# 第一年
## 第一年跟第三年用消費級，第二年可以用64 channel
EEG ECG 只是 modality
method應該像是早上報的paper[T2、Q]這類的
## 研究背景
* 動機
### 動機：為何想做此研究?
注意力與生活中的各項事務息息相關，而缺乏注意力則時常造成無法挽回的後果，例如工廠工人應注意力不集中而發生工安意外、醫護人員在手術過程中分心導致的醫療錯誤，以及公共交通工具的駕駛員因疲勞而引發的大規模交通事故等，都因注意力的缺失造成人員傷亡或是錢財流失，可見注意力在現今社會中極為重要。
其中研究注意力偵測對於台灣這樣一個擁有密集交通網絡和高車輛密度的地區尤其重要。台灣交通事故頻繁發生，如<font color="#f00">圖一</font>紅框標示，其中許多是由於駕駛員分心或注意力不集中引起的。造成駕駛分心或注意力不集中的原因眾多，像是許多駕駛在日常中對智慧型手機的依賴性提高，在開車時也會分心在手機的使用情況上，例如確認導航系統、回復訊息、甚至為了打發時間而撥放影片觀看；或是現今部分車輛配有輔助駕駛的功能，在筆直平坦路面會傾向使用輔助駕駛來協助開車，自身則不必過度專注於路面狀況，駕駛會分心做別的事情而疏忽於路面狀況，影響到對突發狀況的反應時間；又或者是長時間駕駛的疲勞困倦、工作上的疲勞、睡眠不足的疲勞造成的昏睡或精神渙散，使得車輛失去控制發生意外，這些都是駕駛分心或注意力不集中造成的交通事故主因。
透過本計畫擬定的注意力偵測技術，我們可以即時偵測駕駛員的精神狀態，並在偵測到分心或是疲勞的跡象後立即採取措施拉回駕駛的注意力，防止分心造成的潛在危險。這樣的技術不僅能提高道路安全，減少交通事故造成的用路人傷亡，也有助於提升交通效率，減少由於事故導致的交通擁堵。因此，開展這項計畫，旨在利用先進及高精度的注意力偵測技術，在偵測到注意力不集中時(也就是分心的情況下)，使用taVNS技術，將駕駛的注意力拉回，為台灣的道路安全帶來改進，保護駕駛員和行人的生命安全。
**為何使用taVNS?**
> 經皮耳迷走神經刺激（taVNS）是一種新型、非侵入性神經調節方法，源自侵入性迷走神經刺激 (iVNS)，iVNS 基於神經外科在左頸部迷走神經周圍植入電極，並伴隨與侵入性介入相關的所有典型副作用[Fahy B. G. (2010). Intraoperative and perioperative complications with a vagus nerve stimulation device](https://pubmed.ncbi.nlm.nih.gov/20400010/)

<center>圖一</center>

==[圖片來源：道安資訊查詢網](https://roadsafety.tw/AccAgeI26CauseOrder?type=%E8%82%87%E5%9B%A0%E5%88%86%E6%9E%90)==

* 注意力機制
### 注意力機制
在[Distracted Driving, Visual Inattention, and Crash Risk Among Teenage Drivers](https://www.sciencedirect.com/science/article/pii/S0749379718324504)中指出，駕駛者的分心是導致交通事故的最重要原因之一。對於駕駛分心的定義，[Driver distraction and driver inattention: Definition, relationship and taxonomy](https://www.sciencedirect.com/science/article/pii/S0749379718324504)提到，“分心”是指“從特定對象或方向轉移心思、注意力等的行為；由於某事物而使人的注意力或集中力受到干擾的事實”。此外，[Overview of the National Highway Traffic Safety Administration’s Driver Distraction Program](https://one.nhtsa.gov/Research/HumanFactors/Distraction)將駕駛分心分為三類，包括視覺分心（目光離開道路）、認知分心（思考與駕駛無關的事物所涉及的心理工作負擔）、手動分心（手離開方向盤並操作其他設備）。

另一方面，疲勞也是導致駕駛注意力不集中（分心）的因素之一，[Detecting fatigue in car drivers and aircraft pilots by using non-invasive measures: The value of differentiation of sleepiness and mental fatigue](https://www.sciencedirect.com/science/article/pii/S0022437519306735)提到。疲勞可分為主動疲勞和被動疲勞。主動疲勞源自於長時間持續執行任務所引起的知覺運動調整，而被動疲勞則源自長時間駕駛汽車但不需要太多反應的情況。

