隨著高齡人口增加，伴隨著各種慢性病的發生機率日增，其中，心臟衰竭不僅是隱形殺手，由於心衰疾病的病程非常長，復發機率高，造成醫護人員的負擔加重。然而，利用通過醫療認證之心電心音裝置，搭配心臟衰竭風險AI預測評估及遠距照護系統可輔助診斷幫助醫師做出正確的診斷，以利於後續病患的醫療或轉介。 心臟衰竭病程長 醫療支出是糖尿病5倍 如果你有呼吸易喘，甚至稍微動一下就喘，或是夜晚睡覺的時候，容易從睡夢中驚醒，需要坐起來才會比較舒服，又或是下肢容易有水腫等狀況，甚至合併有焦慮、不安、疲倦、食慾下降hellip等症狀，當心很有可能是心臟衰竭。 根據統計，全球心臟衰竭人口約有6000萬人，每年新增的心臟衰竭人口約500萬人。中國的心血管疾病患者將近29億人口，占城市居民死亡原因第二位；而全中國約有1200萬心臟衰竭病人，佔心臟病死因的59以上。尤其心衰疾病的病程非常長，且復發及再入院率非常高，使得醫療支出的成本是高血壓的2倍、糖尿病的5倍。 根據美國研究統計，心肌梗塞及心臟衰竭病人的30天內死亡率分別為166及111，並且30天內再住院率分別為199及244。心臟衰竭的症狀因為和其他疾病如慢性肺阻塞，氣喘等疾病相似，有185 的誤診率，對於醫療院所而言，是相當棘手的問題。 麗臺科技為顯示卡大廠，2000年起投入醫療及健康照護領域。由於董事長盧崑山曾分別與2011年及2015年兩度心臟病發，因此，麗臺科技專注於健康大數據，自主研發心臟衰竭AI辨識技術，此一AI應用讀取病患的心電圖以及心音圖做出異常檢測以及心臟衰竭的風險預測模型，可及早發現疾病徵兆。 麗臺科技自主研發心臟衰竭AI辨識技術 可預測病史及風險 麗臺自主研發之心臟衰竭AI辨識技術具以下三種判斷功能： 1 心臟衰竭病史之預測 將心電及心音圖資料分類為「具心臟衰竭住院病史」以及「未具心臟衰竭病史」兩類。 2 心臟衰竭風險預測 將心電及心音圖資料給予發生的心臟衰竭風險預測值。 3 心臟衰竭再發生風險預測 針對已有心臟衰竭的患者判讀其心音圖及心音圖，判斷其心衰再發生之風險預測。 麗臺科技表示，心臟衰竭AI辨識技術應用可輔助醫師更有效率且精確的診斷，以利後續病患的醫療或轉介。舉台北榮總研究心臟衰竭的離院病患為例，根據心電心音同軸檢測裝置所計算出的EMAT電機活化期指數與SDI心縮不全指數作為治療指引的病患，會比依據傳統症狀做為治療指引的病患，有更高的存活率，此研究也已刊登於國際心臟權威期刊JACC，獲得國際市場肯定。 系統廠商可將心臟衰竭AI辨識技術作其他加值應用 麗臺科技表示，合作系統廠商可選擇自建心臟衰竭AI風險預測引擎，將自有系統之心電心音圖上傳到麗臺心臟衰竭AI風險預測引擎後，引擎回傳風險預測值，做為系統整合廠商合作廠商的加值應用輸入。 不僅臨床使用 心臟衰竭AI風險預測引擎可延伸居家或工作場與使用 此外，這套系統也可以延伸至其他應用，包括： 一、醫院門診快篩：醫師可使用心電心音記錄器及心臟衰竭AI風險預測模型，在門診、急診進行10秒快速檢測，評估病患心臟病史及心臟衰竭風險。 二、出院風險評估：醫師可使用心電心音記錄器及心臟衰竭AI風險預測模型，評估病患住院期間的心臟衰竭風險，檢測數據可作為出院前的風險評估及預後指標。 三、居家連續照護：病患可使用心電心音記錄器、穿戴心電圖記錄器，透過居家傳輸盒閘道器，在家量測心電心音訊號，並上傳至amor健康雲平台進行心臟衰竭AI風險預測分析。病患可透過APP自主健康管理，檢視歷史生理趨勢；疾病個管師可透過健康管理後台Web管理會員健康。 四、居家康復訓練 病患可配戴健康手環，進行活動、疲勞、循環、睡眠檢測，透過手機APP自主管理健康及觀察心臟衰竭風險，進行運動及康復訓練，幫助身體快速復原。 