方式,具備簡潔的架構以及未來對不同環境與路況通用性的潛 力,富有研究價值。 本團隊首先發展一套基於影像的虛實轉移技術(sim-to-real transfer),有效縮減 強化學習模型由虛擬環境轉移至真實環境之效能損失,提升純視覺影像神經網路 模型在真實環境中的表現。我們採用生成對抗模型架構CycleGAN,將模擬器中 之影像從虛擬風格轉換為真實世界風格,並以轉換過後的影相進行訓練。此方法 有效縮減純視覺模型的虛實差異(sim-to-real gap),大幅提升自駕賽車於實體賽 道中的適應性。 為了提高自駕車的駕駛穩定度,本團隊更進一步研究確認了在實體車控制平滑性 方面的重要性,並提出新的平滑化技術。在過去,許多傳統的DRL方法著重於最 大化累積回報,導致車輛控制動作的不穩定性。因此,我們透過損失函數限制神 經網路做出劇烈變化之動作,提高時序相鄰動作之連續性,實現DRL模型輸出動 作的平滑化 (action smoothness),並大幅提高自駕車的控制穩定度;我們的研 究也觀察到動作平滑化,同時也會增快賽車的速度。 克服以上挑戰,本團隊研究出有效且穩定的強化學習策略,能夠有效地提高實體 車的完圈率並降低完圈時間。此新技術除了發表於 ICRA 2022 以及 IJCAI 2022 頂尖會議的Workshop,並於2022年底,由Amazon公司主辦的AWS DeepRac er全球自動駕駛賽車聯盟競賽(總參賽達15萬人次),獲得包辦全球前三名的殊 榮,並獲得總獎金USD$18,000(約NT$550,000)。
未來科技館 | 資訊與通訊/機械與系統為杜絕病毒間接傳染的風險,本團隊開發出 m’AI Touch 技術結合異質感測器、邊緣計算以及AI人工智慧演算法,此技術能大幅降低人們接觸各種病毒的機 率。在人流複雜的公共場所及醫療院所中,大眾觸控面板如電梯面板、點餐機、 自動販賣機或者 ATM,都可能成為病毒傳播的媒介。此技術應用於電梯防疫,讓 使用者在搭乘電梯時,可以同時保留原有操作習慣,還可與電梯按鍵保持完美的 社交距離。這項技術結合了異質感測器與AI人工智慧演算法,能高效且精確判斷 乘客欲選取的按鈕,並且能防止人為及物品誤觸,有效降低病毒傳播風險。結合 智慧物聯網AIoT可延伸發展電梯預測派車技術、優化派車效率與候梯時間,協助台灣電梯產業提升國際競爭力,並在節能與防疫上有更多貢獻以達永續發展。 目前現有面板防疫技術的缺點如下:人工消毒薄膜:耗費人力資源做消毒且薄膜是耗材,持續更換塑膠薄膜非常不環保也造成資源浪費,並非長遠的解法。語音辨識:需要改變使用者原本的操作習慣,而且聲音觸發存在飛沫傳染的疑慮,也有發音標準、清晰度、無法多人出聲等限制。臉部辨識:前置作業耗費人力,僅限於固定人流場所,無法適用到人流變化的公共場所。紅外線感應:感應不靈敏容易誤觸,且需更換整片電梯面板與所有的按鍵而造成浪費。本團隊獲得清華大學校方支持,已於校內台積館中之電梯進行長期測試與展示、也在台南民宿實際應用,更是獲得口罩國家隊公司的訂單。目前正與醫院、園區知名廠商準備產品落地測試,預期能夠在各環境場域皆能有代表性案例。我們的目標客層首先著重於病毒傳播風險較高的醫院和防疫旅館。希望能大幅降低各類病毒傳播的可能性,如腸病毒、諾羅病毒、Covid-19等,以增進社會的健康生活與福祉。再者,是人流複雜的場所,如商場百貨和飯店旅館等;學校與養老院等對病毒較無抵抗力之族群亦是第二目標客層。最後,商業大樓、政府企業單位、大型社區乃至於小型化的居家住宅大樓亦是我們希望推廣的客群。此項技術因如同門禁一樣是外接式裝置,適用於各品牌新舊電梯。當新建案有新電梯設置需求時,本團隊亦預計透過與建商、社區等業主的合作,為其打造非接觸式的AI防疫電梯,從小型住宅大廈、醫療院所到最高的摩天大樓,皆可滿足需求。即使是舊有電梯,亦會以各大電梯製造廠商、門禁廠商或技術授權廠商作為合作對象,藉由其原有銷售渠道,為每台電梯進行安裝與設定。
