裝設於汽車 安全帶之 呼吸量測系統 指導教授： 林泰吉 教授 專題學生：廖家偉、林宏禮

1. 裝設於汽車安全帶之呼吸量測系統 指導教授：林泰吉 教授 專題學生：廖家偉、林宏禮 • 摘要 • 概念圖 駕駛精神狀態監控是非常熱門的研究領域，但目前解決方案不論是眨眼偵測、膚色偵測ECG、都卜勒雷達迴波等都有裝設不易及易受環境影響等缺點。在本次的專題研究則採用安裝在安全帶套上的g-sensor偵測呼吸時胸腔的起伏，並利用高階非線性EMD演算法成功濾除汽車行進與其他g-sensor上的雜訊，初步成果展示可有效得到駕駛之呼吸訊號。 中控平台 三軸加速度訊號 • EMD演算法介紹 EMD 希爾伯特-黃轉換（Hilbert-Huang Transform），由台灣中央研究院院士黃鍔（Norden E. Huang）等人提出，將欲分析資料分解為本質模態函數（intrinsic mode functions, IMF），這樣的分解流程稱為經驗模態分解(Empirical Mode Decomposition, EMD)的方法。然後將IMF作希爾伯特轉換，正確地獲得資料的瞬時頻率。此方法處理對象乃針對非穩態與非線性訊號。希爾伯特-黃轉換算是一種應用在數據資料上的演算法，而非理論工具。 建立IMF是為了滿足希爾伯特轉換對於瞬時頻率的限制條件之前置處理，也是一種轉換的過程。我們將IMF來做希爾伯特轉換可以得到較良好的特性，不幸的是大部分的資料並不是IMF，而是由許多弦波所合成的一個組合。如此一來希爾伯特轉換並不能得到正確的瞬時頻率，我們便無法準確的分析資料。為了解決非線性（non-linear）與非穩態（non-stationary）資料在分解成IMF時所遇到的困難，便發展出EMD。 以下為範例： 左邊為整個EMD的演算法流程，右邊為整個流程的示意圖， 只要一直重複下面的步驟就可以找到我們所需要的IMF了。 G-sensor 呼吸訊號 此處使用藍芽無線傳輸 • 作品流程圖 Input-三軸加速度訊號(汽車行進中，駛過緩速坡) (黃色圈出部分，為經過緩速坡時所造成之波動) EMD訊號處理演算法(中控平台) Output-處理過之呼吸訓號(只留下乾淨的呼吸訊號) Step1:找出區域極大值 Step2:把區域極大值利用立方雲線(cubic spline)相連，形成上包絡線(upper envelope) (可以發現圈起的部分波動較大，其餘未圈起的部分則是正常情況下的呼吸訊號波形) • 結論 我們在這次的專題製作當中，成功的利用低價位之g-sensor，實現了利用g-sensor擷取呼吸訊號，這個原本不容易達成的目標；因為g-sensor與生俱來的高雜訊是一個處理的難題，但是我們使用EMD高階訊號處理演算法，成功的分離出汽車在行駛過程中的一些雜訊，只留下駕駛人在呼吸時胸腔起伏所產生的呼吸訊號。 Step3:同理把找出區域極小值並利用立方雲線相連，並形成下包絡線(lower envelope) • 參考文獻 Step4:計算其上下包絡線之平均值 [1]N. E. Huang, et al., “The empirical mode decomposition and the Hilbert spectrum for non-linear and non-stationary time series analysis,” in Proc. R. Soc. Lond., pp. 903- 995, 1998. [2]S. Bharathi, et al, “Prevention of accident using thorax pressure sensor,” UNIASCIT, Jan. 2011, vol. 1, p.p. 1-4. Step5:將平均值從原本的圖形減去就可以得到新的訊號 EMD演算法流程圖