程式語言與機器學習框架
- Python
- TensorFlow
以 Python 及 TensorFlow 開發感測資料與模型相關流程，銜接數據處理與模型運算。把資料端及 AI 元件整理為共同運作的分析應用。
技術應用情境示意
PythonTensorFlowTransformerRNN
THE CHALLENGE
解決的問題
壓力感測資料需要透過模型與資料處理流程，轉化為可以分析的資訊。
WHAT WE DELIVER
交付成果
- 01床墊壓力感測分析系統
- 02感測資料處理與模型整合
- 03Transformer 與 RNN 應用開發
成果與技術價值
完成感測資料與 AI 模型的整合，形成時間序列及感測分析的工程實作能力。
技術架構與實作
將床墊壓力感測資料轉為機器學習輸入，結合時間序列模型分析感測數據，形成資料與 AI 模型的整合系統。
時序模型與資料關係
- Transformer
- RNN
模型開發涵蓋 Transformer 與 RNN，支援感測資料的序列關係分析。RNN 處理序列中的狀態關聯，Transformer 提供以注意力機制分析資料關係的模型方法。
感測數據與資料處理
- 壓力感測
- 時間序列
將床墊壓力感測資訊整理成模型可使用的資料，銜接感測數據與分析流程。技術重點是理解資料隨時間的變化，並把資料處理連接到模型輸入。
分析應用與工程整合
- 感測分析系統
- 模型整合
完成感測資料與機器學習元件的應用整合，把數據轉為可以分析的資訊。工程成果聚焦於感測與模型處理的連接，支援睡眠研究相關的資料分析情境。
系統運作流程
- 01
整理壓力感測資料
將數據與時間關係準備為分析輸入。
- 02
執行序列模型處理
以機器學習模型分析感測資料關係。
- 03
形成分析資訊
將模型及資料流程整合到感測分析系統。
案例依產業與技術成果呈現，客戶與專案識別資訊已去識別化。