Personalizing Threshold Values on Behavior Detection with Collaborative Filtering

這是一篇利用RFID來辨識高階人類行為的論文。在之中，他們所讀取到的RFID標籤和我們的專題相同為一有順序性和次數性的序列資料

此為一個讀取結果的例子，分為兩個使用者以及兩個不同的狀況。

再者，他們將數據依照先後關係做個別整理並統計。藉此推論出每個使用者在特定情況下的行為模式。其詳細步驟如下圖。

將多組結果建構成資料庫後。在使用時輸入某數據樣本，即可輸出經比對後的對應行為模式。其中關鍵包括門檻值(threshold value)的決定，此值為各物件和大方向的一個用百分率描述的關係值(例如:關烤箱à離開家裡 的機率值為28%)，文中提供了兩個決定此值的方法。經了解後，我想對於思考我們專題的辨識問題是有幫助的。畢竟又多瞭解一種幫助辨識的方式。

PS:圖皆擷取自本論文

一個辨識的想法

如同前面的文章，本篇仍將工作流程切割為(AàBàC)，並嘗試以信念網路的方式來表達工作被完成的機率。




此為我所假定的簡單信念網路。流程B與流程C旁邊的表格表示在A為是(否)的情況下B和C被完成的機率。而最下表表示在B和C為是(否)的情況下工作完成的機率。實際使用時，可將標準訂為”P(完成)>0.85，則判定為完成工作"

實際應用時，為了加入次數性的考量。ABC各會被分為A1A2…B1B2..C1C2等等…再者，機率值的決定也需要透過實驗來達成。各流程間的關係也將不是如上表所示，而是會由A1A2..B1B2..C1C2所組成的複雜網路。此只為一個想法…..

一個辨識的想法

之前的想法是，先將演算法的基本觀念及相關知識瞭解到一個程度之後，在開始來看問題。但後來發現要將所學的演算法實際與要解決的問題相結合是件相當困難的事。有種不斷在紙上談兵的感覺。後來跟學長討論加上老師的一句話。讓我決定反過來先看問題，在嘗試可以搭上邊的任何演算法。藉此來加強邏輯思考能力。

這是滿久以前在看搜尋方法時想到的。

現在將一個工作的流程切割為(A-->B-->C)，在此順序中。假設我們已經針對這項工作的”順序次”進行了多次實驗並加以統計分析。得到了一組最佳的標籤順序為:

(A-->B-->C)

並假設我們已經針對這項工作的”讀取次數”進行了多項實驗並加以統計分析。得到了一組最佳的次數標準為:

A*1 B*1 C*1

(P.S此即為5/17所發表的玉米濃湯問題的簡化版本)

設計一個類似樹狀圖的圖如下

此為一個簡單模型。其中，將每個A,B,C設為代表工作物件的標籤。最上面一層為Reader讀取到的第一個標籤的可能，以此往下類推。圖中每個顏色線段都是一個向下方向的箭頭。藉此，在一個階段的工作中，所讀取到的所有標籤組合都會包含在這個類樹狀圖中。而其表達可看成是一條路徑。例如(B-->B-->B-->A-->B-->C)或(紅-->紅-->黑-->紅-->藍)，這樣的組合即包含了順序性及次數性。

前面所假設出來的順序次數為A-->B-->C各一次。換句話說，每組路徑只要達到ABC的先後順序及各一次的次數。即辨識為完成工作。

再者，可以透過一些限制上的設計，來提升辨識品質。例如在搜尋至第10層後還未達到標準，及辨識為未完成。或是連續5個同樣標籤，即啟動提醒等等…..

