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

Browse

Search Results

Now showing 1 - 5 of 5
  • Item
    心電圖訊號分析演算法與硬體架構設計
    (2007) 沈家平; Shen Chia Ping
    心電圖是心臟搏動相關的電位變化圖,而且對於醫師診斷出不同的心臟疾病和來監測、評估病人的病情是非常重要的。從兩段心跳之間所取出的心電圖樣本形狀通常用來辨識心臟方面的疾病。本篇論文中我們提出一個高效能的心電圖辨識系統,此系統可以適應性地從446個參數中選擇最重要的特徵出來,再利用支持向量機來辨識這些心電圖。而我們測試MIT-BIH Arrhythmia database中的心電圖辨識率可達98.09%,在已發表的論文中是效果最好的方法之一。 另外,我們也設計一個硬體的工具來完成抽取小波轉換的係數以及支持向量機的辨識器。此硬體可以增加辨識過程的速度以及嵌入成可攜式的元件。
  • Item
    心音圖壓縮與辨認系統設計
    (2006) 陳偉昕
    一個理想的居家照護系統應該建立在一個可攜式的平台上,能夠在此平台上處理各種的生醫訊號,並且可以提供即時的影音處理。在本論文中,我們使用了一個消費型的數位相機,並在此相機上作生醫訊號的即時處理。而且,我們利用相機執行正常功能(例如作JPEG檔案的壓縮,或是MPEG-1/MPEG-4錄影功能)的時候,可以同時進行心音圖的壓縮與辨認計算。 我們將心音圖之壓縮辨認演算法實現在嵌入式軟體平台中,這個平台建構在一個數位相機上。以小波轉換為基礎的心音圖壓縮演算法不但可以做到壓縮檔案的效果並且可以降低不必要的雜訊。以支持向量機為基礎之心音圖辨認演算法可以成功的將九種心音辨認出來。 我們所使用的心音圖資料庫包含42個心音圖測試資料,測試資料可以分為訓練組及測試組,而可以達到每次處理1.85秒的心音訊號僅需花0.16秒的時間,在這個速度之下足夠提供即時的系統運算,而且可以達到100%的辨識率。
  • Item
    基於深度學習之心律不整輔助診斷系統
    (2017) 游凱翔
    心臟病一直以來都是人類健康殺手,一旦病發有極高的致命性。而現行心臟病的醫療十分被動,多數情況下於病人發病後,才在緊急狀況下進行治療,容易造成遺憾。因此,近年來心臟病的長期監控逐漸受到重視,藉由攜帶式或居家式心電圖量測儀器,病患可以自行量測心電圖並即時傳送到醫院,使醫生更確實地掌握病患的近況,並在出現異常徵兆時,及時進行治療。 但長期監控同時也會造成資料量上升以及資料品質穩定度下降的問題,本研究針對其提出一套結合深度學習領域中的卷積神經網路架構與k-means演算法的心律不整輔助診斷系統,並在最後對分類結果進行離群資料處理。該系統能對心電圖資料進行初步分析與分類,在診斷時可提供資訊給醫療人員,並標註出危險度較高的區段,減少醫療人員的負擔,並提升診察效率。 本研究提出之系統分為兩個部分,第一部分以k-means演算法對原始資料進行分子類動作,透過此步驟可以使資料特徵更容易被捕捉。第二部分以卷積神經網路為基礎,建構心電圖波形分類器,對分完子類之資料進行分類並將結果進行離群資料處理。有別於傳統類神經網路,卷積神經網路的特點在於該網路能自動提取資料中價值較高的特徵,並運用於資料的辨識,同時卷積神經網路架構還能有效減少網路之參數數量,減少神經網路的訓練時間與消耗資源,提升整體效率。 本研究使用MITBIH心律不整資料庫進行測試,準確度平均可達99.41%,漏診率僅1.23%。整體而言,為一兼具穩定及高效之智慧型診斷輔助系統。
  • Item
    針對用於遠距醫療的量測裝置之心電圖特徵描繪演算法開發
    (2016) 林昆宏; Lin, Kun-Hung
    隨著遠距醫療的發展,在過去的幾十年中,已有許多用於心電圖量測的可攜式裝置被研發出來。這些科技進步的成果使我們能夠在居家環境中進行心電圖量測,甚至讓操作變得更方便。然而,在這種模式下,我們無法保證訊號品質的良好。因為透過可攜式裝置量測而得的心電訊號,容易因為電極黏貼不穩造成嚴重的電極接觸雜訊干擾。此外,遠距醫療模式也使得資料可能蒐集自不同的國家,因而造成資料受到不同的電力線干擾。這些問題將導致許多心電圖特徵描繪演算法無法正常運作甚至失效。因此,本研究針對上述問題提出了一套新的特徵描繪演算法,其中包含: 1. 提出短時Goertzel演算法來偵測電力線頻率,並以零相位延遲的Butterworth陷波濾波器來處理電力線干擾。 2. 使用截止頻率為0.8Hz的零相位延遲Butterworth高通濾波器來處理心電訊號的基準線飄移。 3. 提出一個基於粗粒化流程,並配合微分、平方與移動平均的方法來處理電極接觸雜訊。 4. 改良Pan-Tompkins演算法並將其用於偵測心電訊號中的R波。 5. 改良Elgendi演算法並將其用來偵測心電訊號中的P、T波。 最後,本研究提出的這套特徵描繪演算法已被用於偵測CMATE®心電圖量測裝置所量測的資料中的心電訊號特徵。而實驗結果也證明了本研究提出的演算法的可行性與不錯的表現。
  • Item
    以適應特徵選擇與支持向量機實現心電圖辨識系統
    (2005) 尤俊國; Chun-Kuo Yu
    心電圖提供了診斷心臟病病和心血管病症的功能,為了能夠及時的監控病人的生理狀態,有時候必須持續長時間且連續的記錄病患所產生的心電圖資料,採用更多的心電圖資訊來判斷波形的物理變化,藉此可以較正確的評估病患目前生理情況,但是通常所得到的心電圖資料必須由專業的醫護人員來解析判讀。 本研究所提出了一個新的心電圖分析演算法,使用小波轉換分析頻帶來擷取心電圖特徵值,包含了改善特徵選擇和分類系統的設計,所擷取出的特徵向量作為心電圖辨識系統中最重要的特徵。而在心電圖辨識系統中較特別的特徵為QRS複合波組,這是含有極高頻的成份且能量較大的峰值波形。在辨識系統中採用支持向量機作為辨別不同種類心臟疾病的分類器。