未來科技館 | 資訊與通訊/機械與系統具隱私保護暨安全資料探勘之醫療資料倉儲系統採用新一代國際醫療資訊交換標準FHIR(Fast Healthcare Interoperability Resources)並結合多項尖端資訊安全技術來保護醫療數據在公有雲上的安全,避免公有雲對數據進行非法窺探,同時讓醫療數據可以安全地進行開放,讓醫院未來可以安心將數據進行託管,降低維運醫療數據存取服務的成本與人力。FHIR是目前國際上最先進的醫療資訊交換標準,目的是在整合與改進舊有的國際標準,以及整合醫療影像標準DICOM,並結合醫療編碼,讓多年來世界各國各自為政的醫療資訊交換標準,得以統一並實現跨國的醫療資訊交換。目前我國衛福部也正大力推行FHIR以讓我國醫療體系可和國際接軌。在資訊安全技術上本計畫採用SABHPRE(Searchable Attribute-Based Homomorphic Encryption with Proxy Re-Encryption),透過SABHPRE的特性可以讓醫療數據在進行加密時,由病患自行選取可以存取其數據的屬性結構,如指定只能由具備醫師屬性的人來進行解密,便能讓所有醫師皆可解密其數據,而護士或其他醫療人員則無法解密。SABHPRE不僅可以打破傳統加密技術中,單一密文只能由單一接收者來解密的限制,同時也讓加密數據的授權更加靈活與方便,更可以真正地將醫療數據自主權交還到病患手中,讓病患隱私不再只是單純地依靠法律條文來保護。另外SABHPRE也結合可搜尋與同態運算性質,讓加密數據在被進行搜尋與進行同態運算的同時,不會暴露任何隱私,讓醫院可以安全地交由公有雲對加密數據進行操作。同時本系統也結合代理轉加密技術,讓不同病患的醫療數據得以進行合併,並透過該技術可以安全地由公有雲將醫療數據進行對外開放與去識別化,在保證病患隱私的同時讓醫療數據可以更加開放。最後本系統結合聯邦式學習的技術讓不同機構之間可以聯手開發智慧醫療模型且不需互相交換或是暴露各自的醫療數據,可達成多家機構的聯合機器學習訓練。甚至能透過此技術,打破目前我國醫療數據不可出境的法規限制,讓國內醫療機構可以與世界各國聯手進行模型的訓練。最後本系統也將提供個人電子健康紀錄平台,讓病患可以即時從行動裝置存取醫療數據並整合穿戴式裝置將個人健康資訊安全地傳輸到醫院的公有雲,讓醫院可以結合臨床醫療數據與個人健康資訊實現精準醫療。
未來科技館 | 資訊與通訊/機械與系統1.低功耗智慧影像感測系統:開發具時間訊息運算之低功耗影像感測晶片設計提供人工智慧應用之低功耗影像感測。可應用於動態物體偵測,來達到時間上資訊擷取與快速處理,有效降低後端運算單元硬體複雜度。利用低功耗時間訊息運算影像感測晶片內的前級運算能力,實現前端類比幀差異動態結果,不僅降低晶片間資料傳輸量也同時提供類神經網路架構一個高效率、低延遲的視覺感測解決方案。另外,本團隊CIS相機之周邊系統架構與驅動電路,整合成一套獨立的CIS攝影系統,令CIS相機在使用時,無須使用昂貴且複雜的驅動訊號產生設備,同時可以獨立運作並且擴充至其他系統,作為影像辨識等應用的前端影像擷取設備。例如本次技術展示的項目,就是由整套完整的CIS攝影系統,進行攝影並即時傳遞至其他FPGA系統,進行避障演算法等運算。2.障礙物偵測與避障神經網路:通過分析及探究果蠅視覺,開發出相容於影像感測晶片前級運算之仿生光流、單目視覺之低解析稠密深度感測,與簡單有效的避障邏輯,並為整個系統制定架構,並以視覺感測、晶片整合等為目標,設計、開發一個低功耗、即時、具辨識功能的智慧視覺系統。3.可調控神經群模型的突波神經網路處理器:設計、開發並整合仿神經系統晶片於微型化設備上時,希望在低功耗的情況下達到具即時 (real-time) 避障的效果,突波神經網路的時間維度的計算分析能力與事件驅動的特性,適合與機器視覺的動態感官數據搭配,我們開發的神經群突波神經網路負責行為決策以達避障效果,以八顆神經元形成的神經群,代表著八個在 立體空間中不同的方向(前、後、左、右、上、下、順時針旋轉、逆時針旋轉)。
