科技與工程學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5

沿革

科技與工程學院（原名為科技學院）於87學年度成立，其目標除致力於科技與工程教育師資培育外，亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下，自91學年度增設「機電科技研究所」，該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」，並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外，「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後，本院為配合本校轉型之規劃，增加學生於科技與工程產業職場的競爭，本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展，兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年，本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此，本院發展之重點涵蓋教育（技職教育/科技教育/工程教育）、科技及工程等三大領域，並定位為以技術為本位之應用型學院。

107學年度，為配合本校轉型規劃，「光電科技研究所」由原隸屬於理學院改為隸屬本（科技與工程）學院，另增設2學程，分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。

News

學院網址：http://www.cot.ntnu.edu.tw/

Browse

Has files: NoSubject: search.filters.subject.小波轉換

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    以小波轉換鑑別人類情緒腦電波
    (2011) 洪偉哲
    人類情緒的正確鑑別存在著許多的困難，根據每個人所經歷的事物與心情狀態，影響著即使面對相同的事件，所呈現的情緒強度也有所不同。而現今對於人類腦波的研究逐漸盛行，藉由大腦人機介面(Brain computer interface)收集腦電波(Electroencephalogram)訊號，經由訊號分析、特徵擷取以及分類器，來鑑別腦電波訊號的情緒類別。本研究的受測者為六位男性，四位女性。年齡介於20歲至28歲。實驗流程為撥放六種情緒的臉部圖片，分別為高興、驚訝、生氣、厭惡、難過和恐懼，每種情緒有20張圖片，共有120張圖片。使用NeuroScan大腦人機介面，藉由非侵入式的腦電波訊號量測，共有30個通道。紀錄完成後，進行腦電波訊號前處理降低腦電波訊號的雜訊，使得腦電波訊號更接近真實的訊號，接著繪製出大腦空間能量頻譜圖，用以了解腦電波訊號的頻帶能量分布差異。將腦電波訊號進行小波轉換(Wavelet transform)分解訊號，選取能量分布差異較大的θ波為分類波段，接著計算各種的特徵，共有八類特徵，分別為最大值(Max)、最小值(Min)、全距(Range)、標準差(Standard deviation)、絕對中位差(Median absolute deviation)、絕對平均差(Average absolute deviation)、能量(Energy)及特徵向量(Eigenvectors)，將各種特徵投入支持向量機(Support vector machine)進行分類，訓練的方式將隨機抽取出60%的腦電波訊號區段為訓練資料，40%為測試資料，以隨機投入支持向量機作各種情緒的鑑別，得到情緒鑑別從最高到最低的正確辨識率分別為87.50%和62.50%，平均值為76.25%。 研究中發現當使用無效的特徵或是相似的特徵，無法增加情緒的鑑別率，但是若增加有效的特徵，鑑別率會隨之提高，不過也會增加複雜度，經由比較其中較為有效的特徵為全距、標準差、絕對中位差、絕對平均差、能量及特徵向量，可較為明顯增加鑑別的效果。
  • No Thumbnail Available
    Item
    基於K-means 演算法、小波轉換及支持向量機之心電訊號辨識系統
    (2011) 張家熏
    本論文利用小波轉換(Wavelet transform) 、K-means分群法(K-means clustering)及支持向量機(Support vector machine)等方法，建立一個辨識各種心律不整的心電辨識系統。本論文所提的方法可以大致區分為三個階段；第一階段使用K-means分群法把屬於同一類別但相異性卻很大的心律不整訊號分成數個次類別，在每一個次類別，各樣本會有較高的相似性。第二階段則把各次類別裡的每一個心搏樣本利用小波轉換擷取時頻特徵向量。第三階段以每一個心搏樣本的時頻特徵以及形態特徵為訓練資料，並運用支持向量機來建立本辨識系統的模型。為了驗證本系統的有效性以及可靠性，本論文利用MIT-BIH心律不整資料庫進行了三個實驗。實驗的結果本論文所提的方法具有相當高的辨識率達98.2%，最後與各相關辨識系統文獻比較差異。
  • No Thumbnail Available
    Item
    應用人工智慧技術於肺音診斷系統
    (2010) 周承漢; Cheng-Han Chou
    摘要 　　胸腔聽診為診斷肺部病症的主要方法，醫生藉由聽診器聽取肺部聲音，憑藉其專業認知與經驗來判斷不同的肺音所代表的病症。在120 Hz以下的生理訊號是由心音與肺音組成，而人耳對於低頻的靈敏度不高，故造成醫生在聽診判斷上的困難。為解決此一問題，本研究的目的為建構多種肺音辨識系統，用來辨識肺泡音(vesicular breath sounds)，支氣管音(bronchial breath sounds)， 氣管音(tracheal breath sounds)，爆裂音(crackle)，哮喘音(wheeze)，喘鳴音(stridor)等六種常見肺音。 首先使用壓電麥克風與資料擷取卡NI-PXI 4472B擷取人體肺音訊號，並作訊號預處理。接著以小波轉換作為特徵擷取之方法，透過圖形監控軟體LabVIEW 設計小波轉換之架構，訊號分解後之六個頻段做標準差與平均值運算，以得十七個特徵值。在分類器方面，本研究以倒傳遞與學習向量量化類神經網路作為系統分類器之子系統，用以模擬網路之可行性與內部參數，再經由LabVIEW建構類神經網路，分別測試其網路分類率，最後整合各子系統並建構二階段式類神經網路，以提升系統之可靠度。由實驗結果顯示，相較於傳統聽診方式，本研究成功建構出一套多種肺音診斷系統，可正確地分類出六種常見肺部聲音，彌補人耳對於低頻靈敏度不高的缺點，並由圖形監控軟體LabVIEW建構人機介面，顯示肺音之頻譜、登記病歷資料等，可供醫生作為診斷肺部疾病病患之輔具。其結果顯示，本研究所建構之系統其辨識率可達95%。 關鍵詞：肺音聽診、類神經網路、小波轉換、接受器操作特性曲線。