• 學位論文

基於LSTM及運用EMD重複取樣之增強型 ECG SVEB 偵測方法

心房顫動 (AF) 是現今影響心律不整患者中最普遍的類型。透過對患者的ECG判讀和分類，尤其室上性異位搏動（SVEB）類別，可以幫助評估風險並有助於檢測AF。SVEB為AF中最難檢測的一種類型，然而當前的相關研究在單導聯ECG檢測SVEB的靈敏度、F1分數和G分數都顯示較低的分類預測結果，故此研究將使用單導聯ECG和針對患者本身的訓練模型，開發新的心律不整的搏動檢測方法，並根據AAMI標準對其進行分類，達成對SVEB高精準分類且仍滿足即時性的需求。我們提出的EMDR方法先用經驗模態分解 (EMD) 進行分解，並重採樣 (Resample) 第一個本質模態函數 (IMFs) 作為我們架構EMDR-LSTM (Long Short Term Memory) 的主要輸入。與其他採用兩個由一或二層LSTM的相關研究相對照，我們設計出一個新穎的深度學習模型架構。此架構僅為每一個輸入提供一個單層LSTM，這樣更適合我們的預處理方法EMDR，並可提升SVEB預測結果。EMDR-LSTM對增加SVEB分類預測結果有顯著的提升，據我們所知，此架構是第一個在LSTM應用是首個運用重採樣IMFs且基於AAMI標準對單導聯ECG進行AF分類的方法。與其他具代表性的方法相比，我們提出的EMDR-LSTM在所有資料集中準確率、靈敏度，陽性預測值、F1分數和G分數均顯示是有最好的分類預測結果。

• 學位論文

基於 NFV MANO 對 5G 網路切片計費

隨著5G網路透過網路功能虛擬化將網路功能從傳統電信設備硬體中抽離，並以軟體方式執行，5G服務的計費和以往相比變得更加困難。5G服務是由網路切片提供，因此，5G計費需要充分了解網路切片內的資源使用情況並以一個有系統的方式去分析資源的使用。為了協助電信業者設計合理的5G服務定價策略，我們在之前的研究中提出基於ETSI NFV MANO定義的網路服務描述表(Network Service Descriptor - NSD)的計費分析方法和公式，用來一層一層探索NSD中與資源使用相關的參數，進而計算出5G服務的建議成本。NSD包含組成此網路切片的網路元件描述表，而這些描述表在不同層級之間因互相引用，如果用手動分析網路切片資源的使用並加以計費將是一個繁複且費時的過程，為了使我們設計出來的分析方法更容易應用且不易出現人為錯誤，在這篇論文中我們硏究並開發5GSlicePricingTool計費工具，藉由這工具我們把之前發展的分析方法和公式半自動化，並提供一友善的使用者介面。

• 學位論文

基於RISC-V SoC的Virtual Memory設計與實作

本論文的目的是為一個基於RISC-V指令集架構的開源碼處理器Aquila設計一個虛擬記憶體管理單元 (MMU)。Aquila支援RV32IMA指令集，也可以執行不需要MMU的即時作業系統核心。 然而，許多作業系統，包含了Linux，都有著支援虛擬記憶體的需求。由於Linux是最廣為採用的嵌入式作業系統之一，因此，在本論文中，我將為Aquila設計實作一個虛擬記憶體管理單元。並在實作完成後，我們會利用RISC-V官方的測試資料，配合Verilator模擬器來驗證我們所實作的Aquila加上MMU的RTL模型可以正確執行虛擬記憶體管理。此外，我們也使用Xilinx FPGA 開發板合成並測試整個系統，並與另一個開源RISC-V處理器Ariane做效能比較及分析。

• 學位論文

空中載具行動隨意網路之鏈接層設計與效能評估

隨著數位科技與硬體技術快速的發展，各設備間使用無線行動隨意網路互相通訊來解決各式問題的需求日與遽增，例如: 利用無人機群做電力線例行檢查、節慶活動的空中商業表演秀以及極端情況的搜救任務等，所以無線行動隨意通訊網路(MANET)的多節點轉送路由、自我組織運行及無中央管控特性就成為網路尖端研究熱門且重要的議題。 而戰術目標網路(TTNT)也不例外，從1940年發展起的戰術網路，繼承行動隨意網路的特性，但有通訊場域大、網路拓樸變化迅速、節點速度快及節點數目少的區別，而在最新的戰術網路中，常見使用基於IP的主動式路由層及基於TxRxN和資料優先權的SPMA數據連接層，以改善前一代戰術目標網路延遲不夠低與傳遞訊息不甚可靠的缺點。 在本論文中，我們以OLSR路由協定，在資料鏈結層實作SPMA中TxRxN演算法及在實體層使用具有資料復原卷積碼的方式組成節點及網路，並使用開源網路模擬器OMNeT++做網路效能模擬，針對鏈結層TxRxN演算法於訊框減少碰撞及抗干擾能力做探討，提供數據驗證以改善戰術網路。

