## 系統架構總覽

### 功能簡圖

graph LR
   A[視覺輸入] --> D[行為分析]
   B[聽覺輸入] --> D
   C[遊戲狀態] --> D
   D --> E[AI建議]
   

----

### 功能方塊圖


---

### 檔案架構

---

### 輸入與輸出

:::info
#### 輸入
<div style="text-align: left; font-size: 36px;">
📹 視覺：人臉表情、肢體動作、撲克牌

🎤 聽覺：語音特徵、壓力指標

🎴 遊戲：手牌組合、歷史記錄
</div>
:::

:::success
#### 輸出
<div style="text-align: left; font-size: 36px;">
📊 分析：自信度評分、虛張聲勢機率

💡 建議：即時策略推薦
</div>
:::

---

## MediaPipe 人臉與肢體分析

---

### MediaPipe 簡介

### 什麼是 MediaPipe？

:::info
<div style="text-align: center; font-size: 36px;">
Google 開發的機器學習框架

專注於即時感知管線

支援多種平台部署
</div>

<div style="text-align: center; font-size: 36px;">
核心優勢：

⚡ 即時性能（30+ FPS）

🎯 高準確度

💻 CPU 低負載

</div>
:::

----

### Face Mesh - 468個關鍵點

---

#### 關鍵區域

:::info
<div style="text-align: left; font-size: 22px;">

眼部：32個點（每隻眼睛16個點）
左眼：33, 7, 163, 144, 145, 153, 154, 155, 133, 173, 157, 158, 159, 160, 161, 246
右眼：362, 398, 384, 385, 386, 387, 388, 466, 263, 249, 390, 373, 374, 380, 381, 382

嘴部：40個點
外唇輪廓：61, 146, 91, 181, 84, 17, 314, 405, 320, 307, 375, 321, 308, 324, 318, 402, 317, 14, 87, 178, 88, 95
內唇輪廓：78, 191, 80, 81, 82, 13, 312, 311, 310, 415, 318, 324, 308

眉毛：10個點（每邊5個點）
左眉：46, 53, 52, 65, 55
右眉：285, 295, 282, 283, 276

</div>
:::

---

### 眼睛分析-1
<div style="text-align: left; font-size: 24px;">
left_eye_points = [33, 160, 158, 133, 153, 144] # 左眼關鍵點

right_eye_points = [362, 385, 387, 263, 373, 380] # 右眼關鍵點
</div>


----

### 眼睛分析-2
:::info
<div style="text-align: center; font-size: 26px;">
<strong>👁️ EAR (Eye Aspect Ratio) - 眼睛縱橫比</strong>
</div>

<div style="text-align: left; font-size: 22px;">
定義：
EAR = 眼睛垂直開合程度的數值

計算方式： EAR = 眼睛高度(平均) / 眼睛寬度

EAR範圍：

</div>

# 使用 MediaPipe 的關鍵點
上眼瞼位置 = landmark[159].y  # y 座標
下眼瞼位置 = landmark[145].y  # y 座標

<div style="text-align: center; font-size: 22px;">

瞇眼 (EAR < 0.02) → 壓力 +30% 😣

睜大 (EAR > 0.045) → 壓力 +20% 😳

正常 (0.02~0.045) → 壓力 -10% 😌
</div>

:::

---

### 嘴巴分析-1
<div style="text-align: left; font-size: 24px;">
mouth_points = [13, 14, 78, 308, 82, 312] # 上下唇關鍵點
</div>


----

### 嘴巴分析-2
:::info
<div style="text-align: center; font-size: 26px;">
<strong>👄 MAR (Mouth Aspect Ratio) - 嘴巴縱橫比</strong>
</div>

<div style="text-align: left; font-size: 22px;">
定義：
MAR = 嘴巴垂直開合程度的數值

計算方式：MAR = 嘴巴高度 / 嘴巴寬度

MAR範圍：
* 0.01-0.03：抿嘴狀態
* 0.03-0.08：正常狀態
* 0.08-0.15：張嘴狀態

</div>

# 使用 MediaPipe 的關鍵點
上唇中心 = landmark[13].y  # y 座標
下唇中心 = landmark[14].y  # y 座標

<div style="text-align: center; font-size: 22px;">

抿嘴 (MAR < 0.03) → 壓力 +20% 😬

張嘴 (MAR > 0.08) → 壓力 +10% 😮

正常 (0.03~0.08) → 壓力不變 😐
</div>

:::

----

### Pose Detection - 33個身體關鍵點

---

## 上半身重要節點

POSE_LANDMARKS = {
    0: "鼻子",
    11: "左肩", 12: "右肩",
    13: "左肘", 14: "右肘", 
    15: "左腕", 16: "右腕",
    23: "左髖", 24: "右髖"
}
    

### 肢體語言分析

肩膀角度：身體傾斜程度
手臂活動：緊張程度
身體重心：專注度

---

### 音訊分析技術

#### 聲音特徵擷取：
:::info
#### 基本特徵

1. **音量 (RMS)**
$$RMS = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}$$
2. **基頻 (Pitch)**
* 使用自相關函數
* 人聲範圍：80-400 Hz
3. **頻譜特徵**
* MFCC (梅爾頻率倒譜係數)
* 頻譜質心
:::

---

#### 壓力檢測原理
:::info

#### 聲音壓力指標

| 特徵 | 正常狀態 | 壓力狀態 |
| -------- | ---------- | ---------- |
| 音調變化 | <50Hz | >100Hz |
| 音量起伏 | 穩定 | 波動大 |
| 語速 | 120-150字/分 | >180字/分 |
| 顫抖度 | <0.1 | >0.3 |

:::

---

#### 頻譜抓取

---

## YOLOv8 撲克牌辨識

### 核心優勢
🚀 速度快（即時檢測）
🎯 準確度高
📦 易於部署

graph TD
    A[輸入影像 640x640] --> B[Backbone]
    B --> C[CSPDarknet]
    C --> D[Neck]
    D --> E[PANet]
    E --> F[Head]
    F --> G[檢測輸出]

---

### 關鍵組件
* ackbone: 特徵提取
* Neck: 特徵融合
* Head: 預測輸出


---

#### 電腦效能不好，多個模組一起跑只有0.4FPS，且會互相影響，目前只能算是POC

#### 停用一些模組FPS會比較好

---