• 學位論文

視障按摩師按摩時肌肉疲勞之評估

按摩行業中作業時需要較大的體力付出，因此按摩作業人員，因工作所導致的肌肉骨骼傷病問題也日趨嚴重。目前與按摩相關的研究，大多著重於按摩之療效探討，而較少探討造成按摩人員肌肉骨骼傷病有關之過度施力及肌肉疲勞等研究。為了避免按摩從業人員發生職業性肌肉骨骼傷病，本研究目的為評估按摩作業之上肢及下背肌肉施力及疲勞程度。 本研究使用肌電訊號量測模組，收集 12 位視障按摩師及 6 位美容師共計 18 位按摩從業人員之12條肌肉肌電訊號(Electromyography, EMG)，計算肌群施力及使用頻譜與振幅聯合分析方法(Joint analysis of EMG spectrum and amplitude，JASA)，比較不同按摩作業類型(按摩床作業、按摩椅作業及美容作業)之肌肉疲勞程度。 研究結果顯示，按摩床作業中男性及女性肌肉施力介於4.67%MVC~32.17%MVC之間及6.67%MVC~44.00%MVC之間。按摩床作業及按摩椅作業之肌肉施力介於8.60%MVC~38.10%MVC之間及9.67%MVC~43.00%MVC之間。美容作業肌肉施力介於8.83%MVC~36.00%MVC之間。各作業有按摩床作業3條、按摩椅作業2條及美容作業3條肌肉施力小於15%MVC。視障按摩師在進行按摩床作業時，JASA象限分佈大多落在第一(28.86%~30.56%)及第四象限(25.69%~26.39%)中，顯示肌肉處於力量增加和疲勞的狀態。進行按摩椅作業時，JASA象限分佈則落在第二(38.89%~41.67%)及第三象限(30.56%~36.11%)中，顯示肌肉處於力量恢復(適應)，及力量減少的狀態。美容師在進行美容作業時，JASA象限分佈約平均分佈在四個象限內，肌肉疲勞比例(第四象限)介於23.61%~27.78%之間。按摩從業人員在作業時，多數肌肉之肌肉施力過高。另外，按摩床作業及美容作業之肌肉疲勞比例亦較高，可透過介入方式(如輔具或增加休息時間)來減輕其肌肉施力及疲勞程度。

• 學位論文

整合J-B Test、隨機森林及貝氏推論於多變量製程監控

近年，以管制圖來進行整廠製程監控(Plant-wide Process Monitoring)之技術越來越受到關注。然而，傳統之管制圖建模方式是使用製程之全變量來建構管制圖，此意味著可能使用了多餘變量(Redundant Variables)來進行建模，此將降低異常偵測之能力。此外，使用全變量直接建模之另一缺點在於無法分析掌握流程局部變化之行為，此將降低異常之偵測率。最後，整廠監控所收集到之資料，通常同時存在常態(Normal)及非常態(Abnormal)性之資料，因此，如何發展一有效之整廠製程監控方法為一重要之議題。基於上述，本研究提出了一種整合主成份分析法(Principal Component Analysis, PCA)、獨立成份分析法(Independent Component Analysis, ICA）和貝氏推論(Bayesian Inference)之方法。 本研究主要目的在於提出一分散式(Distributed)方法於多變量(Multivariate)之流程監控。首先，利用Jarque-Bera(J-B test)統計量，將原始資料變數劃分為常態子集與非常態子集。之後，分別利用隨機森林(Random Forest, RF)來進行變數篩選，本研究採用之篩選適應性函數(Fitness Function)為最小化無法偵測異常之比例(Non-Detection Rate)。隨後，分別利用主成份分析法及獨立成份分析法於保留變數的常態與非常態子集以建立監控模式。最後，各子集的監控結果，再利用貝氏推論整合最後之監控結果。 本研究所提的方法將應用於三個實際的製程分別為田納西伊士曼(Tennessee Eastman, TE)、台灣電力公司(Taiwan Power Company, TPC)和SECOM之多變量製程監控，第一個案例數據類型包括常態分配和非常態分配，用於將數據分為兩個子集，並使用貝氏推論將兩個子集融合進行評估、台電火力發電廠為一個非常態分配數據，用於研究本方法進行非常態數據分析以及SECOM製程為一個常態分配數據，使用本方法進行常態數據分析，比較傳統之監控方法，如：PCA、ICA等，將用於驗證所提方法之有效性，結果顯示所提之方法有效提升監控效果。