區塊鏈技術區中心化特性有重要不容忽視的特性,因此有著大量應用。伴隨而來的是許多區塊鏈應用的資訊安全議題與事件。一些開發者在缺乏安全實務措施的背景下,開發出了本身具有安全漏洞的應用程式,使得區塊鏈使用者在使用區塊鏈相關應用時必須承受額外的資安風險。這些資訊安全議題也不是區塊鏈技術本身的缺失,而是開發者在開發階段產生的資訊安全問題。 本論文針對區塊鏈之中的去中心化應用使用漏洞掃描工具進行分析,掃描的資料來源取自以太坊(Ethereum)區塊鏈平台上所有已佈署並且仍在運行中的去中心化應用。對於這些應用進行安全分析,了解去中心化應用之資訊安全趨勢,並且依照分析結果提供資訊安全分析與改善建議,以強健區塊鏈去中心化應用之資訊安全。
乳癌為我國女性罹患率最高的癌症,依據衛生福利部死因統計及國民健康署癌症登記資料顯示,每年有數萬女性罹患乳癌,而死於乳癌的女性超過數千名。乳癌分期是依腫瘤大小,腋下淋巴有無轉移及遠處轉移區分,越早發現,存活率也會相對提高。臨床上乳房攝影因受限於操作者技術、受試者配合度及醫師主觀判讀影像特徵,造成鑑別度不一致。提升乳房影像品質及影像診斷率,為醫學影像處理重要工作之一。本研究探討利用DenseNet演算法針對乳房影像進行輔助分類。 本研究影像採用回顧性分組實驗設計,收集2016年2月-2017年9月期間數位乳房X光攝影影像之頭尾投影像(Cranial-Caudal View, CC View)共88張影像,依美國放射醫學會(American College of Radiology, ACR)發展的乳房影像報告暨分析系統(Breast Image Reporting and Data-analyzing System, BI-RADS)分級,實驗組為BIRADS為4級(陽性)者共計38張、對照組BIRADS為1級(陰性)者共計50張。採用最小交集樣本數38例為各組分析影像;各組以70%與50%分為訓練集其餘為測試集;因此訓練集分別為共計27與19張,測試集分別為11與19張。採用預先訓練模型(Pre-Train Model)的密集卷積網路(Densely Connected Convolutional Networks, DenseNet),建立乳房影像陰性和陽性分類模型。評估方法為測試集靈敏度、特異性及準確度。 由於DenseNet具有緩解消失梯度問題、加強特徵傳播、促進特徵可重複使用、並大幅減少參數數量,可以用較少的計算成本。本研究針對測試集其靈敏度為100%、特異性為72.73%及準確度為86.37%。 本研究依據DenseNet模型可針對少量樣本影像進行影像分類之特性,其分類結果具有合理性;未來需增加有效案例數、增加BIRADS類別、進行不同預先訓練模型之測試與驗證。
區塊鏈特性中不可竄改、數位簽章與講求共識,對於醫院系統規範來說非常適合,創建病歷應有的條件如:何時何地何人創建等資料有效性以及病例分享等需求,因此利用區塊鏈作醫療資訊系統的輔助角色是非常合適的。 區塊鏈系統Hyperledger Fabric很適合用於電子病歷,本論文探討藉由Hyperledger Fabric特性設計電子病歷系統:背書策略、Chaincode設置、Channel特性等,做為系統開發的底層,背書策略中需要透過設置節點的驗證來授權交易才可成立,對於電子病歷的閱覽特性,Fabric的共識機制相通適合做為系統的底層,不同於其他區塊鏈系統架構,只需授權即可執行交易,因此期望透過Fabric來改善醫療資訊交流情況。