在台灣，由於駕駛環境複雜，車輛可能突然衝出或有人不遵守交通規則且道路設計不良，駕駛者需要隨時高度警覺路上可能發生的情況，導致主動疲勞不斷增加。而在高速公路上，若非塞車的情況下，駕駛者因不需做太多反應而使被動疲勞增加。因此，在台灣的駕駛環境下，注意力不集中是難以避免的。為此，希望偵測注意力，並透過taVNS在注意力不集中的情況下喚回駕駛者的警覺。

### taVNS原理
* [Modulatory effects of transcutaneous auricular vagus nerve stimulation (taVNS) on attentional processes ](https://gpsych.bmj.com/content/36/6/e101176?rss=1#F2)：
迷走神經又稱為(CN-X)，是自律神經的一部分，其為最長之的腦神經一路從大腦穿越胸部至腹部。
而皮耳迷走神經刺激（taVNS）是一種非侵入性的神經調節技術，其透過刺激耳迷走神經支配區域來活化迷走神經的耳朵分支（ABVN）。

**Posner 注意力定理：**
> **Altering**：當你在一個安靜的房間中學習時，警覺系統讓你能夠迅速注意到突然的聲音（如手機響起）
**Orienting**：當你在繁忙的街道上尋找特定的朋友時，你的定向系統幫助你忽略其他行人，專注於尋找你的朋友。
**Executive Control** ：在一個充滿分心因素的環境中進行學習時（如在咖啡廳裡），執行控制系統幫助你抵抗分心，專注於學習。
上述三者是orthogonal，但在實際的注意力任務中彼此相互作用，共同塑造了我們的行為表現。

**taVNS透過以下機制改善注意力：**
> **調節雙側腎上腺素系統(LC-NE)[加ref]**：
LC-NE系統的活性與警覺性有關，是taVNS調節注意力的主要途徑之一，與上述定理中 **Altering**有所關聯，可以更有效地加快反應時間。
> **提高伽瑪-氨基丁酸（GABA）水平[加ref]**：GABA是大腦中的一種抑制性神經傳遞物質，有助於控制腦神經活動的過度興奮狀況。而taVNS可提高GABA水平。可以避免因衝動所引起的"錯誤反應"。
> eg：

* 現有其他刺激技術：
### 侵入式刺激

* **DBS (深腦刺激)**：透過植入電極到大腦深處，用電流刺激特定腦區。
> 缺點：需要外科手術，風險包括感染、出血或器械故障。此外，可能會有語言障礙或肌肉控制問題。
* **VNS (迷走神經刺激)**：透過植入的裝置直接刺激迷走神經。
> 缺點：需要手術植入，可能會有聲音嘶啞、咳嗽、頸部不適等副作用。
### 非侵入式刺激
* **TMS (經顱磁刺激)**：利用磁場影響大腦特定區域的神經細胞活動。
> 缺點：可能引起頭痛、頭皮不適或暫時的聽力問題。另外，不適合有金屬植入物或特定醫療條件的患者。
* **tDCS (經顱直流電刺激)**：通過頭皮向大腦提供持續的低強度電流。
> 缺點：可能造成頭皮不適或燒灼感，效果在不同個體間有差異。
> [Modulation of attention functions by anodal tDCS on right PPC](https://www.sciencedirect.com/science/article/pii/S0028393215000950#s0130)表明tDCS僅對特定腦區刺激時能改善注意缺陷而非改善一般注意力低下情況，且施行時會偶有刺痛燒灼感，使受試者明確得知目前正接受刺激，進而可能主動拉回注意力，與此次研究精神不符，故使用更輕量無壓力的taVNS作為主要刺激方式

