Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
利用 RFID 培訓人體傳感網路的智慧型義肢系統
黃振榮 1*、李哲宇 2、李京育 2、王宇武 1、林進發 1
國立東華大學資訊工程學系 1
cjhuang@
*
國立東華大學電機工程學系暨電子工程研究所 2
摘 要
近年來，義肢輔具的研究發展改善了截肢患者或運動功能障礙患者的生活機
能，但是患者在安裝義肢後，必須接受一系列的訓練，才能夠正確的使用義肢。
但卻常常礙於人力資源有限、病人經濟狀況等現實因素，無法真正提供病人完整
的訓練過程。因此本研究提出一個平價且安裝簡易的病人自我訓練機制，讓病人
在家中能夠使用本機制做自我訓練，透過本機制所提供之即時引導訊息來導正病
人的姿勢。本研究使用嵌入式系統為核心並使用 RFID 來獲得肢體的 3D 定位資
訊，如此便可達成系統穩定、安裝簡易且成本低廉的智慧型義肢病人訓練引導系
統，解決人力資源有限、病人經濟狀況等現實因素，讓患者在安裝義肢後，進行
完善的訓練，進而正確的使用義肢。相信藉由本計畫的訓練機制，一定能夠讓更
多的義肢病人受惠，並有效提升義肢廠商市場競爭力。
關鍵詞：義肢、RFID、3D 定位資訊、weka、訓練。
1. 簡介
目前國內的義肢產品尚未發展出自動化的義肢，仍還在義肢外型及舒適性上做改
良，如：碳纖多功能小腿義肢、合金單軸小腿義肢[1]、超輕型義小腿義肢[2]、OTTO BOCK
MOBIS、Ossur、Nabtesco[3]著重於高活動度的膝關節，國外較為先進的義肢產品發展
有：機動型人工智慧義肢 (POWER KNEE) [4]，號稱是世界上第一款而且是唯一一款機
動型人工智慧義肢，配備轉矩和加速感應器，能隨時感應地面的狀況，並隨時配合調整，
致動器亦能在上下樓、彎腰、躍立時，有效抬舉、刺激使用者的肌肉，以及藍牙義肢[5]
內建電腦晶片，可以無線傳輸向人造關節內的馬達發出指令，膝蓋與足踝可充分溝通，
協調的行進運動，不會相互絆倒，雖然機動型人工智慧義肢和藍牙義肢可自動行走，但
電量及有時候不受控制仍是一大問題，可以從國外產業的發展上看出，未來產品的發展
將走向義肢行走自動化，而不是只有局限在外型及舒適性上改良，市場需求上，根據內
政部統計通報 97 年底列冊身心障礙者人數統計中[6]，肢體障礙者人數有 39 萬 7,920 人，
表示仍有許多人需要裝上義肢或者接受肢體復健，由此可見本計畫之重要性。
義肢產業也是台灣發展歷史較久的傳統產業，在廠商積極開發新型義肢裝置的態度
下，其競爭力並不落後於國外，但對於義肢病人的訓練方面，卻一直維持傳統專家引導
的方式，無論國內外針對此方面的研究及投資相對稀少，因此在計畫完成後廠商可以利
用這種新的服務模式大幅提升義肢產品的附加價值。目前專業的矯具義肢中心在醫院裡
面是一個相當少見的單位，在台灣只有少數幾家醫學中心成立這個單位，通常病人復健
需要接受一段時間的訓練，因此在金錢及時間需要極大的消耗。本系統提供病人可以在
198
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
家訓練的機制，可避免病人舟車勞頓，以及減少交通住宿費用的支出與訓練的費用，其
次本系統使用 RFID 做為主要偵測裝置，所需成本相當低廉，未來在市場上也將擁有相
當強大的競爭力。
2. 背景
目前定位技術方面，R. Want[7]以漫射紅外線 (Diffuse Infrared) 技術發展 Active
Badge 的定位系統，使用者所配戴的行動臂章會發出紅外線訊號，再由建置在室內的紅
外線感測器接收，將資料傳回伺服器並計算使用者目前所在的位置。但紅外線僅能直線
行進、傳輸距離短、易受外在環境干擾因此較不受到重視。然而在 2003 年時提出了以
LANDMARC (Location Identification Based On Dynamic Active RFID Calibration) 進行室