未來科技館 | 資訊與通訊/機械與系統潛藏性聽損患者常常在初期難以被發現,通常只有在聽力明顯受損時才會尋求治 療,這可能導致無法完全恢復的困境。為了解決這個問題,我們團隊提出了一個 創新的智能聽力檢測應用系統,旨在提供準確、便利且普及化的早期聽力檢測工 具,以幫助潛藏性聽損患者早日接受治療。我們團隊的系統主要包括以下四個部 分:(1)聽力量值應用程式(Ear Scale App):透過智能手機應用程式與特殊耳 機結合,使用者可以在非專業隔音室的環境下進行聽力篩檢。該應用程式提供簡 單易用的界面,引導使用者完成聽力測試,並即時顯示結果。(2)智能大數據應用 系統:聽力量值應用程式所收集的數據經過匿名化處理後上傳至雲端平台。該系 統使用大數據技術分析和比對數據,進行統計和趨勢分析,以提供更深入的洞察 和預測。(3)機器學習雲端監測系統:基於智能大數據應用系統的數據,我們建立 了機器學習模型,用於監測使用者的聽力變化。透過這個系統,我們可以提前檢 測出潛藏性聽損的跡象,並及早介入治療,以避免聽力進一步惡化。(4)多種噪音 情境之主動式抗噪演算法:為了提高測試準確性,我們團隊開發的耳機配備了多 種噪音情境下的主動式抗噪功能,以消除外界干擾,確保測試結果的準確性。我 們已經在北市天母國小的學童純音篩檢活動中驗證了這個系統的可行性。根據實 驗結果,這個系統不僅能夠早期發現潛藏性聽損的學童,而且測得的數據與專業 量測聽力檢測儀器的結果相似。此外,我們的系統還整合了大數據和人工智慧技 術,建立了多變量的預測模型,進一步分析使用者未來的聽力變化趨勢。這將有 助於提供更精準的治療建議和聽能復健計劃。 總結來說,我們團隊提出了一個創新聽力篩檢系統,並結合人工智慧和大數據技 術,以進一步分析使用者的聽力情況。我們希望通過這個系統,潛藏性聽損及突 發性耳聾的使用者能夠在家中進行自我檢測,追蹤聽力狀況並獲得協助進行聽能 復健。
未來科技館 | 資訊與通訊/機械與系統在高齡化社會的時代,結合穿戴式系統與物聯網概念建構成穿戴照護系統,為一極具市場潛力的發展方向。而在穿戴照護應用中,智慧衣佔有許多先天上的優勢。首先,與大部分穿戴物品如手表、皮帶等不同,衣物是日常生活中必需品,所以這樣的穿戴式裝置較能被一般人所接受。同時,衣物與人體有著較大面積的接觸,能提供較多種類之生理訊號量測,有效發揮穿戴式系統的潛能。因此,透過電子檢測與紡織衣物的結合,可發展「智慧衣」系統。此系統需使用高舒適度的紡織電極來提供心電訊號與呼吸訊號的量測,並透過藍牙將訊號傳送至手機,最後進行身體相關資訊分析像是卡路里消耗、心跳變異率等,並可進一步進行情緒分析。
未來科技館 | 資訊與通訊/生技與醫療智慧穿戴式物聯網之無線生醫感測系統開發模組-試穿戴:擁有低功耗、微小化及物聯網化的設計,主要包含了提供各種高品質的生理訊號的量測、無線傳輸與紀錄的功能,來協助後續智慧型訊號的分析、辨識與結果顯示,其中的生理訊號涵蓋了心電訊號、腦電訊號、肌電訊號、血氧訊號等多種人體的生理訊號。開發者透過此模組,可以快速地開發出應用於生醫領域之穿戴式產品,縮短研究開發時間。此外,不同的訊號以不同的模組進行訊號處理,開發者可以依據自身之開發需求,自由地組裝模組,高品質的單一生理訊號搭配後續演算法,即能達成許多訊號擷取與分析的系統,或甚多組、多種生理訊號的合併分析,更能實現多樣態的生醫整合系統。如同組裝一「智慧積木」,我們稱此模組為「TriAnswer:試穿戴(Try and Get Your Answer)」期望幫助學習者更快速地熟悉半導體晶片系統、人工智慧、物聯網、生醫領域等專業知識,也讓開發者能更輕易地實現其設計構想,開發出產品雛形,蓬勃生醫穿戴式產品之領域發展。