* 目前測注意力的modality
* ### EEG（腦電圖）
EEG（腦電圖）是一種用來測量和記錄大腦電活動的醫學技術。這項技術通過放置多個電極在頭皮上來偵測大腦皮層的電活動。EEG的資料能夠反映大腦的功能狀態，包含但不限於睡眠階段和可能的異常活動。
在駕駛注意力偵測方面，EEG被視為一個有潛力的工具。駕駛時的疲勞會影響注意力、判斷力和反應時間，這些都是安全駕駛的關鍵因素。EEG可以偵測到與大腦活動變化，例如在疲勞狀態下，某些腦波模式可能會增加。
PSD（功率譜密度）是一種用於分析EEG的技術，它可以量化大腦在不同頻率下的活動強度。在駕駛注意力偵測中，PSD被用來識別與注意力相關的腦波變化，例如α波（放鬆狀態）和θ波（輕度睡眠）的增加。這種分析允許我們從駕駛員的**腦波數據**中提取出特定的模式，進而判斷他們的注意力。透過即時監控腦波並分析PSD，可以及時警示駕駛員其注意力狀態。
ICA（獨立成分分析）是一種計算方法，用於將多變量訊號或數據集分解為若干統計上獨立的非觀測訊號或成分。在EEG數據分析中，ICA常用於從原始EEG訊號中分離出偽影（如眼動或肌肉活動引起的訊號）和真實大腦活動訊號。實現方法是通過假設這些訊號組成在統計上是互相獨立的，即它們的統計特性（如變異數）不受其他訊號的影響。
* ### ECG（心電圖）
ECG（心電圖）是一種監測心臟電活動的醫學檢查，它透過在身體表面放置電極來記錄心臟的電活動。在駕駛注意力偵測方面，ECG可以用來識別與注意力相關的心率變化。例如，HRV（心率變異性）的降低通常與注意力狀態相關聯。透過實時分析ECG訊號，系統可以監測駕駛員的生理狀態，並在發現注意力下降時發出警告。
透過分析 ECG 數據，可以觀察其 HRV，HRV（心率變異性）是指心率間隔的自然變化，它是衡量自律神經系統活動的一個重要指標。自律神經系統控制我們的心跳、呼吸和消化等不由意識控制的身體功能。HRV的高低反映了我們的身體如何適應壓力、疲勞和其他生理狀態。在駕駛注意力偵測方面，低HRV通常與高壓力和疲勞相關，意味著駕駛員可能需要休息。

* ### EOG（眼動圖）
EOG，Electrooculography（眼動圖）是一種測量眼球運動相關電位變化的技術。這種技術通過在眼睛附近放置電極來捕捉眼球運動所產生的微小電流。在駕駛注意力偵測方面，EOG非常有用，因為注意力下降會影響眼球運動的模式。
透過觀察眼動的方式來去判別駕駛注意力是否集中，例如當駕駛視線長時間不在道路上、視線渙散、長時間盯著同一點完全沒移動、眼瞼閉合時間過長，這些都會可能會被判定為駕駛注意力不集中。

* ### SPR
SPR，Skin Potential Response，是一種測量皮膚表面微小電位變化的技術，這些變化與汗腺的活動有關。在駕駛注意力偵測中，SPR可以作為壓力和疲勞的生理指標。當人體處於壓力或疲勞狀態時，自律神經系統的活動會增加，導致汗腺活性改變，從而影響皮膚電位。
* ### Camera
透過攝影機監測臉部表情、眼瞼閉合時間、視線追蹤、頭部持續旋轉、由於注意力不集中而表現出警覺減弱的臉部特徵變化：眼瞼運動緩慢、眼睛開口度小、點頭、打哈欠及身體姿勢下垂。
## **第三年 駕駛注意力偵測與taVNS注意力喚回系統的邊緣部屬**
### 一. 背景目的
>隨著自動駕駛技術的不斷發展，駕駛員的注意力偵測與維持對行車安全變得日益重要。本計畫前兩年所開發之的駕駛注意力偵測模型並結合了經顱迷走神經刺激（taVNS）技術進行注意力喚回。這些進展為我們在行車安全領域的研究提供了堅實基礎。因此，第三年的重點是將這些技術從實驗室轉移到實際應用中，特別是實現在邊緣裝置上的部署。這將提高系統的即時性與可靠性，減少對雲端計算資源的依賴，從而更有效地應對實時環境中的突發狀況。

### 二.相關技術
>為了實現在較小型邊緣裝置上（例如 Jetson Nano）部署針對駕駛行為偵測的模型，我們需採用更高效的模型設計策略。以下是三種關鍵技術的說明，這些技術能夠幫助我們在保持駕駛行為偵測模型核心功能的同時，亦實現對邊緣裝置的適配性，不僅提高了模型在資源有限之環境可用性，也為即時應用提供了可行性。