內定位，在 LANDMARC[7]方法中，運用了 4 個讀取器 (Reader) 與 16 個主動式電子標
籤 (Active Tags) 來計算追蹤標籤 (Tracking Tag) 的位置，此系統最主要的優點在於利
用參考標籤 (Reference Tag) 的概念，來改善物體定位時的整體精確度，RFID 技術具備
有低成本、體積小、容易佈建等優點，非常適合於短距離無線傳輸，也有雙向通訊功能
非常適用於室內定位系統。
Received Signal Strength Indicator (RSSI) [9][10]接收信號強度偵測，亦即接收端的
偵測電路所量測的無線訊號強度值，然後依照強度大小來判斷所發射的電波與接收端的
距離，每個鄰近的感測節點都可以透過發射的無線電波強弱來判斷各個節點與接收端的
相對位置。一般來說 RSSI 的好處是不需外加電路或模組，因為無線模組的晶片已經有
偵測腳位與電路，也因此使用 RSSI 比其他方式更加節省電源以及更加容易的建立。在
我們義肢訓練環境中，除了希望可以達到定位的目的，也希望在義肢硬體上有更好的效
能，所以我們選擇 RSSI 來當作義肢定位的工具。
3. 智慧型義肢訓練系統架構
本研究系統的智慧型義肢架構如圖 1. (a) 所示，該系統不斷接收從欄杆上和腿兩側
的 RFID 標籤的義肢步態訓練處理數據。將一些適當的回饋信息發送給義肢使用者並糾
正他/她的步態，如圖 1. (b) 所示，在系統中由四個模組根據從 RFID 標籤接收到的數據
生成回饋的信息。
首先，RFID 傳送義肢使用者的即時定位信息，且 RFID 讀取器接收從欄杆上相關
標籤信息，然後訓練軌跡記錄模組會記錄大腿的角度變化、膝蓋垂直線資訊和義肢啟動
的時間長短，軌跡分類器模組是負責利用決策樹和快速學習法的類神經網路進行比較目
前的義肢使用者步態記錄，把訓練軌跡模式建立在系統上，並協助診斷使用者是否將遭
受意外事故的步態訓練，利用訊息回饋機制模組決定系統是否應發出即時的信息，根據
訓練模式所得的分類結果指導使用者糾正她/他的步態。值得注意的是，此系統會提出
專家系統規則庫紀錄義肢使用者的步態，把所有不匹配的步態儲存在數據庫中，得以獲
得適當的指導信息和新步態模式。
199
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
RFID 定位模組
訓練軌跡記錄模組
讀取器座標
距離/角度
紀錄
時間/角度
紀錄
開始訓練 回饋訊息
RFID 讀取器
(a)
(b)
θthigh
θknee
RFID 讀取器
軌跡樣版
資料庫
專家
指導信息
數據庫
決策樹
快速學習法的類神經網路
軌跡分類器模組
訊息回饋機制模組
(專家系統規則庫)
圖 1. 系統架構圖
本系統的模擬情形為受訓病人在義肢上安裝數個 RFID 取讀器如圖 1. (a) ，而在訓
練過程中系統會持續讀取 RFID 標籤的資料，並經由圖 1. (b) 所示的 4 個模組產生適合
的引導回饋給受訓病人，4 模組分別說明如下：
. RFID 定位模組:
以 RFID 系統作為無線通訊介面，而定位演算法則以接收訊號強度 (RSS) 定位法
進行定位，接收訊號強度 (Received Signal Strength，RSS) 是以訊號功率傳播模型為基
礎，來估測發射端與接收端之距離，無線電之電磁波在自由空間中傳播，其傳播距離越
遠能量密度越小，當接收器在不同位置，所量測的訊號強度也會不同。因此必須事先建
構環境之訊號傳播衰減模型。而訊號傳播方程式[11]為：
2
4
sr
rttr
D
GGPP
(1)
其中 rP 為接收功率 (Remaining power of wave receiver) ， tP 是發射功率 (Transmission
power of sender) ， tG 是發射天線增益 (Gain of transmitter) ， rG 是接收天線增益 (Gain