心臟衰竭AI辨識技術系統可以延伸至員工居家照護等應用。 此外，在工廠或辦公室等場域也可以透過這套系統達到員工健康管理的目標，應用的方向包括： 一、工作場域之作業安全單位：在員工執行工作業務前發給員工穿戴心電圖記錄器。 二、業務執行者生理監測：員工於執行業務或訓練時，配戴穿戴心電圖記錄器之疲勞警示，警示生理狀態是否可繼續執行任務。任務執行段落可使用資料傳輸盒或APP 將生理監測資訊上傳至健康管理平台，並評估作業員工心臟衰竭風險，檢測數據可作為企業資源人力單位做為風險評估及公共安全對應指標。 三、工作場域生理監控中心照護：工作場域的生理監控中心可透過健康雲平台，檢視並記錄員工值情時之歷史生理趨勢。 四、工作場域之護理單位：護理單位在接收生理監控中心指示，可依據值情員工的生理趨勢給予健康管理的建議；護理中心可透過健康管理後台Web管理員工健康。 五、員工可配戴健康手環，進行活動、疲勞、循環、睡眠檢測，透過手機APP自主管理健康及觀察心臟衰竭風險，進行運動及康復訓練，幫助身體快速復原。 工作場域應用心臟衰竭雲端照護及大數據中心示意圖

2017年，iPhone X的亮相讓提供 Face ID人臉解鎖的3D感測技術成為大熱門，也帶動了3D感測模組中的核心零元件VCSEL的發展。而VCSEL封裝元件入料瑕疵檢測，若透過AI推論模型可解決良率偏低產業難題，提升可靠度達95。 VCSEL技術現階段可被運用於諸多用途和各類終端消費市場，包括機器人、移動設備、監控、無人機，以及ARVR等。VCSEL在需求高速調製功能的應用（例如照相機和生物計量）中堪稱為不錯的解決方案。 VCSEL技術應用層面廣，也可應用於無人機。圖為佐翼科技農用無人機 VCSEL技術應用層面廣 AI技術助攻瑕疵檢測 赫銳特科技表示，VCSEL封裝元件市場也面臨到商業對手強力的削價競爭，需要進一步降低成本提升、產品競爭力，其中一個關鍵的難題就是將玻璃透鏡更換為環氧樹脂型透鏡。傳統玻璃透鏡的生產良率高，但成本較環氧樹脂透鏡高，因環氧樹脂經切割製程，側壁切割道上容易會有毛邊，造成尺寸過大，容易在打件時因為受熱而產生的應力釋放，將會直接導致光學透鏡破裂。 赫銳特科技指出，VCSEL環氧樹脂透鏡的入料檢測十分重要，在封裝空間的限制下，封裝與光學透鏡貼合的空間有限，且此光學透鏡會被侷限於一金屬框架內，若是沒有控管好尺寸公差，很容易在打件時因為受熱而產生的應力釋放會直接導致光學透鏡破裂，造成VCSEL封裝可靠度驗證良率損失最高達到10，造成生產成本增加。 為解決上述問題，赫銳特科技希望在VCSEL環氧樹脂透鏡的入料階段，可以藉由AI影像監控環氧樹脂元件的尺寸及外觀瑕疵，確認其尺寸是否合乎規格、切割邊緣是否平整、外觀是否瑕疵等。由於傳統的入料檢測，經通過大略的人眼目檢分辨好壞，為順利收集影像數據，首先需要解決影像蒐集的問題。 因此，赫銳特科技首先建立自動光學檢測裝置Automated Optical Inspection，AOI，自動光學檢測裝置包含X、Y、Z三軸動及高解析相機，及相關控制軟體自動記錄影像。蒐集完成後的影像資料，經opencv將測試影像Test與一標準正常影像Normal，進行影像對位後取出Test與Normal影像的差異部分，並可經由Pixel Mapping計算影像的像素面積進行比較完成初步篩檢。 承上之影像分類，進行手動標籤標示包含：正常、外觀瑕疵或形狀特徵差異之樣品，後進行演算法訓練與驗證，使用深度殘差網絡Residual neural network ResNet或其他相關演算法進行深度學習，以辨識出透鏡的優劣情形。 