#### Pruning (模型剪枝)
> 在模型剪枝過程中，我們移除神經網路中冗餘的權重，進而減少模型的複雜性和運算需求。這種方法對於在計算資源有限的邊緣裝置上運行模型尤為重要。通過剪枝，我們能夠在保持模型性能的同時，顯著降低其大小和推理時間。
#### Knowledge Distillation,KD (知識蒸餾)
> 知識蒸餾是一種模型壓縮技術，它將大型、複雜的模型（Teacher Model）的知識轉移至小型、高效的模型（Student Model）。在這個過程中，學生模型學習模仿教師模型的行為，從而在保留大部分原始精度的同時，實現更快的推理速度和更低的記憶體需求。
#### Quantization (量化)
> 量化是將模型中的權重和激活函數從浮點數（例如32位）轉換為低位元數（例如8位或更低）的過程。這種轉換大大減少了模型的大小，更降低了儲存需求和計算量。還可以加快推理速度，尤其是在支援低位元運算的硬體上。

### 三.預期成果與影響
> 透過這些技術，我們預期能夠將注意力偵測與taVNS注意力喚回系統成功部署在邊緣裝置上，如此不僅增加了系統的靈活性和應用範圍，同時也為未來更廣泛的實時駕駛安全應用打開了大門。我們相信，這一創新將在自動駕駛技術和行車安全領域產生深遠影響。
* 目前設計來衡量駕駛注意力的實驗
[Drivers’ EEG Responses to Different Distraction Tasks](https://link.springer.com/article/10.1007/s42154-022-00206-z)
研究了各種分心類型下駕駛EEG的反應，讓駕駛在開車的主任務時另外做三種次要任務，並分析三種次要任務下的EEG反應。(1)時間：描述特定時間的時針與分針之間的角度。(2) 2-back：參與者會隨機聽到12個英文字母，並在聽到第3個後回去複述第一個聽到的是什麼。(3)導航任務：聽到目的地後，使用手機的導航軟體導航至目的地。在此實驗中得到的結論是，在次要任務進行時frontal lobe(額葉)區域的Theta和Beta活性增加，而parietal lobe(頂葉)和occipital lobe(枕葉)區域的alpha活性降低，且對於大腦需要耗費龐大工作量的次要任務(如導航任務)會使得活性差異更為顯著，此大腦不同區域的反應差異可以支持分心偵測中的工作，作為專注或是分心駕駛的區分參考。另外論文中也指出受試者之間的個體差異明顯(活性大小差異)，未來的智慧系統開發應著重於個人化的應用。
[Prediction of the driver’s focus of attention based on feature visualization of a deep autonomous driving model](https://www.sciencedirect.com/science/article/abs/pii/S0950705122004865)
研究了注意力焦點Driver focus of attention (DFoA)，DFoA被定義為“在駕駛情境中，大多數有經驗的駕駛在駕駛時會集中注意的區域”，透過複製每位駕駛在不同駕駛場景下的視覺注意力狀況(即該駕駛在開車時的習慣性視覺偏好)來判定是否發生注意力不集中問題。本篇論文提出一種新的機器學習方法使得不需要ground-truth的DFoA數據，而是透過自駕車模型的特徵可視化來預測DFoA。
<center>DFoA</center>


[Deep in thought while driving: An EEG study on drivers’ cognitive distraction](https://www.sciencedirect.com/science/article/pii/S1369847814001181)
量測進行次級任務下的EEG反應，主要可以分為以下兩類。(1)推理問題：Careful is to cautious as boastful is to A.arrogant B.humble C. joyful D.suspicious 。(小心的careful對應到謹慎的cautious正如自吹自擂boastful對應到arrorgant傲慢的)。 (2)基於生活情境的數學問題：我想做12個蛋糕。如果我知道6公斤的麵粉足夠做36個蛋糕，那麼我需要多少麵粉呢？2kg。透過對EEG訊號做SVD分解提取特徵做分析，得到的結果為frontal lobe(額葉)的活性增加，這與先前眾多研究中得知frontal lobe(額葉)與注意力、解決問題有關的結論一致。