of receiver) ，是工作波長 (Wave length) ， srD 是傳播距離 (Distance between sender
and receiver) 。等式中除了距離 srD 未知之外，其他參數皆已知或可以量測。藉由此方
程式可得距離方程式如下
2
2
4
r
rtt
sr
P
GGP
D (2)
200
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
受訓病人在如圖2. (a1) 的護欄中實施訓練時，配戴于義肢上的RFID讀取器將同時取讀
到數個RFID標籤如圖2. (a2) 所示，此時RFID取讀器與其中2個RFID標籤將形成一個三
角形如圖2. (b) ，其邊長 a 為固定已知，而b , c 傳播距離可由接收訊號強度 (RSS) 定位
法 (公式 (2) ) 得到，則由畢氏定理可得到d，此時RFID取讀器座標D ( Dx , Dy ) 表示如
下：
a
d
yyyy
a
d
xxxx
BCBD
BCBD
)((
)((
(3)
當所有RFID取讀器的座標定位完成後，便交由訓練軌跡記錄模組負責記錄。
b
(RSSI)
c
(RSSI)
d
a
A
Tag Flat
High RSSI
Low RSSI
(a) (b)
RF Tag
(a1)
(a2)
D (xD,yD)
B(xB,yB) C(xC,yC)
RF Reader
圖 2. 定位模組示意圖
. 訓練軌跡記錄模組：
受訓病人在訓練過程中所練習的步伐將產生如圖 3 的角度變化，此時系統將依時間
及距離分別記錄 thigh 與 knee 的變化，而得到「時間為 X 軸-角度為 Y 軸」 (以下簡稱：
「記錄 T」) 與「距離為 X 軸-角度為 Y 軸」 (以下簡稱：「記錄 D」) 兩種記錄，並將
此兩種記錄分別交由「軌跡分類器模組」與「訓練程度指標模組」進行處理。角度計算
公式如下：
|CB||DB|
CBB
cos
||||
cos
1
1
D
CABA
CABA
knee
thigh
(4)
201
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
其中 ABCD 分別代表 4 個 RFID 取讀器
R1
R2
R3
R4
R1
R2
R3
R4
R1
R2
R3
R4
θthigt
θknee
R1
R2
R3
R4
R1
R2
R3
R4
R1
R2
R3
R4
R1
R2
R3
R4
起始步 正常步
θthigt
θknee
圖 3. 病人前進時 RFID 取讀器相對位置變化示意圖
. 軌跡分類器模組：
此模組負責將訓練軌跡加以分類，圖 4. (a1) 與圖 4. (a2) 分別代表在專家所預先提
供的行動樣版記錄中， thigh 與 knee 兩者的「記錄 T」，其中每個拋物線皆可得到一起始
角度，垂直線 H 以及時間 t ，相同的訓練過程中所得到的「記錄 T」也可以得到此 3
個參數，藉由此 3 個參數利用軌跡分類器模組來進行分類訓練。本計畫預計實作兩種分
類演算法並比較其優劣，包括決策樹以及快速學習類神經網路演算法 (Fast Learning
Neural-Networks) 。
(a1)
X-axis (Time)
Y-axis (θthigh)
λ1
t1
H1
t2
H2
λ2
(a2)
X-axis (Time)
Y-axis (θknee)
λ1
t1
H1
t2
H2
λ2
(b1) λred>λblue 起步動作過快
X-axis (Time)
Y-axis (θthigh)
t
H
(b2) Hred>Hblue 步伐太大
X-axis (Time)
Y-axis (θthigh)
λ
t
Hblue
X-axis (Time)
Y-axis (θknee)
λ
t
Hblue
(a) 樣版軌跡
X-axis (Time)
Y-axis (θknee)
λ
tblue
(b) 常見的軌跡比對分類
λblue
λred
Hred
Hred
tred
