工業和商業黃頁資訊網論文書籍站
元智大學 工業工程與管理學系 孫天龍所指導 陳世海的 以特徵值及深度學習為基底探討社區老年人跌倒風險之評估:統計特徵值、熵特徵值以及堆疊自編碼器 （2021），提出YouTube 轉 ap3關鍵因素是什麼，來自於特徵值為基底、深度學習為基底、排列熵、加權排列熵、時頻分析、時頻圖像、堆疊自編碼器。
以特徵值及深度學習為基底探討社區老年人跌倒風險之評估:統計特徵值、熵特徵值以及堆疊自編碼器
為了解決YouTube 轉 ap3 的問題，作者陳世海 這樣論述：
台灣社會人口老化愈加嚴重，其65歲老人人口佔比已超過 14.6%，而老人因跌倒易產生較大的傷害，導致長期照護需求與家庭社會沉重的負擔，故預防跌倒一直是臨床預防醫學以及我們需要去重視的課題。而本研究整體研究目的，主要分別從以特徵值為基底（Feature-based）及深度學習為基底（DNNs-based）兩種模式，探討步態不穩和平衡感較為常見兩大的跌倒風險因子並評估老年人跌倒風險。在特徵值為基底（Feature-based）部份，透過統計特徵值（SF）、排列熵（PE）及加權排列熵（WPE）組合之特徵值集合並搭配「單變量篩選再逐步邏輯斯迴歸」方法進行特徵值篩選及分類判別，其結果SF、PE+WPE
之AUC分別為0.857及0.846，而SF+PE+WPE之AUC可達0.924，大幅提昇原SF為基底下之AUC值與分類效能，顯見PE+WPE可提供另外一種角度之特徵面向來評估受測者是否有跌倒風險，且確認PE/WPE在TUG在不同族群之跌倒風險之評估是具顯著性，對預測模型有其相當高之利用性（Availibity）。而在深度學習為基底（DNNs-based）部份，先透過時頻分析（TFA）技術將時間序列資料轉成時頻圖像（TF image），並於TUG 的各個階段提供了豐富的”具判別能力”的信息，可明顯地觀察兩個不同族群之動作細節。除此，我們亦透過堆疊自編碼器（SAE）之深度學習架構進行學習與分類，
其X(V)、Y(ML)以及Z(AP)正確率分別為 89.1%、93.4% 和 94.1%。綜上，不管是以特徵值為基底或深度學習為基，均呈現Z軸（AP軸）之最重要性，顯示下肢肌力之重要性。另外，深度學習之SAE的架構與作法，是有效之特徵值擷取與分類預測模型，再結合特徵值為基底的方式之綜合研判，期能建置即時監控生理訊號系統，並發展人工智慧跌倒評估與跌倒風險之輔助工具。