vest醫學中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

以特徵值及深度學習為基底探討社區老年人跌倒風險之評估:統計特徵值、熵特徵值以及堆疊自編碼器

為了解決vest醫學中文的問題，作者陳世海 這樣論述：

台灣社會人口老化愈加嚴重，其65歲老人人口佔比已超過 14.6%，而老人因跌倒易產生較大的傷害，導致長期照護需求與家庭社會沉重的負擔，故預防跌倒一直是臨床預防醫學以及我們需要去重視的課題。而本研究整體研究目的，主要分別從以特徵值為基底（Feature-based）及深度學習為基底（DNNs-based）兩種模式，探討步態不穩和平衡感較為常見兩大的跌倒風險因子並評估老年人跌倒風險。在特徵值為基底（Feature-based）部份，透過統計特徵值（SF）、排列熵（PE）及加權排列熵（WPE）組合之特徵值集合並搭配「單變量篩選再逐步邏輯斯迴歸」方法進行特徵值篩選及分類判別，其結果SF、PE+WPE

之AUC分別為0.857及0.846，而SF+PE+WPE之AUC可達0.924，大幅提昇原SF為基底下之AUC值與分類效能，顯見PE+WPE可提供另外一種角度之特徵面向來評估受測者是否有跌倒風險，且確認PE/WPE在TUG在不同族群之跌倒風險之評估是具顯著性，對預測模型有其相當高之利用性（Availibity）。而在深度學習為基底（DNNs-based）部份，先透過時頻分析（TFA）技術將時間序列資料轉成時頻圖像（TF image），並於TUG 的各個階段提供了豐富的”具判別能力”的信息，可明顯地觀察兩個不同族群之動作細節。除此，我們亦透過堆疊自編碼器（SAE）之深度學習架構進行學習與分類，

其X(V)、Y(ML)以及Z(AP)正確率分別為 89.1%、93.4% 和 94.1%。綜上，不管是以特徵值為基底或深度學習為基，均呈現Z軸（AP軸）之最重要性，顯示下肢肌力之重要性。另外，深度學習之SAE的架構與作法，是有效之特徵值擷取與分類預測模型，再結合特徵值為基底的方式之綜合研判，期能建置即時監控生理訊號系統，並發展人工智慧跌倒評估與跌倒風險之輔助工具。

探討國軍空勤人員心力指標與G耐力表現之相關性研究

為了解決vest醫學中文的問題，作者林侑瑾 這樣論述：

目的：心力指標是一種監測心臟受到身體加速度或活動量之變化情形，能即時監測人員運動狀態是否超出生理負荷；過往研究利用心力指標來代表人員心肺功能，並能有效預測3000公尺跑步之成績。因此，本研究欲探討心力指標數值與鬆弛性、緊張性G耐力及抗G動作成效之相關性。方法：本研究為縱貫型研究(Longitudinal study)，研究對象為航空醫官、航空護理官、航空生理官及空軍官校飛行學員。於接受高G耐力訓練時利用Zephyr™ BioHarness 3.0 (Zephyr Technology, Maryland, USA)連續測量訓練前靜坐、走路及緩慢增G階段(增G率：每秒0.1G)之心跳變化及心力

指標(體重*活動量/心跳數)，並計算心力比值(不同階段之心力指標相除)；並於緩慢增G階段，獲得人員鬆弛、緊張性G耐力與抗G動作效益，並利用SPSS 20.0統計軟體分析其相關性。結果：本研究納入83人次(77位)接受高G耐力訓練人員，平均鬆弛性、緊張性G耐力分別為5.03 G、7.75 G，抗G動作效益為2.72 G，發生G力昏迷佔25.3 %。(1)地面階段：當走路心力指標每增加100個單位，能增加22.4%達鬆弛性G耐力≧5.0 G、及45.7%達緊張性G耐力≧8.0 G之機會。(2)鬆弛性G耐力階段：當心力指標每增加10個單位，能增加42.3%達緊張性G耐力≧8.0 G、及減少26.2%

發生G力昏迷機會。(3)抗G動作執行前10秒階段：當心力指標每增加10個單位，能增加54.2 %達緊張性G耐力≧8.0 G、及減少15.2 %發生G力昏迷機會。(4)緊張性G耐力階段：當心力指標每增加10個單位，能增加60 %達緊張性G耐力≧8.0 G機會；當心力指標每增加10個單位，減少16.1 %發生G力昏迷機會。(5)G力解除前10秒階段：當與地面階段之心力比值每增加1個單位，能增加3.2倍達抗G動作效益2.5 G以上機會；當心力指標每增加10個單位，減少14 %發生G力昏迷機會。結論：本研究發現心力指標、心力比值越大者，其G耐力表現越佳，且能減少G力昏迷發生，故作為高G耐力訓練之評估指

標極具有潛力。