• 學位論文

應用深度學習與蜂巢式網路資訊於5G行動網路之交通工具類別辨識

網路切片是第五代(5G)行動網路系統的關鍵功能之一。在5G 行動網路中，能智慧 地了解用戶的移動類型是非常重要的，系統可為不同移動 型的用戶配置客製化的網 路切片。先前的研究中，使用者的移動類型可以通過利用全球定位系統（GPS）和智慧 型手機上配備的多個慣性感測器 辨識。但是，這些感測器具有一些限制，例如GPS 的信號不穩定以及慣性感測器易受干擾。在本論文中，我們提出了基於深度學習的交通 工具類型辨識（DeepTTI），它只能通過終端裝置的蜂巢式網路資訊來辨識使 者搭乘的交通工具類型。我們使用將近700 多小時的真實數據集進行效能評估。實驗結果顯示DeepTTI 的可用性，且可達到約95％的準確度。實驗結果還顯示，智慧手機可以減少8％-16％的電池消耗。

• 學位論文

外觀瑕疵檢測之研究

這篇論文提出一個檢測流程來偵測產品外觀的刮痕瑕疵，其中包含取像裝置研究、比對網路及去雜訊方法，使得檢測流程可以良好的檢測不易顯現的外觀刮痕瑕疵，並可以在沒有無瑕疵產品的情況下進行檢測。 我們觀察到在外觀瑕疵中，大部分刮痕瑕疵必須透過環境變化，如光線或相機角度的改變，才會清楚的顯現。因此，我們使用機器手臂夾取光源製造環境變化，並使用錄製影片的方式作為檢測資料。 結合深度學習技術，訓練模型需要大量的訓練資料，模型成果也會受限於訓練資料的品質及種類。我們提出了比對網路的概念，比對兩張照片的差異像素點來檢測的瑕疵。由於比對採用兩張照片比較差異，所訓練出的模型亦不受限於產品樣式，也使得我們的檢測流程對新產品有良好的適應性。 然而真實照片可能因為拍攝角度或物品材質，使得照片經過比對所得結果包含大量雜訊，而刮痕瑕疵的亦可能出現在大量的雜訊結果中，必須謹慎處理去雜訊的問題。我們改良傳統線段檢測，並搭配投票驗證的方法去雜訊，最終顯示我們提出的檢測流程，可以快速適應新產品，對不易顯現的刮痕瑕疵具有良好的檢測能力。

• 學位論文

多核心 RISC-V 處理器之原子指令及一致性快取設計

RISC-V是一個基於精簡指令集 (RISC) 的開源指令集架構(Instruction Set Architecture, ISA)，最初由加州大學柏克萊分校開發。RISC-V除了後發優勢外與其他精簡指令集相比擁有簡單、模組化的設計、容易擴充與規格穩定等特性，因此受到許多公司與專業人士的關注。另外由於現在許多處理器與應用程式往多核心與多執行緒發展，再加上現有的作業系統(如: Linux)也都依靠原子指令來達成多核心多執行緒的資料同步運算，因此指令集架構與微架構對Hardware Atomic Instruction的支援也越來越重要。 本論文目的是設計與實作一個基於RISC-V指令集架構、支援原子指令及一致性快取的多核心處理器。此處理器將會採用交通大學資訊工程系嵌入式智慧系統實驗室所開發的開源碼RISC-V SoC Aquila作為基礎。Aquila內含有一個RV32IM的RISC-V Core，還有Instruction / Data Cache、UART與TCM等部分。本論文將針對Aquila進行修改以擴增原子指令的支援及一致性快取的設計與實作，並實作一個雙核心版本的Aquila SoC。 在設計與實作完成後，會在Verilator模擬的環境下通過RISC-V官方所提供的測試程式來驗證處理器對原子指令的行為是否符合定義。也會在Xilinx KC-705開發板上執行多核心的測試程式來進一步驗證正確性。除了正確性也會在開發板上執行快取測試程式與原子指令測試程式來分別評估其快取性能與原子指令的效能。