臨床診斷超音波脂肪肝影像具主觀性診斷,目前電腦輔助診斷系統(Computer-Aided Diagnosis, CAD)分析脂肪肝影像分類需要手動預處理分割並進行特徵萃取。近年利用人工智慧辨識影像類別,已證實具有合理性及前瞻性。因此本研究採用小樣本下具有良好表現之ResNet進行脂肪肝影像分類。 本研究採用回顧性分組實驗設計,蒐集2016/01/01至2017/11/30腹部B-mode超音波肝臟影像,共計416筆正常肝臟案例及311筆脂肪肝案例;脂肪肝分成三類包括輕度(n=108)、中度(n=101)、重度(n=102)。採用ResNe 演算法建立正常與非正常、輕度與非輕度(即,中度與重度脂肪肝影像)、中度與重度共三組狀模型(Nested Model);其中訓練組、驗證組及測試組各佔比為70%、20%、10%;模型評估採用測試組之分類準確度、特異性、靈敏度及Kappa一致性統計量。 測試組結果顯示正常與非正常超音波肝臟影像分類結果最佳準確度為91.7%;輕度與非輕度脂肪肝影像分類結果最佳準確度為90.3%;中度與重度脂肪肝影像分類最佳結果準確度為95%,三組ResNet分類都具有趨近90%的準確度;巢狀模型對四種分類準確度為70%;四組分類結果之Kappa一致性統計量為0.6,表示分類結果具有中度一致性。 本研究針對正常、輕度、中度與重度分類表現準確度具有合理性;未來可以探討不同人工智慧影像辨識模型如DenseNet、NASNet-Mobile、NASNet-Large等,期能提升腹部B-mode超音波脂肪肝影像預測分類可靠性及穩定性。
在這資訊爆炸的年代,網際網路與我們生活密不可分,同時也促使了電子商務的蓬勃發展,但綜觀歷年來電子商務的文獻,多專注於單一領域,且少有針對電子商務全貌之研究,因此本研究藉由書目計量與可視化分析,進一步的找出對電子商務發展有價值的研究成果,以利後續的回顧文獻更加完善。 透過書目計量的可視化分析,以本研究所歸納出的「電子商務類別與電子商務模式」做為關鍵字,並將條件限定為期刊論文,以2003年到2017年為止做為蒐集資料的來源,分別以WOS資料庫7,780篇與3,762篇文獻資料為主,將WOS資料庫蒐集的全部數據,分別透過可視化軟體CiteSpace與VOSviewer進行分析比較。 研究發現電子商務在近年的研究數量不減反增,且研究區域逐漸由早期的美國移轉到歐亞等其他國家,藉由可視化軟體與專家學者比對發現,不論是電子商務類別與電子商務模式,在早期均以電子商務網站相關建置為主;中期的電子商務類別則以科技接受模式(TAM)為熱門的研究架構,而以電子商務模式做為進行消費者行為、信任、滿意度為主的相關研究;到了晚期電子商務類別則以消費者行為以及服務品質為主要研究趨勢,而電子商務模式則以電子商務網站與消費者間的互動為主要研究方向,同時也發現重要學者文獻出處集中於Management Information Systems Quarterly(MIS Quart)與Journal of Marketing(J Marketing)兩大期刊。 最後本研究在學術領域上,提供了在電子商務較深入且全面性的研究成果,補足以往研究侷限於分析單一或在特定範圍裡的不足,建議後續研究再結合了更多的分析方法,以利於找出該研究領域的重大發現。
腦電波在「醫學」、「心理學」以及「腦機介面」有著許多方面的應用。早期在實驗室中是透過有線的方式,將腦電波記錄下來,但隨著行動時代的來臨,無線傳輸的方式,將更有利於即時應用的開發。 本研究將在聽取不同音訊時,腦波擷取器(稱為TD1A)擷取到的類比腦波原始訊號數位化之後透過無線RF的方式傳輸至電腦中,在電腦中我們使用在LabVIEW軟體開發環境中所開發的應用程式將接收到的時域資料轉換成頻域的頻譜,並同時將時域波形與頻域的頻譜顯示出來,驗證不同的音訊對精神放鬆的效果,實驗證明白噪音的確有放鬆心情的效果。