(b3) Hred<Hblue 膝蓋彎曲不足 (b4) tred<tblue 膝蓋太快伸直
樣版軌跡
訓練軌跡
樣版軌跡
訓練軌跡
樣版軌跡
訓練軌跡
樣版軌跡
訓練軌跡
…… ……
……
……
……
……
H
圖 4. 訓練軌跡分類示意圖
202
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
. 決策樹 (Decision tree)
決策樹演算法是屬於資料探勘 (data mining) 中的技術，可以將資料依照分割條件
自動地分類，形成一決策樹 (decision tree) ，其中每個節點代表一個參數的檢驗。
演算法限制在類別型的資料，依據屬性的分類數作絕對的分割 (categorical split) ，分割
時根據獲得訊息量 (Information Gain) 規則來決定分割變數。設資料有兩個類別 P 與
N，類別 P 有 p 個元素，類別 N 有 n 個元素，其所含資訊量為：
np
n
np
n
np
p
np
p
npI
loglog, (5)
若參數 A 的分類數為 v，將 S 分割為{S1,S2…Sv}，假設 Si 包含 pi 個 P 類別及 ni
個 N 類別，I=1,2…v，則參數的 Entropy 為
v
i
ii
ii npI
np
np
AE
1
, (6)
以屬性 A 為分割變數可得到的資訊增加量為
AEnpIAGain , (7)
演算法選擇資訊增加量最大的參數為分割參數。首先會先建構一顆完整的樹，
再針對每個節點依據使用者定義的 Error rate (節點中錯誤分割的比例) 來作修減樹
(pruning tree) 的動作。
首先，圖 5 為我們利用上述三個參數所建製的決策樹例子，透過輸入的參數，系統
會根據參數的範圍，列出最有可能的狀況情形。此例子最有可能為使用者在訓練時起步
動作過快或義肢步伐動作過大，利用決策樹我們可以減少辨識系統的錯誤率和系統辦識
所需時間。
垂直線
時間
起始角度
1.義肢起步動作過快
2.義肢步伐動作過大
<=65度
<=5
<=2秒
……
……
……
圖 5. 建立決策樹的例子
. 快速學習法的類神經網路 (Fast Learning Neural-Networks)
根據軌跡紀錄得到的三維向量並且以類神經網路作為核心，用來辨識義肢使用狀
況。選擇類神經網路是因為在文獻[12]中他優越的性能。主要的問題是由於一般類神經
網路都有一個特性，即計算過於繁雜，因為要花太多時間在訓練類神經網路上，使的類
神經網路在應用於需即時運算需求領域上受到限制。不過也有很多的解決方式，如使用
203
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
超大型積體電路，讓類神經網路能夠在硬體上執行，此外，這種方法也可取代傳統的倒
傳遞類神經網路 (Back Propagation Network) ，通常能減少傳統類神經網路的訓練時間。
在類神經網路[12]中，透過快速學習演算法可同時自動選擇神經量化的參數與分析
bias 網路中正確的權重。這種類神經網路具有以下的特徵，
(I) 類神經網路由兩個隱藏層所組成，包含 First Larger 與 Second Narrower。有一些神
經量化連接到輸入層且一個或部分神經元是在第二隱藏層。
(II) 在輸入層與第一隱藏層間的所有連接權重可作為簡單的前置動作，且其中大部分為
隨機分配。
(III) 在第一隱藏層與第二隱藏層間的連接權重可同時確認，而不是傳統類神經網路學習
演算法中需要反覆的調整。
(IV) 在第二隱藏層與輸出層間的連接權重可設定成固定參數C 。
(V) 權重大小的因素 wf 或C 與量化的因素 qt 以及 qu 應做優化的調整。
此研究中採用的快速學習演算法 (FLA) 可整理如下：
FLA 的輸入：
(I) N 個任意不同的樣本 ),( ii tx ，其中
nT
iniii xxxx ],...,,[ 21 ， Ni ,...,1 。