當然，現實問題不可能每個工作項目只設置一個標籤，次數性上也不可能將標準設為一次。但我想解決問題還是從簡單化開始，所以才會有這個想法。也許還搬不上檯面，圖也很陽春。但畢竟是第一步，希望老師和學長可以毫不留情的給予評論…

RFID開發程式理解 爛透了的第一步

今天開始研究Sirit PnP Rfid Demo應用軟體的程式碼。

由於程式背景基礎(相當)不佳的關係

在解讀的過程中一直碰壁

雖然有用MSDN以及GOOGLE等工具來輔助

但總是有種不得其門而入的感覺

後來在學長的指導下，總算大概掌握了一些方法

byte AFI; //宣告一個範圍8位元不帶正負號的整數
delegate void UpdateText(string str); //委派並回傳 更新str資料行的一部分
delegate void UpdateCheck(CheckBox bx, bool active);
delegate void UpdateButtonEnable(Button btn, bool enable);
private bool m_Detect = false;//宣告一個布林值 m_Detect = false 即為0
private bool doDisable = false;//宣告一個布林值 doDisable = false 即為0
TagType type = TagType.None; //取得與無命名空間相對應的....
string tag_id = string.Empty;//宣告一個空字串 tag_id，其中，tag_id是一個包含8 byte標籤ID的陣列
string prev_tag = string.Empty;//宣告一個空字串prev_tag
int tagLength = 256; //宣告標籤字元長度為256個整數
byte[] key = new byte[16];//新增一個16位元key
byte num_keys = 0x02;//宣告一個8位元的陣列 0x02為 num_keys
byte key_settings = 0x00;//宣告一個代表設置key的陣列 0x00
byte communication_settings = 0x03; //宣告一個代表通訊模式的8位元陣列
byte[] access_rights = new byte[2]; //新增一個代表存取權利的8位元陣列
byte name_num = 0x01;//宣告一個陣列 0x02為 name_num
byte pn_num = 0x02;//宣告一個陣列 0x02為 pn_num
byte pt_num = 0x03;//宣告一個陣列 0x02為 pt_num
byte pd_num = 0x04;//宣告一個陣列 0x02為 pd_num
uint _read_offset = 0x000000;//unit為長度度量 0x000000
uint _data_length = 0x00001D;//unit為長度度量 0x000000
byte[] AID = new byte[3];//新增一個3位元的AID

以上為今日慘不忍睹的結果，有許多細節的部分仍然需要詳加解釋與補充

我將於近日補上完整版

.................程式真是個麻煩的東西

工作行為感測-問題模型

問題模型:

在本系統中，該如何透過所讀取到設置於工作物件上的RFID標籤來判讀學員工作完成與否。是項艱鉅的任務。在此，我們以煮玉米濃湯為例。將本問題分為順序性與次數性兩個面向來加以分析。在情境中，我們將煮玉米濃湯這項工作的流程分割為:
1. 拿湯鍋煮水。
2. 將碗放置於電子秤上，並慢慢倒入湯粉量出一定重量。
3. 待水滾後，將湯粉倒入湯鍋，並使用勺子加以攪拌。

接著，透過流程的釐清，我們將RFID標籤分別設置於湯鍋、碗、電子秤、湯粉及勺子等五個工作物件上。視為準備工作完成。
其實，在一個工作流程的分割中，就已經隱含著一種順序上的趨勢了。假設我們已經針對這項工作的”順序次”進行了多次實驗並加以統計分析。得到了一組最佳的標籤順序為:

得到一個被定為標準的順序次後，往後針對學員所測得的實際標籤順序次，都將透過與此標準的比較來判斷工作完成與否。以機率的角度來看，即順序越接近標準，工作被完成的機率越大。以上，即為工作辨識問題順序性的描述。
在一次工作中，對於單一工作物件所讀取到的標籤次數。也是對於辨識判讀具有極大影響力的一個要素。因為在工作環境中，即有可能發生誤讀以及漏讀等狀況。再者，我們也需要透過讀取次數的多寡來做為辨識的依據並藉以提升辨識的正確度。因此再度假設我們已經針對這項工作的”讀取次數”進行了多項實驗並加以統計分析。得到了一組最佳的次數標準為:

湯鍋×1 電子秤×2 碗×1 湯粉×3 勺子×5

我們將此定為標準的”讀取次數”，往後學員進行實際工作時所產生的數據都將偷過與此標準的比較來判斷工作完成與否。以機率來看，越接近標準，工作被完成的機率越大。以上，即為工作辨識問題次數性的描述。
將順序性與次數性兩大要素融合在一起進行判讀，即本系統在辨識比對方面的問題模型。欲解決此問題，我們必須透過設計良好的演算法來加以分析。而以下的章節我們將提出動態時間扭曲(Dynamic Time Wrapping, DTW )，類神經網路，隱藏式馬可夫模型(Hidden Markov Model，HMM)，此三種常見的辨識用演算法來進行比較整理。

