使用紅外線額溫計是測量體溫很普遍的做法;然而,由於不正確的量測方式 (例如額溫計與前額的距離和角度變化),以及受測者膚色和環境溫度與亮度之差異,使得非接觸式紅外線體溫量測之準確性、可靠性和重現性產生不確定問題。因此,本研究以紅外線溫度感測器 (infrared thermometry; MLX90614) 結合距離、環境溫度與亮度之量測,及人臉膚色影像特徵等,導入神經網路之感測融合 (sensor fusion) 技術,提出多模態感測器 (multi-modality sensor; MMS) 系統 (如圖一所示),達成小數點以下二位數之高準確體溫估測。
在學理基礎及技術面上,本研究以主成分分析 (principal component analysis; PCA) 結合類神經網路 (artificial neural network; ANN) 建構出 PCA-ANN方法,用於體溫估測。由於此一PCA-ANN方法需要有大量的量測數據為估測模型建置基礎,因此我們採用具小數點以下二位數之數位式基礎體溫計 (MT 16C2) 於受測者之腋窩處進行量測,以減少測量偏差,並以此數據作為機器學習訓練和驗證的基礎。
在實驗設計上,本研究以所提出之MMS系統於距離受測者額頭位置 2-30 cm處隨機量測,以模擬人為操作之偏差。本研究共邀請 30 位不同受測者進行實驗,並分佈於四組不同之資料集;包括:訓練資料集(14 受測者/ ID:1 – 14 有 300 個數據),驗證資料集(3 受測者,ID:15 – 17 個,有 64 個數據),當下測試資料集(3 受測者,ID:18 – 20 有 64 個數據),以及三個月後再度驗證之測試資料集(10 受測者,ID:21 – 30 個,有 240 個數據);上述四組資料集的測試者均不重複,以驗證此一研究成果與受測者特性無關,使其能有更廣與通用之應用。
在模型訓練過程中,本研究採用k-fold交叉驗證方法(k=5)來減少模型過度擬合之問題。此外,為了驗證實驗結果之優越性,我們也使用多元線性回歸 (multiple linear regression; MLR) 和逐步回歸 (stepwise regression; SR) 模型進行性能比較。由實驗結果來看,本研究提出之PCA-ANN 體溫估測模型優於 MLR和 SR之方法,其具有最低 MAE、MAPE、RMSE 和最高 R 值的預測模型。
在量化效能呈現上,我們以MT 16C2基礎體溫計之量測數據進行誤差分析,在建立數據模型當下之三位受測者 (ID: 19 - 20) 分析上,MAE 值為 0.11⁰C、SD 為 0.04 ⁰C (如表一所示)。更挑戰的是在建立模型後的三個月,以另外10 位受測者 (ID: 21 - 30) 進行實驗,同樣以MT 16C2基礎體溫計進行誤差分析, MAE 值為 0.1 ⁰C、SD為 0.03 ⁰C (如表二所示)。此外,此一實驗也針對市售額溫計 (TD1242) 進行比較,而TD1242之 MAE 為 0.48 ⁰C、 SD 為0.17 ⁰C。
最後,由實驗可觀察出市售之額溫計因無法因應量測位置一致性、環境及受測者差異,而產生溫度量測的不確定性,導致量測誤差和重現性較差。然而,本研究所提出之MMS體溫估測模型,不但具有創新之量測架構 (包括: 紅外線溫度感測、距離、環境溫度、環境亮度、人臉膚色影像特徵) ,且導入 PCA、ANN等機器學習感測融合方法;同時量測結果以基礎體溫計進行誤差分析,也證明此一 MMS PCA-ANN有相當小之MAE及SD,此一成果後續可應用於門診之高精度體溫量測。(機械系郭重顯教授提供)

圖一 MMS 原型的機械設計:(左)頂視圖,(右)側視圖
表一 建構模型當下測試數據集之相關模型的溫度估測 (⁰C)

表二 建構模型後三個月測試數據集之相關模型與市售額溫計 (TD1242) 的溫度估測 (⁰C)