(II) 預期的學習準確度 0 。
(III) 分類的個數為 G。
(IV) 第一隱藏層中，神經元的數量為 D。
FLA 的學習程序：
步驟一：對輸入做排序和分組
(I) 隨機選取向量 nwt 並重新排序輸入索引如下 Nxwtxwtxwt 21 。
(II) 將輸入分組排序為 G 個類別 )(gV ， Gg ~1 。
GgNiGNgig xwtxwtxwtxV /1/)1()( (8)
步驟二：計算 2 個隱藏層的權重和偏移值。
(I) 隨機選取權重 iwt 和偏移值 ib ,其中 Di , . . . ,1 ,第一隱藏層中的神經元數量
GND / 。
(II) 使 ij
mjni
tC
1;1
max ,其中α為任意大於 2 的正數 (Positive Number) 。
(III) 計算矩陣 TgD
ggg ],...,,[ )()(2
)(
1
)( ：
)(*(g))( )( gg UM gg M (9)
,
)()(
)()(
/1/1
1/)1(11/)1(1
)(
DGgNDGgN
DGNgDGNg
g
bxwtbxwt
bxwtbxwt
M
(10)
204
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
其中 )1/(1)( xex ， *(g) )(M 表示 )( (g)M 的廣義反矩陣。
)
/
/
ln()
/
/
ln(
)
/
/
ln()
/
/
ln(
,/
,/
1,/
1,/
,1/)1(
,1/)1(
1,1/)1(
1,1/)1(
)(
Ct
Ct
Ct
Ct
Ct
Ct
Ct
Ct
U
mGgN
mGgN
GgN
GgN
mGNg
mGNg
GNg
GNg
g
(11)
步驟三：計算類神經量化 (Neural Quantizers) 的權重和類神經量化 (Neural Quantizers)
的偏移值。
(I) 設定 Quantizers Factor qt 和 qu 如下
)(min
)1)
)2)(2/(
)2)(2/(
ln(min/2ln(2
1
1~1
~1
jj
Nj
ijij
ijij
Ni
xwtxwt
tCtmC
tCtmC
qu
qt
(12)
)
)2)(2/(
)2)(2/(
ln(minmax)1
2
ln(
~1
)(
~1
/~1
~1
ijij
ijij
Ni
sg
q
Gs
GNq
Gg tCtmC
tCtmC
M
CGm
qu
(13)
(II) 設定連接權重 )( gPwt 和 )gQwt ，連接輸入層和
)(gP 和 )(gQ ， Gg ,...,2,1 ，如下
wtqtwt
wtqtwt
g
g
Q
p
)(
)(
(14)
(III) 設定神經元偏移值 )(gP and )(gQ ， Gg ,...,2,1 ，如下
Ggxwtxwtxwtqt
Ggxwtxwtqt
b
jj
Nj
N
GgNGgN
p g
if,))(max(
if,)
2
1
2
1
(
1
1~1
1//
)( (15)
1 if,))(max(
1 if,)
2
1
2
1
(
1
1~1
1
/)1(1/)1(
)(
gxwtxwtxwtqt
gxwtxwtqt
b
jj
Nj
GNgGNg
gQ
(16)
(IV) 設定連接權重 ABw 連接神經元
)( pA 和 )( pB 和第二隱藏層如下
quwPQ (17)
(V) 設定連接權重與偏移值，連接第二隱藏層的神經元和輸出層，如下
Cwto (18)
Cbo (19)
205
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
. 訊息回饋機制模組：
本模組利用分析專家系統規則庫來進行訊息回饋機制，本專家系統規則庫共有兩個
資料庫，軌跡樣版資料庫與回饋訊息資料庫，其中軌跡樣版資料庫儲存的資料主要分為
兩種資料表，其一是正確命題表，另外則是錯誤命題表，在軌跡樣版資料庫中資料則由
專家所製訂，而軌跡記錄與回饋訊息比對則都是靠此樣本命題庫進行比對與分析，透過