工作行為感測-未來工作-初稿

本組目前的專題進度正如前面章節所示。很明顯的，不論是軟體或硬體方面都還尚未成熟。資料庫的建置與比對演算法的應用也尚處於學習階段。因此，將自身的專業能力提升到能夠完成本專題目標的程度與完成硬體，是近期的首要工作。另外，由於尚未進入正式實驗的關係，未來所需面對的問題可說是多不勝數。例如，延長方案的實際使用是否會造成學員工作上的不方便。RFID讀取距離過短，讀取時間過長所可能產生的問題。甚至是因環境不同而衍伸出來的種種未知因素等等...因此，盡可能的把未知的因素透過思考或模擬變成已知。並納入整體設計的考量，因應不同的狀況去調整細節，也是在未來相當重要的工作。

工作行為感測-摘要-初稿

科技的進步確實為世界帶來極大的改變。然而，科技的滲透卻不是平等的。尤其是身心障礙者，他們對科技的認知、需求、以及使用能力都跟一般人有著極大的不一樣。因此，該如何將科技的力量確實的傳達到這一族群身上，成了現代一個值得探討的課題。

精障者的職前訓練，是協助精障者職業重建中最重要的一個環節。但諷刺的是，在包括台灣的大多數先進國家中，這一塊往往是精障服務體系中最不發達的部分。因此，本專題的目標即是利用在最近備受關注的射頻系統，來針對精障者職前訓練的方法做出改善。

射頻系統主要分為讀取機跟標籤兩個部分，每個標籤都有編號。當標籤靠近讀取機至一定距離時，就會以無線的方式產生感應。我們的詳細作法即是將射頻系統標籤佈置在工作環境中，當裝備著與PDA結合的讀取機的學員走進此工作環境中時，就可以透過射頻系統的感測能力，去達到讓就輔員了解學員實際工作進度，以及即時提醒學員未完成工作的雙重目標。


Indeed, advances in science and technology bring a great change to the world. However, the penetration of the science and the technology is not totally equal for whole human being. Especially for physical disabilities and mental disabilities. There are a lot of differences between general public and disable group. For example, the knowledge, demand, and capacity of science and technology. Consequently. How to use science and technology to assist disabilities in right way became an important issue in modern society.

The training before occupation for disabilities is the most important segment in rehabilitation. Ironically, This is often the most fragile part of the disabilities service system in most of developed countries including Taiwan. According to this, the article offers a way to improve the method of training by RFID(radio-frequency-identification) which is a popular wireless induction system recently.

RFID system is mainly divided into two parts with reader and tag. Each RFID tag in RFID system is given a unique ID. When an RFID tag approaches the RFID reader to a certain distance, the induction between tag and reader happens. Our specific way is to spread RFID tags into the working environment. When a trainee with the PDA which combine with reader walk into the working environment. We can achieve two objective be using the inductive ability of RFID.
1. Let the instructor know the trainee’s working progress.
2. To remind unfinished work immediately.

工作行為感測-HMM-初稿

隱藏式馬可夫模型(Hidden Markov Model，HMM)在六十年代後期被提出。再發明初期，因訓練需要花費大量的計算，因此較少被實際應用。直到波氏(Baum)提出將馬可夫模型之參數最佳化的方法後，才漸漸受到大家的重視。隱藏式馬可夫模型的特點為在辨識領域能夠使用到時序上的資訊。因此，在有時間先後關係的資料辨識上有相當的優勢。近幾年來，由於多媒體的快速發展。隱藏式馬可夫模型常被應用在語音，影像等等的資料辨識上。

在一般馬可夫模型中，能經由統計在t個時間序列的觀測值，進而估測當時間點為t+1時的序列狀態。在此種模型中，被觀測的對象狀態是已知的，能夠直接測量到的。所以，當序列的狀態是無法直接測得時，就必須使用隱藏式馬可夫模型來解決問題。

隱藏式馬可夫模型是一種統計模型，可視為是一個雙重的隨機程序。其中一個隱藏起來的隨機程序以狀態轉移機率，來描述停留在某一狀態或跳至另一個狀態的機率。而另一個隨機程序以觀測機率來描述其輸出

