[{"content":"為什麼會有這個動機? 平常用筆電都是插著電源，沒有特別在意它的續航力，畢竟我是用電競筆電（MSI GL75 10SCSK）。但這禮拜發現一拔掉電源線，電腦就直接關機，才驚覺可能是電池出問題了。\n檢查後發現電池容量一直維持在 6%，於是開始查詢電池健康度的檢查方式，也想記錄下來這次經驗與大家分享。\n電池健康度是什麼？ 電池健康度（Battery Health）是指「目前可充電容量」與「出廠設計容量」的比值。\n舉例來說：\n電池原始容量（Design Capacity）：60,000 mWh 目前容量（Full Charge Capacity）：12,000 mWh 電池健康度計算 : 12,000 / 60,000 ≒ 20% 也就是說，雖然顯示 100% 充飽，但實際電量僅為當初的 20%。\n如何查詢筆電健康度？ 📌 步驟一： win + s 搜尋 \u0026quot; cmd \u0026quot; ， \u0026quot; 以系統管理員身分執行 \u0026quot; 📌 步驟二： 輸入此指令 : \u0026quot; powercfg/batteryreport \u0026quot; 📌 步驟三: 依照產生報告位置，打開報告 即可看到電池目前狀態 是否更換電池 ? 電池通常低於出廠值80%，需要更換電池，以上圖電腦為例子 :\nDesign Capacity：41,407 mWh\nFull Charge Capacity：13,403 mWh\n健康度計算：13,403 ÷ 41,407 ≒ 32%\n計算結果： 電池健康度僅約 32% \u0026mdash;\u0026gt; 嚴重衰退 代表僅剩約三分之一壽命，建議儘快更換\n電池健康度趴數對應狀況 電池健康度範圍 狀況說明 建議行動 90% ～ 100% 健康狀態佳 繼續使用即可 70% ～ 89% 輕微老化 留意使用習慣 50% ～ 69% 顯著老化 可考慮更換 30% ～ 49% 嚴重衰退 建議更換 小於 30% 幾乎失效 儘快更換 電池更換後結果圖 Design Capacity：48,840 mWh\nFull Charge Capacity：48,840 mWh\n健康度計算：48,840 ÷ 48,840 ≒ 100% \u0026mdash;\u0026gt; 健康狀態佳\n小結 這次經驗讓我體認到，即使平常習慣插電使用筆電，也不能忽視電池的狀況。一顆健康的電池不僅關係到行動使用的便利性，更可能在突然斷電時保護系統資料不致遺失。\n建議定期檢查電池健康度，並適時進行充放電循環，以延長電池壽命。如果你也是長期插電使用的用戶，不妨花幾分鐘產生一份電池報告，了解一下你的筆電電池還是否處於健康狀態吧！\n參考資料 了解筆電電池健康度:壽命、健康度查詢與更換指南\n","date":"2025-07-25T00:00:00Z","permalink":"https://LiaoKuoCheng.github.io/p/%E5%A6%82%E4%BD%95%E6%AA%A2%E6%9F%A5%E7%AD%86%E9%9B%BB%E9%9B%BB%E6%B1%A0%E5%81%A5%E5%BA%B7%E5%BA%A6/","title":"如何檢查筆電電池健康度?"},{"content":"【黑色止血鉗 2 預告】 心得 《黑色止血鉗2》不僅是一部醫療劇，更是一部透過戲劇形式，深入探討現代醫療科技、臨床倫理與人性掙扎的作品。儘管劇情中存在部分戲劇化的誇張成分，但其對手術技術演進、AI輔助醫療的描寫，乃至醫學研究本質的追問，皆具有高度現實參照與深刻意涵。\n技術與醫療變革：從TMVR到手術機器人 劇中提及的SNIPE（微創二尖瓣膜置換手術）實則原型為TMVR（Transcatheter Mitral Valve Replacement），其進行方式從傳統的心尖進入（transapical approach）逐漸過渡至經股動脈進入（transfemoral approach），大幅降低手術侵襲性。此一轉變也象徵著心臟外科領域從純外科逐步邁向內科介入的趨勢。\n由此可見，許多原先仰賴外科醫師「手感」與經驗累積的高難度手術，如佐伯式二尖瓣脫垂修補，可能因導管技術普及與AI輔助操作的成熟，而逐漸式微。這種科技推進，雖減少病患風險，卻也帶來「匠人技術是否仍有必要傳承」的哲學性反思。\n機械臂技術方面，劇中提到的達爾文機械臂，明顯以現實中的達文西手術機器人為藍本。