教授評審的十個問題與答案

1. 問題：本研究的發想動機為何？台灣高齡社會面臨肌少症的現況為何？

   • 答案： 本研究的動機源於台灣加速邁入高齡社會的趨勢，以及長者面臨肌肉質量與功能逐年衰退的挑戰，這嚴重影響其生活自理能力與安全。根據台灣衛生福利部2017至2020年的統計，台灣65歲以上長者的肌少症盛行率高達34.1%，這意味著每三位銀髮族中就有超過一位面臨肌少症的考驗，且此盛行率隨年齡增長而升高。肌少症不僅影響行動能力，還可能導致生活品質下降、認知功能障礙、骨質疏鬆、跌倒失能，甚至增加三高罹病率和死亡率約1.29倍。因此，研究旨在透過AI姿勢辨識技術，開發體感互動遊戲，以提升高齡者肌力並預防肌少症。

2. 問題：在AI姿勢辨識技術的選擇上，研究團隊初期考慮了哪些工具？最終選擇了哪一種，原因為何？

   • 答案： 研究團隊初期考慮使用 Teachable Machine 和 PoseNet 來製作姿勢辨識模組。然而，在實際使用Teachable Machine時，發現其準確度較低，且容易受到網路延遲和背景（例如花布背景）的影響。為了解決這些問題，研究團隊嘗試增加不同角度的照片並調整迭代次數，以及清空背景，雖然準確度有所提升，但網路延遲問題依然存在。最終，研究團隊決定改用 PoseNet 製作三個姿勢辨識體感互動遊戲，因為PoseNet的準確度較高，且受網路影響較小。PoseNet是一個深度學習TensorFlow模型，可即時偵測人體姿勢的17個關鍵點，並能直接嵌入Scratch中使用。

3. 問題：本研究開發了哪三款AI姿勢辨識體感互動遊戲？每款遊戲主要針對哪些肌群或身體能力進行訓練？

   • 答案： 本研究開發了三款AI姿勢辨識體感互動遊戲，旨在結合日常生活動作，並根據物理治療師的建議和教育部體育署的體適能資料進行設計。這三款遊戲及其訓練目的分別是：

     • 雲霞撿字-手眼協調遊戲 (Cloud and Mist Picking Characters - Hand-eye Coordination Game)：主要訓練 肩關節與上肢協調性。遊戲要求受測者站立面向鏡頭，雙手平舉，透過左右移動雙手控制籃子接住掉落的文字。

     • 霜華屈肘-上臂屈伸遊戲 (Frost Blossom Arm Flexion - Upper Arm Flexion and Extension Game)：旨在提升 手部力量與穩定性。受測者站在鏡頭前，手臂自然下垂，檢測一分鐘內手肘彎曲、伸直的次數。

     • 星辰拾穗-起立坐下遊戲 (Stars Picking Grains - Stand Up and Sit Down Game)：目標是訓練 下肢肌力。受測者坐在椅子中央，雙腳平踩地面，根據年齡（65歲以上雙手交叉於胸前，45-65歲雙手平放於大腿），檢測30秒內站立、坐下的次數。

4. 問題：研究中提到的「肌少症簡易測驗」包含了哪些項目？這些項目的通過標準各為何？

   • 答案： 肌少症簡易測驗包含以下三個項目及其通過標準：

     • 四公尺步行測試 (4-meter Walk Test)：標準值為在4秒內走完四公尺。

     • 椅子坐站測試 (Chair Stand Test)：標準值為12秒內起立坐下超過5次 (雙手交叉於胸前)。

     • 握力器測試 (Grip Strength Test)：標準值為男性>28公斤 / 女性>18公斤。

5. 問題：根據研究結果，頭份地區長者在各個肌力表現上的整體趨勢為何？特別在哪個方面有待加強？

   • 答案： 根據個別簡易測驗分析：

     • 四公尺步行測試 的通過率為48.81% (41/84)。

     • 椅子坐站測試 的通過率高達97.62% (82/84)。

     • 握力器測試 的通過率為92.59% (50/54)，其中有30人未施測。

   • 在AI姿勢辨識體感互動遊戲的表現分析中：

     • 雲霞撿字-手眼協調遊戲：得分數介於**「很好」範圍內的長者佔大多數**，其次為「普通」，且未出現「不好」範圍內的長者，表明頭份地區長者的協調性「非常好」。

     • 霜華屈肘-手臂屈伸遊戲：得分數介於**「尚好」範圍內的長者佔大多數**，其次為「普通」，且「不好」及「稍差」的比率相加僅佔12%，證明頭份地區長者的上肢前臂並無明顯問題。

     • 星辰拾穗-起立坐下遊戲：得分數介於**「稍差」範圍內的長者佔大多數**，其次為「普通」，整體而言「不好」及「稍差」的比率較高，這顯示頭份地區長者的下肢肌力有待加強。這一發現與教育部i運動平台數據相符，驗證了該區域高齡者在下肢肌力訓練上的特定需求。