。

隱藏式馬可夫模型的狀態變遷概念圖。其中，X為隱藏狀態，y為可觀察的輸出，a為轉換機率，b為輸出機率。

隱藏式馬可夫模型的描述通常可用五個元素來建立。
1. S={s1,...,sN}代表N個狀態。
2. V={v1,…,vM}代表M個觀測符號。
3. Π={πi}代表啟始狀態機率。
4. A={aij}代表狀態轉移機率。
5. B={bi(vk)}代表輸出觀測機率。
6. λ=(Π,A,B)來表示一個HMM的模型參數。

其中

1. πi 為起始狀態為i的機率值
2. aij 為由狀態i轉至狀態j的機率值
3. bi(vk) 為狀態i下觀測到vk 的機率值

而模型參數的限制如下:

1. Σπi =1 i=1,2…N
2. Σaij =1 i=1,2…N j=1,2…N
3. Σbi(vk)=1 i=1,2…N k=1,2…N

在得到λ=(Π,A,B)後，接下來需要方法來統計觀測序列的機率值。在此最直接的想法為，逐一列出觀測序列的可能路徑並計算其路徑機率。最後再將所有機率值加總。但此法在序列長度長時，會因為計算量大而缺乏效率。因此為了降低計算量，一般會使用forward演算法來觀測序列在模型上所有可能的路徑機率合。即P(O｜λ)，其中，O=o1o2..oT(o t)。再者，我們以Q=q1q2,…,qT來代表序列狀態，在以知模型參數λ和觀測序列O的情況下。要找出一組此觀察序列的最佳序列狀態。這個部分常用viterbi演算法來解決。最後，在以之輸出序列的情況下，要找出最可能的狀態轉移機率以及輸出機率。這部分通常以Baum-Welch演算法以及Reversed Vitebi演算法解決。以上，便是使用HMM演算法的過程中必然會遇到的三個基本問題以及其常用的對應解決方式。

工作行為感測-演算法之類神經網路-初稿

從古至今，大腦究竟是如何運作，如何從事思考的確實步驟方法一直是科學界最大的謎團之一。直到十九世紀末，西班牙的神經組織學家拉蒙-卡哈爾(S.R.y Cajal)才提出了在現代較廣為人知的神經元學說。

所謂神經元(neuron)，是包括大腦在內的所有神經系統組織的基本單元。每個神經元都由一個包含細胞核的細胞體組成。而從其本體擴展出來得分支有被稱為樹突(dentrites)的細小纖維束與軸突(axon)的單一長纖維束。信號透過複雜的電化學反應在神經元間傳輸。首先進入樹突，提高或降低細胞的電位。當達到臨界值時，就沿著軸突傳送一個電波。電波在沿著軸突擴展開來並傳到其他神經元。因此在這個地方，可以將樹突看成是一種輸入。並將軸突看成是輸出。

此圖可以概略描述一個神經元的架構，其中軸突的長度約為細胞體直徑的一百倍

而在本章要介紹的類神經網路，可看成是一種演算系統。是使用大量的人工神經元來模仿生物神經網路的架構及能力。它從外在環境或其他人工神經元取得資訊，經過運算後，將其結果輸出到外在環境或其他人工神經元。在此，人工神經元也稱為類神經元(artificial neuron)。

一個類神經網路是由多個單元(units)，以鏈結(links)連結在一起。其中，每個鍊結都有一個對應的數字權重(weight, W)。權重是類神經網路做儲存的重要方法，類神經網路通常藉由更新權重來達成學習的目的

。

類神經單元模型

上圖為一個類神經單元的簡單模型，其中W代表權重，In為輸入，而Y代表輸出。T則會下面的段落詳加解釋。由多個像這樣的類神經元組成的網路，即是類神經網路。

圖為類神經網路模型與一般生物神經網路模型之比較

圖1為類神經網路的簡單模型，最左邊一列稱為輸入層(input layer)。最右邊的一列稱為輸出層(output layer)。而中間被稱為隱藏層(hidden layer)。在類神經網路中，隱藏層可以有多層，但通常習慣只用一層。而隱藏層的鏈結越多，整個網路的非線性就越顯著。另外，在輸出層的部分有個值得一提的地方。一般為人所知的神經元模型就如同前面描述過的，輸出是會擴展示其他多的神經元的。以圖來看，意思就是輸出不應該只有一個。但注意到，在類神經網路中，每個輸出單元是彼此獨立的。而且每個權重只影響到一個輸出，因此在模型表示上可以將研究限定在單一一個輸出單元。

