專題架構

1. 專題架構

使用 Laudon 資訊管理系統 Modle 繪製出整個架構

• 專題成員：吳則緯、陳士弘、廖國丞。
• 指導老師：林基源(資工系)、陳啟鈞(電子系)、吳書慶(博士班學長)

2. 韌體開發 (吳則緯、陳士弘)

核心硬體選用

• 微控制器：STM32F103C8T6
• 感測組件：MPU6050 陀螺儀、HC-25 WiFi 模組 及 74HC14 施密特觸發器。

呼吸感測原理

• 電容轉脈衝：在腰帶貼上導電銀布，呼吸引起的腹部拉扯會改變電容值。
• 電路轉換：利用 74HC14 施密特觸發器與 RC 電路串聯腰帶，將電容變化轉化為方波頻率。
• 量化採樣：MCU 透過外部中斷 (EXTI) 讀取上升緣，計算 0.2 秒內的充放電次數來量化呼吸深度。

技術挑戰與解決方案

• I2C 位址左移：修正 MPU6050 的 7 位元位址需左移 1 位方可通訊的問題。
• UART 阻塞式傳輸：捨棄 DMA 傳輸，改採阻塞模式以確保數據發送與 C# 接收端同步。
• 中斷洪水防治：為防止環境雜訊導致外部中斷無限觸發，設置 99999 次計數上限，並在採樣後強制關閉中斷，維持系統穩定。

3. 影像辨識 (廖國丞)

YOLOv8 辨識流程

• 模型選用：採用 最新版 YOLOv8n 模型。
• 數據集建立：拍攝睡眠影片並裁切成一幀幀圖片，手動標註「正躺、左側躺、右側躺」三種標籤。
• 訓練集:使用250張圖像作為訓練集(每個動作各為250張)總共採集2550張，訓練集 680 張，測試集 170 張。

訓練模型結果

模型能夠準確識別「正面」、「側面」和「右躺」三種動作。從精確度-召回率曲線圖中可見，所有類別的平均精確度達到0.992，顯示出模型在不同動作上的高精度和穩定性。

關鍵優化：辨識目標調整

• 初期挑戰：原先嘗試辨識「全人體姿態」，但發現使用者蓋被子後特徵會被遮蔽，導致精確度極低。
• 解方：將鏡頭安置於臉部正上方，專注於頭部/臉部特徵。此調整大幅提升了被子覆蓋下的辨識率。

4. 資料接收與分析 (吳則緯)

C# 監控中樞

• 傳輸協議：選用 TCP/IP 搭配 WiFi，因其比藍牙距離更遠、比 UDP 更穩定。
• 介面開發：使用 WinForm (GDI+) 實現「所見即所得」的開發，並即時繪製呼吸波形圖。

LineBot 預警機制

• 雲端伺服器：結合 Google Apps Script (GAS) 建立 LineBot，具備零維護成本與高可用性。

報警邏輯

• 呼吸異常：5 秒內波峰波谷差值 < 1000。
• 疑似跌倒：影像偵測不到標籤（人離開畫面）且陀螺儀判斷為躺下。
• 久臥提醒：相同姿勢維持超過 1.5 小時，發送翻身提醒。

資料庫儲存

5. 成果展示

• 呼吸停止

• 跌倒可能

6. 心得

大學二年級時，我們三個一起加入陳啟鈞老師帶領的實驗室， 此專題是從電容布織布產學專案慢慢延伸而成的， 在此感謝我的組員們，還有學長導師指導。