6. 問題：受測者對本研究系統操作、使用體驗及生理心理感受的整體回饋是正向的嗎？請列舉一些具體回饋內容。

   • 答案： 受測者對本研究系統的整體回饋是 高度正向的。

     • 操作直覺性高：絕大多數受測者（約93%）在首次體驗後能快速上手，無需額外教學即可理解操作流程。語音指令和視覺提示（如螢幕分數、顏色提示和音效回饋）被認為是明確且有效的，有助於引導受測者完成遊戲並感受挑戰與進步。例如，受測者A（66歲）表示：「我一開始很怕玩這種電腦遊戲，沒想到畫面會說話，還會幫我算幾次，真的很貼心！」。

     • 遊戲趣味性高：88%的受測者表示「遊戲很好玩、有趣」，其中「雲霞撿字」反應最熱烈，有長者提到「彷彿在玩手機遊戲」、「有點像打磚塊」。

     • 運動效果顯著：71%的受測者自述有「手臂痠」、「腳有出力」等感受，表示這樣的遊戲「真的有運動到」。受測過程中無人出現暈眩、跌倒等不適反應，顯示動作設計符合長者安全需求。受測者C（68歲）說：「我平常都坐在沙發看電視，這樣動一動真的滿好的，而且不會太累。」。

     • 居家使用意願高：76%的參與者表示「如果家裡有這個遊戲會想常常玩」，並期望由社區或家屬引導每日練習。遊戲也展現了社交和跨世代互動潛力，如受測者D（65歲）提到希望能「和孫子一起玩」、「可以帶去老人共餐據點玩」。

7. 問題：本研究所開發的AI體感互動系統具備哪些主要優勢？其在推廣應用上的潛力為何？

   • 答案： 本研究開發的AI體感互動系統具備以下主要優勢：

     • 操作簡易性 (Easy Operation)：長者能夠正確執行遊戲指令，且絕大多數受測者在首次體驗後能快速上手。系統具備語音指導和即時回饋，降低了學習門檻。

     • 成本低廉 (Low Cost)：相較於複雜的復健器材，本系統的開發和操作成本較低。

     • 可擴充性 (Scalability)：系統具備可擴充性，顯示其在應用於居家運動或長照場域方面具備高度可行性與發展潛力。

     • 針對性訓練：遊戲設計具備針對性，能有效刺激目標肌群，與物理治療師建議及體育署體適能指標相呼應，具備復健與強化肌力之實質功能。

   • 推廣潛力方面，研究顯示系統具備高齡者使用友善性與 跨場域應用可能性，如 居家、日照中心、社區關懷據點 等。受測者普遍願意持續參與並自發練習，甚至希望與家人或社區朋友一同遊玩，這為延緩肌少症、促進健康老化提供了創新工具。

8. 問題：本研究在施測過程中遇到了哪些實際困難？團隊是如何解決這些困難的？

   • 答案：

     • 困難一： 遊戲在偵測長者操作次數時，有時會與實際人工計數存在誤差，因為長者會以較快的速度操作。

       • 解決方法： 研究團隊決定同時記錄人工計數和機器偵測的次數，以進行比較和記錄。

     • 困難二： Teachable Machine 模組在測試時無法分辨雙手放下的動作和抬起動作，尤其在「霜華屈肘-上臂屈伸遊戲」中表現明顯。

       • 解決方法： 增加不同角度的照片，並調整迭代次數（epoch）、學習率（learning rate）和批量大小（batch size）等超參數以優化訓練效果。

     • 困難三： 測試時背景有花布，影響了Teachable Machine模組的測試效果。

       • 解決方法： 將背景清空，以減少環境對辨識的干擾。

     • 困難四： 使用Teachable Machine製作的模組在測試時會因為網路延遲而影響準確度。

       • 解決方法： 改用 PoseNet 製作遊戲，因為PoseNet的準確度較高，且比較不會受到網路的影響。

     • 困難五： 有部分長者在身體及行動上有不便的地方。

       • 解決方法： 將這些情況記錄在備註的地方，以便後續分析和考量。

9. 問題：研究團隊如何確保遊戲動作的「專業實用性」和「合適性」？

   • 答案： 研究團隊透過以下途徑確保遊戲動作的專業實用性和合適性：

     • 參考體育署資料：參考了教育部體育署頒布的【65歲以上銀髮族體適能健身寶典】及【45到64歲活躍熟年體適能健身寶典】。體感互動遊戲的動作設計也參考了體育署的體適能推薦動作，並以其統整全國數據的平均值作為參考依據。