本研究以廻歸分析與階層線性模型等統計方法,檢測與驗證在個體層次中,員工的印象管理對其工作動機、工作績效是否具有正向之影響,並且工作動機在印象管理與工作績效之間,是否具有中介效果。此外,在總體層次中政治氣候對工作動機與工作績效是否有調節效果。本研究以石化工業為研究對象,並採用問卷調查法,參酌國內外學者之量表,經專家效度修改,進行預試發放,回收並測量信效度後,修改編製問卷,共發放1,200份問卷,回收後有效問卷共計1,077份。 經實徵研究後發現:(1) 整體上印象管理對工作動機具有預測力,人會使用各種策略來增強對自己的積極影響,以獲得有利的個人價值或物質結果;(2) 當個人所重視薪資及升遷,愈容易為薪資及升遷而努力工作時,其工作動機沒有顯著提升其工作績效表現;(3) 個人自覺的行為表現,引發了與工作有關的行為,並決定其強度、方向及持續時間,藉由主動表現其能力與成就來激發與工作績效相關的行為;(4) 藉由自願負責艱辛的工作或幫助同仁解決問題等行為,以達到彰顯自己能力與知識的機會,當員工的組織政治知覺較高時,則盡責對工作績效的影響愈強。
臨床超音波影像品質通常為主觀性評估,目前為止超音波影像品質評估標準無明確定義;因此,本研究使用預訓練模型ResNet50以及傳統統計分析方法針對腹部超音波影像品質進行分析。 超音波儀器為SonoSite 180+及扇形探頭頻率為2-5MHz,掃描人體腹部假體(E-130328-368T)進行實驗,掃瞄範圍為肋緣以下前腹部主要於影像中可觀察到肝、膽、胰、脾、腎之位置為主,造影深度共五種深至淺分別為腹部皮下22cm、20cm、17cm、15cm、12cm,共268張影像,其中包含134張高品質影像及134張低品質影像;將影像分為訓練集140張、驗證集70張及測試集70張;計算每張影像訊雜比(Signal-to-noise ratio, SNR)、對比值(Contrast ratio, CR)及總變異量(Total Variation, TV)量化影像品質,進行邏輯斯特迴歸(Logistic Regression)建立分類模型使用;採監督式學習(Supervised learning),參考卷積神經網路之ResNet50架構以轉移學習(Transfer Learning)方式進行訓練,使用循序搜尋法(Linear Search)調整參數,將驗證集準確度最高之參數輸出作為後續ResNet50建模之用;一為直接使用ResNet50分類影像品質;二為利用ResNet50輸出之影像特徵作為預測變量,建立支持向量機(Support vector machine, SVM)影像品質分類器。 經由轉移學習後訓練完成之ResNet50直接進行分類測試集影像,分類準確度為98%、靈敏度為96%、特異度為100%;將相同訓練完成之ResNet50模型萃取出的特徵參數輸入至SVM進行分類相同測試集影像,分類準確度為98%、靈敏度為100%、特異度為96%;將每張影像之SNR及TV值量化後,進行邏輯斯特迴歸建立一分類模型,其分類準確度為97%、靈敏度為99%、特異度為94%。 實驗中將ResNet50與ResNet50+SVM兩種分類方式準確度較高;目前超音波影像品質評估方法有限且無明確定義,本研究提出了三種分類超音波影像品質評估方法。
臨床中使用磁振造影(Magnetic Resonance Imaging, MRI)診斷水腦症(Hydrocephalus)時,常使用Evan’s指數(Evan’s Index, EI)及蜘蛛網膜下腔不成比例擴大的腦積水(Disproportionately Enlarged Subarachnoid-space Hydrocephalus, DESH)作為定量指標。本研究探討人工智慧(Artificial Intelligence, AI)之分類方法,包含類神經網路(Artificial Neural Network)及卷積神經網路(Convolutional Neural Network, CNN)。 