執行一個類神經網路演算法的所期望達到的目標是，使網路的輸出輸入行為與提供輸入的環境行為更加一致。因此，把前面未定義的T定義為正確的輸出，並將上圖模型中的O定義為輸出單元的預期輸出。有了這兩個要素，即可定義誤差值Err。其數學式表示如下

Err=T-O

當誤差產生時，網路就開始藉由小幅度調整權重以降低O值與T值之間的差異並更新網路。這個步驟可能會重複多次以達到收斂性。然而，該如何蒐尋收斂於正確的權重，就必須透過適當的搜尋演算法了。一般而言，類神經網路所使用來搜尋權重的整體最小值(global minimun)的方法是利用坡度遞降法(gradient descent)。但此法有個缺點是所得到的解可能只是區域最小值而非整體最小值。

區域最小值(local minimum)與整體最小值(global minimum)的比較

類神經網路演算法有幾個在使用時必須要注意的項目，第一個是過度訓練與訓練不足的問題。一般在學習的過程中，若是連雜訊也一起學習進去，就會造成過度訓練。此狀況的發生將導致對新資料有不良的預測結果。若訓練不足，也同樣無法對新資料產生良好的預測。但通常比較為人所重視的往往是訓練不足的問題，因為若能收斂，則表示此網路已有相當程度的學習。

另一個是隱藏成數目與神經元數目的決定。一般而言，大都問題最多只需兩個隱藏層即可解決，層數越多，整體運算就會越複雜。前面段落所提到的區域最小值問題也越容易發生。至於神經元數的決定，一般皆採用錯誤嘗試法來找到最佳的數目。

最後，參考類神經網路演算法的特性。可得知此種演算法可建構非線性的模型，準確度高。且本身具有推理能力，可適用的領域相當廣。而其缺點為準備工作費時(須決定層數與神經元數以及設定學習參數)，以及計算量大，相當耗費電腦資源。

工作行為感測-演算法之DTW-初稿 大概完成..

時間序列資料(Time series data)是近幾年備受關注的領域。因為舉凡和時間有關，隨著時間改變的數據或狀態，都可看成是時間序列資料。如氣候的變化、市場的波動、血壓的高低等等...都可以以時間序列的觀點去看待。

時間序列資料的可衍伸出的應用問題相當多，例如語音辨識及圖像辨識。而其中的關鍵核心就在於相似度比對。用來處理相似度比對的演算法非常多種，一般常用 Euclidean Distance(歐幾里德距離)來計算其距離藉以作為相似度比較的評估。而本單元要介紹的是準確度更高的動態時間扭曲(Dynamic Time Wraping, DTW )演算法。


在時間軸固定的前提下，通常比對兩筆時間序列資料，都是一個資料點對一個資料點的去計算距離(如圖)

在時間軸固定的前提下，一對一比對，為線性。

但有時候，兩筆資料間會有時間上的不匹配，及時間軸的不固定。此時若比照一對一去計算距離的方法，得到的答案將是不準確的。也因此，有了態時間扭曲(Dynamic Time Wraping, DTW )演算法。

時間軸不固定，非線性

DTW的宗旨在於提高時間的彈性空間，使資料能夠透過伸展或壓縮去彌補資料間時間上的不匹配，藉以找到最小誤差的非線性對應。

DTW的做法:
DTW的目標就是要在時間軸不固定的前提下，找出兩個向量間的距離。假設有兩個向量t和r，長度分別是m和n，那麼 DTW 的目標，就是要找到一組路徑 (p1, q1), (p2, q2), ..., (pk, qk)}, 使得經由上述路徑的「點對點」對應距離和為最小，另外，此路徑必須滿足下列條件:
1.(p1, q1) = (1, 1), (pk, qk) = (m, n)。此端點關係代表這是"頭對頭、尾對尾"的
比對
2. 假設最佳路徑上任一點可以表示成 (i, j)，那麼其前一點路徑只有三種可能，
(i-1, j), (i, j-1), (i-1, j-1)。此局部關係定義了路徑的連續性