### Attention detection(注意力偵測)
補上(e.g.為什麼會分心) 中午吃完飯容易分心之類的帶到分心無法避免，再帶到需要這個研究。
> 假設taVNS 可以提高注意力，taVNS原理及為何可以提高注意力
> 又因為坐在車子上所以需要Portable edge devide
> related work(?)
> 補上對attention detection 介紹
> 目前注意力偵測 MODALITY 影像腦 生理 有名的系統介紹

### Machine Learning（機器學習）
Machine Learning（機器學習）是人工智慧的一個分支，它使運算系統能夠從數據中學習和做出決策或預測，而無需事先編寫具體指令。在機器學習中，演算法會分析和解釋數據，從而學會識別模式和規律。這種學習可以是監督式（使用帶有標籤的數據集）、非監督式（使用未標籤的數據集）或強化學習（透過與環境的互動來學習）。
* ### Deep Learning（深度學習）
Deep Learning（深度學習）是Machine Learning的一個子領域，它主要依賴於人工神經網絡來模仿人腦的處理方式。這些神經網絡由多層（深度）的節點組成，每一層都能從數據中學習不同層次的特徵和抽象概念。深度學習在處理大量數據和識別複雜模式方面特別有效，因此在影像識別、語言處理領域取得了突破性進展。相對於傳統機器學習技術，深度學習能夠自動和有效地提取特徵，無需人工介入，這使其成為解決高度複雜和多維問題的強大工具。

## 現有技術(與上面寫在一起)

## 相關研究
[Y. Wang el.](https://www.sciencedirect.com/science/article/pii/S1474034620301518?via%3Dihub#ab010)以CNN為基礎的深度學習模型，開發用EEG資料的PSD自動偵測消防員尋路能力的注意力偵測系統；
## 參考文獻

## 研究方法、進行步驟和執行進度
* 注意力偵測
* 實驗目的
* 本實驗是為了探討駕駛在駕駛過程中注意力的分配情況，透過隨機突發的次要任務影響駕駛在主要任務上的專注度，進而分析大腦在專注與分心情況下的差異變化。為了能夠更擬真現實生活中的駕駛狀況，將透過VR的技術進行模擬駕駛，並結合EEG、ECG、眼動追蹤技術，分別提取在專注與分心下的特徵，作為後續模型的訓練樣本，評估駕駛在不同難易度駕駛環境與突發狀況下的專注度。
* 設計實驗
* Materials：
模擬駕駛環境(VR、駕駛設備、模擬駕駛軟體)、14 channel & 32 channel EEG設備、 ECG 、眼動裝置
* Paradigm：
在進行實驗前將會請受試者填寫問卷[問卷p26](https://ir.nctu.edu.tw/bitstream/11536/77067/2/253302.pdf)，用以評估受試者是否適合進行此實驗，若駕駛有侵略駕駛(會應用侵略方式對其他用路人表示敵視)、駕駛錯誤(因個人認知導致的不良駕駛行為)這兩種情況，將不適合進行此實驗。也會讓受試者填寫SSQ及VRSQ量表[SSQ、VRSQ p26](https://ntcuir.ntcu.edu.tw/bitstream/987654321/18519/2/%E9%82%B1%E7%BE%A9%E8%B1%AA.pdf)，若受試者有3D暈的情況，也不適合進行此實驗。
由於大多數受試者沒有VR駕駛的經驗，因此在實驗開始前將會給予15分鐘熟悉VR及駕駛狀況。實驗將會進行4次，兩次困難兩次簡單，而難易度的定義為駕駛環境的難易(道路結構、突發事件、交通情況)，以獲得全面的數據，最後通過收集的數據分析後進行建模。
* 流程圖