本研究採用回顧性分組實驗設計,根據臨床醫師診斷之報告共70例,包含31例正常案例及39例水腦症案例,共有48位男性(51±18.7歲)及22 位女性(49±22.8歲),平均年齡為50.7歲。將案例進行影像分組後,正常影像與水腦症2D MRI影像分別為1073張與460張。本研包含了三種特徵萃取方法,包含5個一階統計量 (First-order Statistics)、20個灰階共生矩陣 (Gray-level Co-occurrence Matrix, GLCM)、70個Laws’紋理能量量測法(Laws’ Texture Energy Measures, LTEM),以及280個結合GLCM及LTEM之特徵;經由T檢定找出40個具有顯著性(P-value<0.05)之特徵,透過40種特徵建立ANN水腦症分類模型。同時採用三種卷積神經網路模型進行分類水腦症,包含AlexNet、SqueezeNet及ResNet50;所有模型中訓練集、驗證集及測試集所占比例分別為63%、27%及10%。使用循序搜尋法(Sequential Search)尋找模型中合適的網路層數、節點個數、Batch大小、Epoch數及學習率,再經混亂矩陣及交叉驗證評估模型;使用準確度最高的模型進行連續多張二維影像之水腦症分類。 ANN分類模型之準確度、靈敏度及特異性分別為88.2%、89.1%及87.9%;ResNet50分類模型之準確度、靈敏度及特異性分別為 96.8%、100%及95.3%;使用ResNet50進行連續兩張影像水腦症之分類準確度為98.6%、靈敏度為100%及特異性為96.8%。 研究結果表明使用人工智慧模型對於水腦症分類是可行的,但解釋性較差,因此可將此人工智慧與定量分析進行互補使用;使用連續兩張二維影像進行判別水腦症不但符合水腦症之生理特性,更可降低單張影像分類錯誤之機率。
隨著汽車電子化的發展,作為汽車智能化載體的軟體在汽車各個功能單元中不斷滲透,軟體安全性和可靠性正引起各大主流汽車廠商關注。目前國內供應商普遍採用CMMI,但CMMI 著重項目管理和組織實踐,ASPICE 則是專為汽車量身訂做檢驗標準,各流程要求詳細且嚴密,供應商自我解讀空間很小。然而ASPICE 架構非常龐大,導入ASPICE 投入的人力資源與企業預算是一筆相當大的支出,因此對於供應商而言,按照(潛在)客戶要求,選擇合適過程和相應能力要求來構建組織產品開發過程顯得非常重要。 本研究希望瞭解國內企業導入ASPICE 執行必要性與落實程度認知,採用文獻分析法和問卷調查法,以立意取樣方式,針對國內企業專案經理及專案相關人員進行問卷調查,共計發放問卷34 份,回收34 份,回收率為100%。本研究問卷資料採用SPSS22.0 統計套裝軟體進行資料分析,統計分析方法包括敘述性統計分析、信度分分析、單因子變異數分析等。 本研究結果ASPICE 中的專案管理(MAN.3) 、系統需求分析(SYS.2) 、系統架構設計(SYS.3) 、系統集成及集成測試(SYS.4) 、系統合格測試(SYS.5) 、軟體需求分析(SWE.1) 、軟體架構設計(SWE.2) 、軟體細部設計及單元結構(SWE.3) 、軟體單元驗證(SWE.4) 、軟體集成及集成測試(SWE.5) 、軟體合格測試(SWE.6)等11 項流程領域特定執行方法雖認知必要性,然受限於企業人力、資源、資金等因素,在實際落實時有落差,造成專案執行上的缺陷。因此國內企業應根據自身企業專案狀況,建置ASPICE 關鍵流程領域,取捨必要的特定執行方式,且嚴格落實,做到執行必要性與落實程度的知行合一。
為了持續優化網站功能與使用者體驗,本網站將Cookies分析技術用於網站營運、分析和個人化服務之目的。
若您繼續瀏覽本網站,即表示您同意本網站使用Cookies。