接著，將找到此路徑的DTW演算法描述成四個步驟。
1. 目標函數之定義：定義 D(i, j) 是 t(1:i) 和 r(1:j) 之間的 DTW 距離，對應
的最佳路徑是由 (1, 1) 走到 (i, j)。
2. 目標函數之回溯關係：D(i, j) =∣t(i) - r(j)∣+ min{D(i-1, j), D(i-1, j-1), D(i, j-1)}
3. 端點條件：D(1, 1) = ∣t(1) - r(1)∣
4. 最後答案：D(m, n)

在實際運算時，通常會事先建立一個矩陣 D，其維度為 m×n，先根據端點條件來填入 D(1, 1)，然後再利用回溯關係，逐行或逐列算出 D(i, j) 的值，最後得出答案 D(m, n)。

利用回溯找出最佳路徑

DTW在比對演算法中屬於準確度相當高的一種，但由於其空間複雜度為O(mxn)。且每個D矩陣的點都至少要做兩次比較，才能從前面三個點中取得最小值。以至於非常耗費時間。尤其當資料量龐大的情況下，此缺點將更加明顯。因此，在解決不同問題或比對資料時，可能要依狀況來尋求不同模式的演算法來解決這個問題

工作行為感測-演算法開頭-初稿

演算法是指完成一個任務的具體步驟與方法。換句話說，即是給定一初始狀態或輸入資料，經過一連串方法的執行，最終得到期望的終止狀態或輸出資料。

一個演算法範例，演算法可以表示成流程圖

同樣的任務常可以用不同的演算法來解決，不同的演算法可能會用不同的空間、時間、效率…等等，來達成目的。以本報告來說，要達成的任務是利用讀取到的RFID標籤來判斷學員是否已完成給定的工作項目。這個問題看似簡單，以是否完成掃地工作為例。只要很直覺的去想”讀取到佈置在掃把及畚箕上的RFID標籤”即判斷為完成掃地工作。但事實上卻不然。因為人為動作和環境不可能是侷限在一固定模式，讀到標籤，並不等於完成工作。沒讀到標籤，也並不等於沒完成工作。這之中可參雜著機率因素。因此，究竟要如何去判斷學員工作完成與否。這個答案只能透過設計良好的資料庫(Database)和演算法去求得。在一次工作中，讀到的一個至多個RFID標籤，在此即為一組數據。程式必須將這一組數據透過一個經過設計的辨識演算法去和資料庫進行比對，進而判斷學員是否完成工作。以下是幾種本次報告可能會採用或參考的演算法。

這是目前在演算法部分的開頭，我想下面應該會介紹辨識常用的 DTW HMM 類神經..或是講序列比對.....

工作行為感測-相關應用-初稿

自從電影工業興起後，人們常常將對未來科技的期望與幻想轉化成電影中極富想像力的元素。其中，自動化、智慧化的生活環境也是個在電影中常見的題材。“微型電腦晶片將跟我們日常生活周遭一切的一切相結合，不需要手動的操控，就可以透過無線的連結，對我們的存在、慾望需求做出反應”這種貌似只會在科幻片中見到的高科技，事實上已經一點一滴的開始在真實世界中嶄露頭角。以各種狀態以及不同的應用模式，在各業界中發揮驚人的成效，也漸漸的朝普及化邁進。其名為，射頻識別(Radio-Frequency Identification, RFID)

雖然RFID與一般住宅或辦公大樓的完整結合仍然是遙不可及的，但其應用的範圍正著實的增廣，也慢慢的融入了某些產業與人們的日常生活。在產業界，以倉儲管理來說，一個產品從出貨到上架的過程，要是使用利用RFID來管理物流流程，不但可以提高效率同時也可以省下大筆人力。或在保全業，諸多知名飯店的保全及門禁系統皆已導入RFID技術來取代舊有的磁條卡。在德國，甚至已經有所謂的”未來商店”，除了在商店內部安裝了射頻識別庫存管理系統，藉以達到自動化管理之外。購物車，結帳櫃檯等等也都藉著與RFID的結合來提高管理品質與流程上的方便性。