* 主要任務
此任務目的為量測駕駛在專注時的各種生理訊號。受試者將會在兩種難易度下各進行駕駛10分鐘，駕駛的軟體使用Euro Truck Simulator 或是 UC-win/Road Ver.17。
* 次要任務
此任務目的為量測駕駛在分心時的各種生理訊號。將會進行以下三種任務：
1.簡單的四則運算(每題需在5秒內正確回答出來)。
2.手機鬧鈴響後將其關掉(需在10秒內完成)。
3.給予數字式的時鐘，並要求其回答出若是指針式的那麼時針分針的夾角為鈍角、銳角、還是直角(需在20秒內完成)。
各任務的難易度依次為1→2→3，為了使受試者不要有預期心理(第一個實驗就是四則運算、第二個就是關掉鬧鈴..等)將會使用隨機的方式進行次要任務，也會根據各任務的難易度調整任務次數(簡易的多、困難的少)。
* subjects 個數
20個，男女數量各佔一半，年齡包含青年、中年、老年，以測試不同個體之間的差異
* Trial 分心、專心
1.將會給予次要任務，將次要任務提示聲開始時到任務完成時定為分心狀態。
2.當眼動量測到的數據發現駕駛並未專注於道路上時(超出駕駛時應注視的範圍)定為分心狀態。
* 分析方法
* 流程圖

* 前處理
EEG data 以 1000Hz 的 sampling rate 量測，為了簡化計算量，將EEG down-sampled到100Hz，並使用 banpass filter(0.5~45Hz) 濾掉高低頻雜訊，最後再使用 ICA 移除各種不必要的雜訊。
* 取特徵、建模
使用feature selection技術，在量測到的生理訊號中分別選取專注和分心狀態下的訊號片段，並計算這些訊號的PSD作為特徵，接著使用early fusion方法(將不同modality的特徵組合在一起)，將EEG、ECG特徵結合在一起，並經由上面判斷過的專心、分心trial設定label值，放入Random forest、LSTM、SVM等模型做建模，最後模型可判斷出駕駛處於專心或分心狀態。

* taVNS 注意力提升
* 設計實驗
* Materials:
* VR+EEG+ECG+眼動
* 結合 taVNS 和入耳式 EEG
[Transcranial Auricular Vagus Nerve Stimulation (taVNS) and Ear-EEG: Potential for Closed-Loop Portable Non-invasive Brain Stimulation](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8236702/#B51)
[Modulatory effects of transcutaneous auricular vagus nerve stimulation (taVNS) on attentional processes ](https://gpsych.bmj.com/content/36/6/e101176?rss=1#F2)
此篇paper採用的實驗方法：
> 1. 60名受試者，29名為受刺激組()，30名為對照組
> 2. 初始電流強度為60μA，以10μA遞增
> 3. 決定個別受試者之疼痛閾值，假如為5，就以4作為該受試者taVNS強度。

參考上方：
本計畫採用實驗方法為，
4.

* Paradigm:
* 同第一年，在進行實驗前將會請受試者填寫問卷[問卷p26](https://ir.nctu.edu.tw/bitstream/11536/77067/2/253302.pdf)，用以評估受試者是否適合進行此實驗，若是駕駛有侵略駕駛(也就是會應用侵略方式對其他用路人表示敵視)、駕駛錯誤(因個人認知導致的不良駕駛行為)這兩種情況的話，將不適合進行此實驗。也會讓受試者填寫SSQ及VRSQ量表[SSQ、VRSQ p26](https://ntcuir.ntcu.edu.tw/bitstream/987654321/18519/2/%E9%82%B1%E7%BE%A9%E8%B1%AA.pdf)，若有3D暈的情況下，也不適合進行此實驗。由於受試者可能沒有VR駕駛的經驗，因此在實驗開始前將會給予15分鐘讓受試者去熟悉VR及駕駛狀況。
* 由於個體之差異性，相異強度之電流對不同個體刺激程度不盡相同，故針對各受試者也需決定其 **疼痛閾值**，(詳細方法TBD)
* 實驗將會進行4次，2次困難2次簡單，而難易度的定義為駕駛環境的難易(道路結構、突發事件、交通情況)，難度的設定會保持各受試者間統一。第一次的簡單/困難的實驗進行中，偵測到注意力低下時會給予sham刺激，作為實驗對照組；第二次的簡單/困難的實驗進行中，偵測到注意力低下時會給予act刺激，作為實驗控制組，後會將兩組(4份)實驗結果作分析比對，以得知taVNS對注意力的影響在不同困難程度的任務時與sham刺激之差異。
* subjects個數:
由於現實生活中各駕駛之心態素質與體質均不同，taVNS對個體之影響程度也不同，為達統計顯著，應廣邀受試者，且其年齡性別應當均衡。
* 分心事件為主
再給予刺激後會設計分心事件，以檢測駕駛注意力的拉回情形
* 問卷：
* BPQ, MAIA, BAI, 駕駛行為問卷
* 分析方法
* 行為分析
* active分心減少?
* 電生理訊號分析
* 預測taVNS效果(從resting state跟電完的資料可看出受試者體質對taVNS效果影響)
* 智慧型駕駛注意力提升系統(edge)
* 結合第一年第二年成果
* Realtime(重要)
* 消費級
* Compression