比對與分析，產生對應的訊息回饋，系統在根據使用者程度給予不同強度的回饋訊息，
例如：分類軌跡為起步動作過大的狀況中，使用者因為剛開始接受訓練比較緊張，所以
練習程度次數少於一定範圍內給予「請將動作放慢」，但受過相當程度訓練的病人行走
速度已經變快，所以練習次數大於一定範圍則給予「請勿太早將膝蓋伸直，這樣容易受
傷」，希望可以藉由此比對讓訊息回饋做到更精準的判斷，圖 6 為實際的精準判斷結果。
專家信息回饋視窗專家信息回饋視窗
16"05"30
請勿太早將膝蓋伸直，這樣容易受傷 確定
圖 6. 專家信息回饋結果視窗
但若出現無法判斷的回饋訊息，則回饋給專家進行判斷，在將資料都會新增至回饋
訊息資料庫中，專家也可以依據使用者歷程資料庫的資料隨時新增適當的回饋訊息。另
外回饋訊息資料庫儲存適當回饋訊息回饋給使用者。
4. 實驗過程
本研究所使用的模擬數據是依據使用者使用義肢的所有可能發生狀況，抽樣取得
912 筆資料。資料所使用之參數包括彎曲角度、垂直線(距離)、啟動時間等 3 種。義肢
專家依據這 912 筆資料定義出所屬的 27 類義肢狀態，如表 1所示。
表 1. 義肢狀態類別一覽表
類別代號 狀態內容
1 義肢起步動作過快
2 義肢起步動作過慢
3 膝蓋彎曲角度不足
4 膝蓋彎曲角度過大
5 義肢整體運作正常
6 義肢膝蓋太快伸直
7 義肢膝蓋太慢伸直
8 義肢起步動作過快膝蓋彎曲角度不足
9 義肢起步動作過快膝蓋彎曲角度過大
10 義肢起步動作過快義肢膝蓋太快伸直
11 義肢起步動作過快義肢膝蓋太慢伸直
12 義肢起步動作過慢膝蓋彎曲角度不足
13 義肢起步動作過慢膝蓋彎曲角度過大
206
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
14 義肢起步動作過慢義肢膝蓋太快伸直
15 義肢起步動作過慢義肢膝蓋太慢伸直
16 膝蓋彎曲角度不足義肢膝蓋太快伸直
17 膝蓋彎曲角度不足義肢膝蓋太慢伸直
18 膝蓋彎曲角度過大義肢膝蓋太快伸直
19 膝蓋彎曲角度過大義肢膝蓋太慢伸直
20 義肢起步動作過快膝蓋彎曲角度不足義肢膝蓋太快伸直
21 義肢起步動作過快膝蓋彎曲角度不足義肢膝蓋太慢伸直
22 義肢起步動作過快膝蓋彎曲角度過大義肢膝蓋太快伸直
23 義肢起步動作過快膝蓋彎曲角度過大義肢膝蓋太慢伸直
24 義肢起步動作過慢膝蓋彎曲角度不足義肢膝蓋太快伸直
25 義肢起步動作過慢膝蓋彎曲角度不足義肢膝蓋太慢伸直
26 義肢起步動作過慢膝蓋彎曲角度過大義肢膝蓋太快伸直
27 義肢起步動作過慢膝蓋彎曲角度過大義肢膝蓋太慢伸直
我們的實驗過程係利用二種有名的分類技術，包括類神經網路分析 (Artificial
Neural Networks) 及決策樹分析 (Decision Tree) 進行義肢使用特徵分析，檢驗經訓
練後是否能給予使用者合適的回饋訊息，表2為本研究利用模擬數據所產生的模擬結果。
表 2. 模擬結果
決策樹分析 類神經網路分析
分類的正確率 % %
分類的不正確率 % %
Kappa 統計
絕對平均誤差
均方根誤差
資料總數 912 912
5. 結論
本研究對國內義肢產業發展提供新的附加價值。以往裝上新義肢後，仍需透過專
業訓練師幫助下進行義肢姿勢訓練，而完整且良好的訓練也決定了病人是否能夠正確的
使用義肢。然而礙於人力資源有限，病人經濟狀況等現實因素，常常無法真正提供病人
完整的訓練。因此本研究提出一個平價且安裝簡易的病人自我訓練機制，讓病人在家中
能夠使用本機制作自我訓練，並且透過本機制所提供之即時引導訊息來導正病人的姿
勢，降低人力浪費，讓更多的義肢病人受惠。而學術機構可以透過此研究，提昇研發人
員品質，將資訊領域所學與實務作結合，對學術研究有極大幫助。
致謝
207
Proc. of the 2010 Conference on Computer Vision, Image Processing and Information Technology,