而在日常生活中，香港的八達通卡就是一項非常廣為人知的應用。起初，它就像台灣的優遊卡一樣，只能適用在搭乘大眾運輸上，但經過幾年的發展，應用的範圍不斷的擴大，現在已有包括停車場、便利商店、電影院、販賣機、游泳池甚至校園等等…超過兩百個商家接受使用八達通卡。食衣住行育樂無所不能。幾乎可說是整個亞洲應用RFID最成功的典範。而在台灣，除了較為大眾所知的寵物晶片及悠遊卡之外，醫療專業領域也在探索著RFID所帶來的可能性。例如，台北醫學大學附設醫院即利用了RFID技術在院內建立了SARS防疫系統。這套系統使用內建體溫感測器及RFID晶片的腕帶型標籤，在防疫期間，要是有任何醫院員工或是患者體溫有超過標準的跡象，就可以立刻比對資料庫並且採取立即的措施。

另外，切到本報告的主題。RFID在行動輔具上的應用也有著特別顯著的可能性。因為RFID的概念即是以無線傳輸感測的方式來接手種種本由人工完成的工作。化句話說，RFID即代表著”自動化”。而身心障礙者所缺乏的正是一些日常生活所需的行為能力，如果能以無線感測為基礎將科技輔具的”自動化”發揮到淋漓盡致，相信能為身心障礙者帶來說不盡的好處。也能為革新現今的醫療與復健技術。譬如”Smart home”即是融合RFID運用在醫療復健的概念性住家。它主要的理念是將適當的感測器放置在病患的生活環境中，使病患可以在家中自由活動。相較於傳統的復健大都是醫師與病患在醫院中的臨床實驗室中進行，此種模式使得病患可以擺脫醫院的束縛在家中自由自在的活動，蒐集到的數據也比較實際且貼近日常生活。再結合醫生的診斷與評估，將會達到更良好的復健效果。

此為初稿，我會在多思考文字上是否有可以加強的部分，另外也會再穿插圖片.....增加篇幅= =...

工作行為感測-背景-初稿

從古至今，科技的發展雖然有許多不同的目的與方向，但始終還是來自於人性。回朔人類歷史，起初人們為了生活而激發創意，發展各種使生活更便利的技術。漸漸的，在滿足基本需要後，貪心跟慾望促成了軍事科技的發展。數千數百年來，科技不斷進步，也不斷的有新方向新發現。到了今天，幾乎世界每個角落，生活中的每分每秒，都充斥的大量的科技。看似，科技為”全”人類都帶來了說不盡的好處。但事實上卻不然，以現代的社會來看，科技的滲透並不是完全平等的。以身心障礙者(此稱為精障者)來說，他們對科技的認知，對科技的使用能力及需求，跟一般人有著很大的不一樣。如何讓科技的力量能夠確實的注入這個權益較少被關注到的族群，在現今是個值得省思的課題。

精神疾病，俗稱精神病，是因為先天或後天因素所造成的行為或心理活動上的不正常。此類疾病在醫療上並沒有什麼能夠根治的特效藥，想使其病情好轉也唯有透過不斷的心理治療及復健。是種非常難以捉摸與治療的古老疾病。精障者通常在社會上容易引來異樣的眼光，使的這一族群的背上總是背負著許多莫須有的汙名。這些壓力也成為了精障者重新融入社會的一大阻力。當然，在就業市場中精障族群也常被列為拒絕往來戶。但根據許多單位統計的精障者生活需求調查報告得知，精障者是有很大的就業意願的。只要能夠就業，精障者就成為了社會中勞動力的一部分，並能夠與社會接軌，也將會為精障群建立信心，幫助病情的好轉。但諷刺的是，就業服務在包括台灣的各個國家的精障服務體系中，往往是最不發達的。

在台灣，不少醫院都有附設院內的職能治療場所，來給予精障者(或稱學員)適當的就業訓練，但訓練的模式多半是以人工的方式來進行現場指導。其成效往往不彰。在這一塊，如果能導入科技的力量來協助訓練。將可以提高整個訓練的效率，並且讓就輔員可以以更多元的方式來設計訓練課程，藉以激發出學員更大的潛力。本報告即是使用射頻系統(radio-frequency-identification, RFID)來設計一套能夠達到工作識別及提醒效果的科技輔具。