未來科技館 | 資訊與通訊/生技與醫療虛擬實境懷舊介入模組以懷舊療法為核心,結合虛擬實境的非藥物介入模組。透過不具侵入性的懷舊療法,結合虛擬實境技術所建立的懷舊場景,使用者可以透過頭戴式顯示器場景中環顧場景中熟悉的事物。同時,虛擬實境技術的追蹤系統、空間音效技術,以及觸覺反饋技術,讓使用者能夠與懷舊場景中的物件進行互動,達到身臨其境的沉浸式體驗。懷舊療法是一種心理介入方式,透過與個人相關的歷史紀錄進行回憶以及記憶刺激,得到減緩退化與平穩患者情緒,同時增強其社會化與改善患者現況的效果。由此可知,與患者個人相關的紀錄,不論是個人體驗或是歷史環境,都是屬於懷舊療法的核心重點。過往懷舊療法多是透過與患者昔日生活相關的物品進行治療,所能給予的刺激及回憶相當有限。有鑑於此,本模組結合虛擬實境技術與綠幕技術,建立更為貼近患者個人紀錄的懷舊場景,藉此增強懷舊療法的功效。虛擬實境是一種透過電腦科學虛構出一個無中生有之現實情境的技術。其中虛擬實境所具有的影像、聲音,以及控制器所具備的振動功能,讓使用者可以透過視覺、聽覺、觸覺等感官體驗沉浸在這個虛構場景中。透過綠幕技術,我們在虛擬實境所建立的虛構場景中融入患者所熟悉的實際影像。綠幕拍攝技術是一種去背合成技術,將被拍攝的物體放置於綠幕前進行拍攝,並將拍攝成果進行去背後將其替換成其他背景。藉此,透過拍攝患者熟悉的人事物,並將拍攝成果進行去背並導入虛擬場景中,能夠建立出與患者過往經驗息息相關,並能讓其沉浸於其中的虛實整合場景。目前我們已經利用VR虛擬實境懷舊介入模組建立數個案例,除了應用上述所提到的技術,同時也結合例如360全景攝影等技術。目前所建置的案例中,包含龍虎塔及佛光山等知名景點,其中,針對上述兩個知名景點,我們分別拍攝了多個360影像以建立包含這些景點不同影像的虛擬場景。360影像需要使用360度攝影機捕捉真實場景,並在後製影像階段使用特殊的軟體將多個360影像拼接在一起以進行全景合成,形成完整的360度場景。此種技術提供使用者全方位視野,讓其可以在虛擬環境中自由轉動視角。利用上述技術結合,患者可以在虛擬場景中自由移動,同時視野也會隨其位置不同而顯示出不一樣的景色。此外,在場景中加入熟悉的人物影像,例如家屬與患者交談的相關影片或是一同活動的影像,透過上述方式,能夠大幅度地給予患者記憶刺激,並且安撫患者內心平靜,同時具有從中獲得娛樂與快樂,以提高其生活滿意度的效果。
未來科技館 | 資訊與通訊/機械與系統「貼心帶」之設計,結合乾電極與感測器,可建立一無線生理訊號感測系統,利用前端偵測器偵測心電訊號(ECG),並透過人工智慧(AI)演算法將其轉為情緒、體能消耗等多項資訊,提供給使用者照護與運動方面上的參考。此設計應用穿戴式、物聯網及人工智慧的概念,並搭配完整軟體平台,可以讓使用者藉由web或APP平台,隨時瞭解個人的生理資訊,同時也將資料儲存於雲端資料庫中,可瀏覽個人之歷史生理狀態,更可以透過這樣的訊息平台,與醫生交流,進一步地關心使用者的健康狀況。
未來科技館 | 資訊與通訊/生技與醫療本專利技術報導新穎鎳/硫儲能材料於高能量密度商用電池於本屆未來科技獎,該專利可用於第三代商用電池之研發與實用。第三代商用電池中具有最高能量密度的鋰硫電池之商業研發與使用,現受制於電極硫材料的高絕緣性、電池反應過程中液態多硫化物的生成與流失,與活性物質於充放電過程的緩慢固液態相轉化過程。電極儲能材料先天的物質缺陷進而衍生電池設計上的限制,諸如過低的活性物質載量與含量、不良的電化學利用率、快速的活性物質流失。材料缺陷與電池製作問題共同肇生鋰硫電池的研究往往難以實現應許的高能量密度以及充電電池所需的倍率性能與長循環穩定性。為求鋰硫電池的實用,此未來科技技術開創一鍍金屬鎳之硫材料作為鋰硫電池活性物質,鎳/硫儲能材料採用簡單可大批量製作的無電鍍製程,該製程於絕緣的固態硫粉體外披覆一層金屬鎳奈米粒子網絡,關鍵製程技術在於掌握無電鍍製程之化學電鍍液濃度與製程溫度後,即可完整控制材料之鍍鎳量;且鎳/硫儲能材料將可開創鋰硫電池硫電極的嶄新研究,於主流的碳/硫複合材料或是高分子/硫複合材料外,開闢出一全新的科技研究路線。