Ching Yun University, Zhongli, Jun. 9, 2010
本論文部分研究經費來自財團法人金屬工業研究發展中心「學界協助中小企業科技
計 畫 -- 智 慧 型 義 肢 病 人 訓 練 導 引 系 統 」 與 國 科 會 專 案 計 畫 編 號 NSC
96-2628-E-259-022-MY3 與 NSC 98-2220-E-259-003。
參考文獻
[1] 德林股份有限公司：
[2] 強生義肢股份有限公：
[3] 萬德義肢輔具公司：
[4] Ossur Bionics：
[5] "Bluetooth:The Next Advancement for Prosthetics", internet journal of emerging medical
technologies ,2008,Available:
.
[6] 內政部統計處
[7] Want, R. el al., “The Active Badge Location System,ACM Trans. Information Systems”, ,
-102.
[8] Jehoshua Bruck, Jie Gao, Anxiao (Andrew) Jiang, “Localization and Routing inSensor
Networks by Local Angle Information,” Proceedings of the 6th ACMinternational symposium on
Mobile ad hoc networking and computing MobiHoc'05, – 192, May 2005.
[9] Erin-Ee-Lin, Lau, Boon-Giin, Lee, Seung-Chul. Lee, Wan-Young, Chung, “Nhanced rssi-based
high accuracy real-time user location tracking system for indoor and outdoor environments”,
international journal on smart sensing and intelligent systems, Vol. 1, no. 2, June 2008
[10] Neal Patwari, Joshua, N. Ash, Spyros Kyperountas, Alfred, O. Hero III, RandolphL. Moses, and
Neiyer S. Correal. “Locating the Nodes :Cooperative localizationin wireless sensor networks,”
IEEE Signal Processing Magazine, Vol 22,Issue 4, pp. 54-69, July 2005.
[11] Blumenthal, J.; Grossmann, R.; Golatowski, F.; Timmermann, D.; , "Weighted Centroid
Localization in Zigbee-based Sensor Networks," Intelligent Signal Processing, 2007. WISP 2007.
IEEE International Symposium on , Vol., no., -6, 3-5 Oct. 2007
[12] Campbell, ., Firth, S. K., Toprac, A. J., and Edgar, T. F., “A comparison of run-to-run control
algorithms,” in Proc. Amer. Control Conf., May 2002, Vol. 3, pp. 2150–2155.
208