射頻系統(radio-frequency-identification, RFID)是最近非常受到關注的無線科技。RFID標籤是一種小型的矽晶片，每個標籤都存有獨一無二的識別碼，或使用者額外存入的資訊。讀取機則可以在特定距離內感應到標籤，並且自動接收與解讀標籤晶片上的資料。其運作的方式如下


放一張原理圖


此項技術目前在各業界都已受到了極大的關注，儘管尚未成熟與普及，但諸多如零售、保全、運輸、製造與貨運甚至醫療等產業。都開始對RFID進行測試甚至實際應用。

本報告的目的，是將這項技術融入精障族群的就業輔導。細看目前各大醫院中的職能治療場所，在科技資源缺乏的環境下，就輔員教導學員的模式，就像幼稚園老師教導學童一樣。以口頭解說或是適時的給予行動上的輔助，以幫助學員去感受去記住工作的流程及細部內容。事後再由就輔員去記錄各個學員的學習狀況，加以分析評估去判斷學員是否已經具備可以”獨立”工作的能力。然而，少數的就輔員很難有效率的同時督導多個學員，因此效率上往往不足的。再者，某些病情較為嚴重的學員，可能在就輔員從旁協助的狀況下可以工作。但就輔員一不在身邊則無法。當然就輔員不可能陪伴學員踏入職場，所以像這樣子的案例在最後多半被判為無法工作。

如果能開發一種科技輔具來協助就輔員觀察並記錄學員的工作狀況，甚至變相的擔任學員的”專屬”就輔員，來負責從旁提醒的工作。如此一來，就輔員不但能以更有效率的方式去監督並記錄學員的工作完成狀況，學員也能透過此種輔具去獨力完成工作甚至帶著這樣的輔具直接進入職場。這，即是我們的最終目標。

這種輔具的設計概念，是利用RFID的辨識功能與手持裝置PDA相結合。並且在工作環境甚至工作項目中所使用到的工具上佈置一個到多個RFID標籤，學員裝備著附有RFID讀取機的PDA進入工作環境。在工作的過程中，PDA能夠透過RFID讀取機與標籤的感應去判斷就輔員完成的工作項目與未完成的工作項目，並且給予就輔員語音或圖像的提醒。另外PDA會將結果即時傳輸到電腦，使就輔員能如臨現場般的掌握每個學員的工作進度狀況。以上即為本專題的研究方向

一點想法.....

話說大三下真的讓我意識到不少我本來有點忽視的東西。首先是GPA，這是國外評定成績的一個標準(A+,B- -之類的)..以我來說，如果要申請國外的研究所，有一個最基本的門檻就是GPA要3.0(B)以上，換算成台灣的成績計算方是大概是說我大學四年下來智育成績平均至少要達到70分。然而大一的我朦朦朧朧，沒有主動去查這方面的資訊。學業上也比較混..所以到了大三上，我的成績不多不少剛好是70分整..算是攀在懸捱邊緣。再者，出國念研究所英文當然要累積到一定的程度..而我總是仗著自己本身出過國，比一般人敢說敢講，基本功方面已經很久沒有下工夫去加強了..之前查了一些關於托福，GRE，GMAT的資料。我發現以我現在的程度要應付好這些考試，真的還有很大一段距離。

這學期的我意識到了這兩件”大事”，所已開始付出比較多心力去照顧我的成績跟英文。至於專題方面，捫心自問，我知道自己還不夠主動不夠認真。很多進度要不是學長有在盯並且設下期限，我可能已經落後一大段。平時學長出一些作業跟交代一些工作，我也都不是很積極的去把它做到我很自滿的地步。最要不得的是，我老是以要念英文，拼成績..很忙很忙沒時間等等的藉口，去說服自己對專題付出的不足是可被接受的。今天下午，我在區間車上想了很多..我想，接下來我會調整一些心態..還有針對時間安排以及做事效率做一些改善。儘管事情真的很多，但我會付出更多去搞定它們