該機械臂以高穩定度與縫合精度見長，但在劇情中也合理地呈現其缺點：無法快速應對突發出血等緊急情況。而其後出現的「凱撒輕工機械臂」，則對應日本厚生勞動省推動的「火鳥計劃」，這款機器人具備輕巧、可遠距操作等優勢，成為AI遠距醫療下的重要發展方向。\nAI與醫師之間的辯證：工具還是主角？ 劇中對AI手術導引的描寫，引發了深刻的立場對立。一方極力推廣AI輔助，認為可普及高端醫療、彌補人力不足；另一方則認為，醫師本身應精熟技術，不能倚賴AI進行決策。此處反映出現實中的辯證：\nAI可以放大能力，但無法取代專業核心。\n我個人認為，目前的AI頂多為「聰明的小孩」，就如劇中天城醫生所言，它需要人類不斷餵養知識與經驗才能逐步成長。若醫師自身對技術缺乏理解，便無法善用AI，更無法在突發狀況下做出即時、有效的醫療判斷。\n臨床現場的殘酷現實：選擇與命運 天城醫生「以命運決定手術與否」的制度設計，雖令人反感，卻反映了手術中不可預測與現實無奈的一面。再精密的影像學檢查，都無法完全掌握心臟所有死角，最終是否能成功，仍要「打開來看」。這種極端設定，實際上是醫療誠實的反映——面對生命，誰也無法完全掌控全局。\n這也令我聯想到自己在工程領域中解決問題的過程。每當成功解決一個複雜問題，我也會對著螢幕中的邏輯架構驚嘆：「這真的很美。」正如天城醫生對心臟說的那句話——心臟真美。這不是浪漫，而是一種對極致技術與生命奧妙的尊敬。\n論文與研究：意義何在？ 劇中不僅探討技術與倫理，也觸及醫學研究的價值與意義。當實習醫師世良質問期刊主編：「論文只是作文寫得好就有獎勵的東西嗎？」主編的回答回歸研究的本質—— \u0026ldquo;某個人做的研究，可能拯救了世界另一端某個人的性命。這才是論文存在的價值。\u0026rdquo;\n這段對白讓我深受感動。我們為什麼研究？是為了升遷？為了影響因子？還是為了履歷？若忘記了研究本身的初衷與價值，那再多數據與圖表也只是空殼。\n結語 《黑色止血鉗2》透過戲劇形式，成功引發觀眾對現代醫療科技發展與未來走向的深刻反思。劇中不僅呈現了SNIPE手術系統的進化、AI手術機械臂的應用，還深入探討臨床倫理和醫學論文價值等議題，科技確實能突破許多限制，但唯有人性與判斷力，才能真正決定科技發展的方向。\n回想起最初對AI能夠寫程式時的狐疑與不安，當時也曾擔心自己會不會被淘汰? 該如何因應這樣的工具? 然而，隨著對AI的了解加深，我逐漸將它視為個人助理\u0026ndash;協助我優化文字、將重複性工作自動化，甚至提供程式優化建議。只要擁有扎實的軟硬能力，就能有效補足這個工具的不足，在解決問題方面，就能有最優化又有效率的解方。\n參考資料 頭盔醬料生x醫學藝用隨筆 雜草哲學～Lyo的慢活人生 官網\n","date":"2025-05-03T00:00:00Z","image":"https://LiaoKuoCheng.github.io/p/%E6%97%A5%E5%8A%87%E9%BB%91%E8%89%B2%E6%AD%A2%E8%A1%80%E9%89%97-1-2/%E9%BB%91%E8%89%B2%E6%AD%A2%E8%A1%80%E9%89%97%E5%8A%87%E7%85%A7_hu_3c5b784d4abb116.jpg","permalink":"https://LiaoKuoCheng.github.io/p/%E6%97%A5%E5%8A%87%E9%BB%91%E8%89%B2%E6%AD%A2%E8%A1%80%E9%89%97-1-2/","title":"【日劇】黑色止血鉗 1 \u0026 2"},{"content":"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\n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。\n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 \u0026lt; 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。\n","date":"2024-06-10T00:00:00Z","permalink":"https://LiaoKuoCheng.github.io/p/%E5%B1%85%E5%AE%B6%E5%9E%8B%E5%81%A5%E5%BA%B7%E6%AA%A2%E6%B8%AC%E7%B3%BB%E7%B5%B1/","title":"居家型健康檢測系統"}]