於技術層面,鎳/硫儲能材料可達到:(1)運用金屬鎳的高導電性解決硫電極的高絕緣性,大幅提升電極的電化學反應性;(2)研發鎳奈米粒子對液態多硫化物的強化學吸附性,顯著的解決多硫化物於電池反應過程的快速流失;(3)藉由鎳奈米粒子的導電性與化學吸附性衍生優異的電催化活性,實現高活性物質電極的快充快放電性與長循環性。就電池電化學與工程而論,鎳/硫儲能材料優異之材料特性更被驗證在最終的電池性能展示上,實現高活性物質含量達到60-95 wt%(一般研究僅50-60 wt%或更低)與載量達到10-14 mg cm-2(一般研究1-3 mg cm-2)以及寡電解液電池設計實現最低僅7 μL mg-1 (一般研究則高於20 μL mg-1);依據此些參數所組裝之電池可以達到高電荷儲存電量達到1,362 mA∙h g-1、長循環性達到200周次,與倍率性能達到C/20-C/2。以電池性能而言,鎳/硫儲能材料所達的高活性物質載量與電化學利用性,有效的提升鋰硫電池的面積比電容量達到7–14 mA∙h cm-2,其性能優於驅動電動車所需電池之2–4 mA∙h cm-2、並具有高能量密度達到13–28 mW∙h cm-2,優於商用鋰離子電池電極之10–14 mW∙h cm-2。
未來科技館 | 資訊與通訊/機械與系統精準健康被視為下一個極具潛力的產業,本團隊在過去研究精準醫療時,發現精 準醫療旨在透過大量數據收集與分析電子病歷、基因、生活型態與生活環境資料,針對不同個案自身環境與疾病狀況發展個人化照護,研究成果顯示生活型態與環境因子影響劇甚;但國際上目前仍未存在有效收集生活型態、生活環境、生活軌跡等精準健康產業必備元素之解決方案,因此本技術透過整合多家穿戴式裝置(生活型態)、IoT居家環境感測器(居家生活環境)、智慧型手機APP(病徵紀錄與個人化健康促進)、公開環境資料(GPS連結外在環境暴露風險)、生活軌跡、電子病歷(臨床評估資料)以及深度學習演算法(急性發作預測模型)落實慢性病的精準健康管理,除提供全天候即時監測輔助醫護人員決策外,亦解決長久以來無法有效追蹤病人出院後疾病風險資訊問題。本技術已為近40位醫護人員與2000名個案提供服務,包括精準健康管理平台、精準健康管理APP、生活軌跡與即時公開環境資訊流串接、穿戴式裝置數據同步、模組化急性發作預測模型等資訊服務,已實際應用於臺大醫院、馬偕醫院、恩主公醫院、耕莘醫院、日本岡山大學醫院等場域。同時精準健康平台及APP已於臺灣及日本Google Play、App Store通過官方審核以健康應用類服務上架至官方商店。截至目前24個月營運期間,共累積193,876,523筆資料,基於巨量資料建立了模組化的急性發作預測模型,健康風險值經由模型運算,即時呈現與警示於管理平台,供醫護人員快速掌握病情之用。目前慢性病急性發作預測模型包含AECOPD、Panic Attack、Colorectal Cancer Postoperative Recovery、Bipolar、Obesity、Depression,經由每日自動上傳之生活型態、生活環境與歷史臨床評估資料做為特徵項,預測未來7日是否會發生異常事件,外部驗證後模型準確度平均可達85%,靈敏度達76%,特異性達86%,F1達81%,相關研究成果已陸續於各國際期刊發表。總體而言,對比國際上慢性病預測模型多利用臨床評估資料訓練之模型成效,準確度高1020%,且本團隊訓練資料集為連續型資料,其產出之健康風險值可具有即時性,更貼近病患實際在院外的狀況,當每日健康風險值過高時,醫師與個案管理師可透過智慧型手機APP與病人建立即時溝通頻道,給予個人化健康建議,並協助即早就醫,穩定慢性病況。
未來科技館 | 資訊與通訊/機械與系統敬請期待!