     • 諮詢專業治療師：諮詢了專業的物理治療師與職能治療師，請他們建議哪些動作較適合長者操作，並聽從他們的建議來設計遊戲。治療師建議的動作皆為日常生活中較常使用的動作，具備簡易性和功效性，方便老人操作。例如，在接文字遊戲中，透過主動與被動角度落差判斷肌肉量損失；在協調性部分，建議使用不同顏色或形狀引導長者進行手眼協調動作；在下肢訓練時，建議起立時雙手放在大腿上以保護膝蓋。

     • 結合物理力矩概念：閱讀基礎肌動學相關書籍，並向物理系教授請教物理力矩的相關知識，以了解所撰寫的程式是否具有專業實用性。

10. 問題：請根據本研究的結論，提出至少三項未來發展建議，以進一步提升系統效益與應用規模。

    • 答案： 根據研究結論，未來發展建議包括：

      • 個人化訓練功能開發：導入AI演算法分析使用者歷次表現，自動調整動作難度與節奏，以提升訓練的精準度與持續動機。

      • 跨世代互動設計：結合長者與子女或孫子孫女共同遊玩的功能，促進家庭互動，從而提升遊戲的使用黏著度。

      • 導入生理數據分析模組：未來可搭配穿戴裝置，結合心率、呼吸頻率等生理數據，評估運動負荷與安全性，提升科學監控水準。

      • 建立長期追蹤資料庫：透過定期施測與資料蒐集，建立肌力變化曲線，作為評估訓練成效與肌少症風險預測的工具。

      • 進行跨區域比較與政策建議：未來可擴展施測地點至其他縣市，建立分齡、分區之長者肌力資料庫，為政策制訂提供科學依據。

      • 阻力調整對訓練效益之影響：加入不同的阻力（如裝水的寶特瓶、沙包或啞鈴等），探討相同姿勢但不同阻力的情況下，肌力訓練成效的變化，並建立阻力訓練的最佳模型。

* **定義**：力矩是讓物體轉動的物理量。

* **計算公式**：力矩的計算公式為 **τ = F × d**。

* **τ**：代表力矩。

* **F**：代表外力。

* **d**：代表力臂。

這個公式解釋了為什麼在不同關節角度下，相同的肌力會產生不同的效果。

* **關節角度與力矩的關係**：當關節角度改變時，力臂與外力之間的夾角也會隨之變化，進而影響力矩的大小。

* **與槓桿原理的關係**：力矩不等於槓桿原理，但它是槓桿原理的核心物理概念之一。

* **在人體生物力學中的應用**：在人體生物力學中，力矩與肌力學密切相關。當肌肉收縮時，會透過肌腱對骨骼施力，產生繞關節的旋轉效果，這稱為**肌肉力矩**。

* **影響肌肉力矩的三項因素**：肌肉力矩的大小受以下三項因素影響：

1. **施力的大小**。

2. **施力與槓桿的夾角**。

3. **施力點與支點的距離**。

這項研究在設計體感互動遊戲時，考量了物理力矩的概念。研究團隊透過閱讀基礎肌動學相關書籍，並請教物理系教授，以確保他們撰寫的程式具有專業實用性。

此外，研究還提到在未來的發展方向中，將進一步探討力矩與姿勢精確性的相關性：

* **姿勢對力矩的影響**：探討不同姿勢，例如手臂外展、彎曲角度、身體傾斜角等，如何改變力矩的角度，進而影響關節力矩和肌肉的負荷。

* **力矩測量與優化**：計畫利用感測器來測量不同姿勢下肌群所產生的反應力矩，以便進一步優化遊戲的姿勢設定。

* **關節負荷評估與調整**：透過實際遊戲測試，調整每個動作的施力臂和抗力臂長度，以達到最佳的訓練功效，同時避免關節負荷過大。

* **定義與作用**：在Teachable Machine這類的機器學習工具中，**「迭代次數（epoch）」是一個可供調整的「超參數（hyperparameter）」**。它的主要作用是**優化模型的訓練效果和辨識準確度**。

* **與Teachable Machine的關係**：Teachable Machine提供進階設定，讓使用者可以微調學習率（learning rate）、迭代次數（epoch）和批量大小（batch size）等超參數。這表示迭代次數是訓練模型時可以控制的一個變量。

* **實際應用與問題解決**：在研究團隊使用Teachable Machine製作「霜華屈肘-上臂屈伸遊戲」的模型時，曾遇到模型無法區分「雙手放下」和「抬起」兩個動作的困難。為了解決這個問題，他們採取的其中一個方法就是**「增加不同角度的照片，並調整迭代次數」**。經過實際嘗試，發現這樣做確實**提高了模型的準確度，使其更能分辨手臂的動作**。

這表明增加迭代次數有助於模型從更多的訓練循環中學習，從而提高其辨識複雜動作的能力。儘管後來團隊因網路延遲等問題轉而使用PoseNet來開發遊戲，但「迭代次數」作為優化AI模型訓練效果的手段，在他們早期的嘗試中扮演了關鍵角色。