## 本計畫採用方法的原因和原創性
過往有關 **taVNS** 相關實驗之採用方法為經特定時長之刺激療程後，針對各研究團隊實驗方向不同，以刺激組及對照組作為比對結果，本計畫之原創性在於即時進行 **taVNS** 從而使注意力低下之駕駛者恢復應有之注意力，以防有交通事故等憾事發生。
## 預計困難處和解法
### EEG
* **訊號處理**：
腦電訊號非常微弱，容易受到雜訊和其他生理訊號的干擾。因此，有效的訊號處理和濾波技術對於準確分析EEG數據至關重要。

* **算法開發**：
開發準確檢測注意力的算法需要深入理解腦電活動與注意力之間的關係，並利用機器學習等技術來優化性能。

* **實用性和舒適性**：
對於駕駛注意力偵測系統來說，需要考慮設備的實用性和對駕駛者的舒適性。傳統的EEG帽可能不適合長時間佩戴，因此開發更為便攜和舒適的設備是當前的研究熱點。

* <font color="#242abf">**解法**：
購置較新型的腦波帽，並且使用深度學習的技術開發算法。建立深度學習模型去雜訊IC-U-Net。</font>
### 機器學習
* **資料量不足**
若要使用機器學習的方法訓練出一個效果不錯的模型，會需要大量的資料使得模型可以學習到較好的特性，從而會有較好的分類結果。但由於資料量不足，會比較沒辦法訓練出好的機器學習模型。
* <font color="#242abf">**解法**：
當面臨資料量不足的問題時，使用生成對抗網路（GAN，Generative Adversarial Network）、或EEG augementation技術，來生成額外的訓練數據是一個有效的解決方案。GAN是一種強大的深度學習模型，由兩部分組成：Generator（生成器）和Discriminator（鑑別器）。生成器的目標是創造真實看起來的數據，而鑑別器則試圖區分真實數據和生成器創造的數據。這兩部分在訓練過程中相互競爭，生成器不斷學習如何製造更逼真的數據，而鑑別器則學習如何更好地辨別數據。通過這種方式，GAN能夠生成高品質、接近真實的數據，這些數據可以被用來補充現有的訓練集，從而改善模型的學習效果和表現。在駕駛注意力偵測的研究中，這意味著即使真實數據量有限，我們也能通過GAN生成額外的、逼真的EEG腦波數據，從而提升機器學習模型的訓練效果和準確性</font>
## 重要儀器配合情況
跟腦中心配合的那部分
* 64 channel EEG
為了使實驗數據收集的更準確，因而與成大腦中心配合使用他們的64 channel EEG。
* 眼動儀
## 需欲採購儀器
### Portable EEG 、ECG、心率帶、消費級EEG
為了支持我們當前進行的實驗研究，我們計劃採購Portable EEG、ECG、心率帶以及消費級EEG等生理監測設備。這些先進的科研工具將為我們提供寶貴的腦電波、心電圖和心率等生理數據，而我們的最終目標是實現實時監測。這種便攜性的實驗設備將使我們能夠在各種環境中靈活進行測量，提高我們實驗的效率和靈敏度。同時，為了將這些技術應用到消費者層面，故購買消費級EEG，期望將研究成果真正融入人們的生活中。
### VR設備及其附屬設備
使用VR（虛擬實境）設備進行駕駛注意力偵測的研究，主要是因為VR提供了一個高度沉浸和互動的環境，這使得模擬駕駛場景更加真實和全面。相比傳統的螢幕模擬，VR設備能夠更好地模擬真實駕駛時的視覺、聽覺感受，從而使參與者感覺自己真的處於駕駛狀態中。這樣的沉浸感讓研究人員能夠更準確地觀察和分析駕駛員在各種駕駛情境下的注意力分布和反應，進而有效地評估和改進注意力偵測技術。此外，VR環境的可控性也允許研究人員在安全的條件下重現和研究各種危險駕駛情境，這對於提高駕駛安全和預防事故具有重要意義。
### 高速運算工作站
實時分析EEG腦波數據和處理來自繪圖處理器的複雜資訊都需要極高的計算能力。EEG數據的分析涉及大量的即時數據處理和複雜的算法運算，以準確識別駕駛員的注意力水平和認知狀態。
### 雲端運算工作站
雲端運算工作站提供了大量的運算資源和存儲空間來處理和分析龐大的數據集。研究涉及大量來自EEG腦波帽、VR設備和其他感測器的數據，需要強大的運算能力來進行實時分析和複雜的數據處理。雲端運算工作站能夠有效地處理這些數據，支持高階的數據分析和機器學習演算法，從而快速且準確地識別駕駛員的注意力狀態。
### 繪圖處理器
VR環境的創建和維護也需要強大的繪圖處理能力，以確保提供真實且無延遲的駕駛模擬體驗。因此，高速運算處理器在這類研究中是不可或缺的，它們使得研究人員能夠實時分析複雜數據，確保研究的準確性和有效性，進而為提高駕駛安全做出貢獻。