• 學位論文

支援WebAssembly後端之混合二元碼轉譯器HBT-86

過去的數十年，電腦一直作為主要的運算裝置。X86是一個被大量電腦採用的指令集架構，其擁有的二元碼資源非常豐富。最近幾年，其他裝置如行動裝置正蓬勃發展，但以前為X86所撰寫的程式卻無法直接運行於其中。不過有些程式卻能夠倖免於難，以動態程式語言開發而成的網路應用程式即是一個例子。由於網路的蓬勃發展，網路應用程式的數量正快速成長中。 為了方便開發效能良好的網路應用程式，Mozilla和Google於2017年合作主導開發了WebAssembly，期盼以之取代JavaScript程式中運算密集的部分。WebAssembly如今已經成為W3C的一項標準，Microsoft、Apple等瀏覽器開發公司也紛紛跟進支援。 本篇論文主要是擴充一個現有的X86二元碼轉譯器HBT-86，以支援WebAssembly後端。我們將HBT-86使用的LLVM版本更新至3.8版，使其產生的LLVM IR可以進一步被Emscripten轉譯為WebAssembly。我們也提供了一個執行環境用以運行轉譯後的WebAssembly程式。除此之外，我們設計函式邊界復原方法以保留程式原本的結構，並可以減少優化所需的時間。 實驗結果顯示，使用動態連結的來源二元碼在復原函式邊界後，優化時間平均減少15.75%，使用靜態連結則平均可減少57.53%；而程式的大小及執行時間僅分別多出2.09％及1.28％。而由X86來源二元碼轉譯出的WebAssembly目標碼的執行時間則只為直接從高階語言編譯而成的WebAssembly的3.53倍，但可使X86程式具有可攜性。

• 學位論文

應用深度學習模型於異常肺音訊號分析之自動化聽診辨識

肺部呼吸音在醫療診斷中是非常重要的指標，尤其在當今新冠肺炎全球肆虐的情況下，如何將聽診設備結合人工智慧來搭建遠程醫療系統顯得相當重要。相關呼吸疾病的診斷平時都必須依賴專業醫師的經驗進行聽診，才能夠得知肺部的情況。本研究希望藉由聽診器輸出訊號並透過深度學習的方法自動辨識出肺部呼吸音為正常、喘鳴或濕囉音等問題。在臨床聽診器輸出訊號中，心音訊號強度會大於肺部呼吸音，並且與臨床人員大量觀察頻譜圖後，我們擷取肺部訊號主要頻段100Hz到1600Hz來進行建模，以降低心音與其它環境音的干擾。為了有效辨識每段訊號，我們將短時快速傅立葉轉換產生的頻譜圖以及梅爾頻率倒頻譜係數作為該段肺音訊號的特徵值。並且發現將兩種特徵合併後會使辨識準確度有明顯的提升，接著我們使用此合併特徵來挑選模型。本研究實際比較了以影像和時序數據兩大類的深度學習模型在聽診音辨識的表現，並發現影像辨識為主的模型表現較佳。此外我們也採用了深度可分離卷積的技術，並參考MobileNet的結構建模，以達到高準確率、低參數量的目的。

• 學位論文

通過機器學習模型大規模分析維基百科的引文品質

旨在提高維基百科中的引文品質的機器學習模型，例如基於文字檢測需要引文的句子（Citation Need模型），已經引起了科學界和維基百科社群的廣泛關注。但是，由於其高技術性，此類模型的可訪問性受到限制，它們的使用通常僅限於機器學習研究人員和從業人員，而非維基百科中志願的編輯與工具開發社群。為了填補這一隔閡，我們開發了Citation Detective，該系統旨在定期在英語維基百科上的大量文章上運行Citation Need模型，並發佈公開的、可用的每月數據轉儲，以揭示被歸類為缺失引文的句子。通過使Citation Need模型可為廣大公眾使用，Citation Detective為研究和應用打開了新的可能。我們通過對維基百科中的引文品質進行大規模分析，提供了一個由Citation Detective支持的研究方向的示例，顯示出引文品質與文章品質，活躍編輯者社群的大小以及編輯者之間的貢獻不平等呈正相關。此外，《生物學》類別的文章是英語維基百科中來源覆蓋最豐富的文章。《女性傳記》和與《非洲》有關的文章也有良好的來源覆蓋率，這顯示越來越多的倡議尋求消除地理和性別偏見有效提高文章引文品質。另一方面，英文維基百科中與《西歐》國家相關的文章引文品質有限，緣於來源語言不同而缺乏可用性。我們將Citation Detective數據和源代碼開源，並與維基百科社群工具（如Citation Hunt）進行結合，以幫助維基百科提高其文章的可驗證性和可靠度。