### EEG腦波帽
使用EEG腦波帽進行駕駛注意力偵測的研究至關重要，因為它能夠直接且準確地測量駕駛員的腦部活動。EEG腦波帽能捕捉到與注意力、警覺性以及認知負荷相關的腦波模式，從而提供對駕駛員精神狀態的即時和客觀評估。這種評估對於了解駕駛員在不同情況下的注意力分散程度、疲勞水平及其對突發事件的反應能力非常關鍵。與其他感測器或觀察方法相比，EEG腦波帽提供了一種更深入且科學的方法來研究駕駛行為，對於開發有效的駕駛注意力監測系統和提升道路安全具有重大意義。
### 低溫儲存設備
**EEG** 導電膠是一種用於腦電圖（EEG）測試中的重要材料，它能增強皮膚和電極之間的連接，從而提高訊號品質。購買低溫儲存設備來儲存 **EEG** 導電膠有幾個重要的理由：
* **EEG** 導電膠可能含有容易在較高溫度下分解的化學成分。低溫儲存設備提供了一個穩定的低溫環境，有助於減緩這些成分的分解過程，延長導電膠的有效使用壽命。

* 在室溫下儲存可能增加微生物生長的風險，尤其是如果導電膠包裝一旦開啟。低溫儲存設備的低溫環境可以抑制細菌和真菌的生長，從而保持導電膠的衛生和安全性。

* 環境溫度的波動可能會影響導電膠的黏性和導電效能。在低溫儲存設備中儲存可以確保導電膠保持在一個穩定的溫度，從而確保每次使用時都有一致的效能。

## 預期完成之工作項目和成果
## 預期完成工作項目
## 對於參與的工作人員可獲得之訓練
### EEG訊號判讀
這項訓練將涵蓋基礎的EEG知識，包括不同類型的腦波（如α波、β波、θ波等）和它們在不同心理狀態下的意義。此外，參與者將學習如何識別和解釋EEG數據中的典型模式，了解如何從這些數據中識別出疲勞、注意力分散等狀態。
### 深度學習網路架構
介紹深度學習的基本概念，包括常見的神經網絡模型（如卷積神經網絡、遞歸神經網絡等）和它們的應用。訓練將重點教授如何設計、訓練和調優深度學習模型，以及如何使用這些模型來分析和解釋EEG數據。
### 收集高品質腦電波生醫訊號
這項訓練將專注於腦波帽的正確佩戴方法和導電膠的適當塗抹技巧。參與者將學習如何根據頭型選擇合適的腦波帽尺寸，如何正確放置和調整電極以確保最佳接觸和訊號品質，以及如何使用導電膠來減少皮膚與電極間的電阻。
### VR環境如何架設
如何安裝和設定VR軟體，包括駕駛模擬應用程序的安裝、設定和更新。另外，也會涵蓋如何自訂模擬環境，例如調整交通、天氣條件等參數，以模擬不同的駕駛場景。
## 預期完成的實務應用績效、論文、專書、技術報告、專利等
## 學術研究
## 研究原創性、重要性、預期影響性