導入AOI檢測 提升產能效率達20以上 比較導入AI影像檢測的前後差異，導入前的VCSEL入料透鏡檢測，僅透過簡易的人工外觀檢測，將透鏡封裝在已固晶的VCSEL封裝體上，通過一般點亮檢測後，最後進行可靠度測試高溫回焊，失效樣品進再入重工流程。 但在導入AOI檢測之後，可提前將有問題的透鏡篩選出來，除了可以降低後續物料投入的成本，亦可減少失效情形降低重工的需要，因而提升可靠度驗證良率達95以上，預期可協助場域業者降低生產成本達10，提高產能效率達20以上。 導入AI影像檢測的前後之差異 赫銳特科技指出，這項技術是基於微小影像開發的AI應用技術，透過深度學習演算法辨識影像瑕疵，用來辨識瑕疵影像。而訓練後的網路來自動分類對應於預定類別的影像數據。透過參考影像就能辨識缺陷類別，因此不再需要繁瑣的編程。 而在工業機器視覺環境中，深度學習主要用於應用中的分類任務，例如在工業產品的檢驗或零件的辨識，未來隨著IOT穿戴裝置的發展，符合節能省電的潮流議題，光電元件尺寸將不斷的縮小，本技術未來也可應用在其他微小光電元件的外觀瑕疵檢測。

衛星遙測影像雖然可以讓地面景物無所遁形，然真正要能落地應用至產業面，還需要耗費大量時間與人力。為有效解決客戶面臨巨量影像資料消化困難及消除跨領域用戶對衛星遙測影像處理的技術障礙等問題，興創知能研發「巨量遙測空間數據AI分析雲端服務平台」，作為智慧空間資訊跨域AI應用導入的新開端。 近年來，為了因應產業全球化衝擊，臺灣農業轉型持續走向科技化與精緻化，紛紛從微氣候衝擊、病蟲害防治等問題的解決，來提升農作物的產量與品質。為了精確掌握作物的生長環境、農業對於影像的使用，有了無限擴張的需求。 在早年UAV無人機尚未盛行的年代，人工田野調查是最基本、卻也最消耗人力的工作，有了UAV無人機的出現，航拍操作也許不太困難，但能拍的範圍受限，要精確地擷取空間資訊，還需要測量專業。此時，衛星遙測數據的使用可能就此跳脫過去使用影像資料的想像。 國家太空中心TASA資料倉儲服務 在近十年，現代衛星遙測應用技術的突破，數位地球成了全球資料採集的新趨勢、各國紛紛發展資料立方的影像倉儲技術，各國發展智慧農業成了最大的影像用戶之一，掌握作物的栽種分佈，就是掌握作物產量的第一步，有了免費的衛星遙測影像、強大的資料倉儲支援，以及團隊穩健的影像辨識技術，是加速農業轉型的重要支持。 運用衛星遙測影像數據 可加速智慧農業發展 然而，在過去，想透過衛星遙測影像來萃取大面積作物分布，也是困難重重，所需要花費的費用不說，若想使用免費的資訊，必須逛透國際太空機構的網站，在琳瑯滿目的衛星產品規格表中，審慎評估感測器規格、影像解析度以及再訪週期，找到適合的影像後，還得一幅一幅的看，去蕪存菁，接下來，動輒數百MegabyteMB的影像資料、連續幾十張的影像下載存檔，所用的電腦容量恐不堪負荷。 還有，當克服影像存取、備好資料後，接著必須開始確認下載的影像產品，哪些才是想要的波段，因為眼前看到的影像並不只是一個圖檔jpg或png，複雜的多光譜資訊、屬性欄位和座標資訊，光是確認正確的資訊，就耗費龐大心力。 而面對功能複雜的GIS套裝軟體，又是另一個麻煩的開始，複雜的影像前處理流程，以及缺乏彈性的機器學習套件，大幅降低分析資料的效率。好不容易做出作物辨識的結果，才發現可能已經過了圖資使用的黃金時期。上述複雜耗時的衛星影像處理問題，恰恰就是市場的痛點， 興創知能從傳統的機器學習擴展到現代的深度學習應用，研發在GeoAI框架下的「巨量遙測空間數據AI分析雲端服務平台」，為客戶突破這些空間資訊的魔鬼細節。 AI分析雲端服務平台流程導入前後之差異 興創知能表示，在我國國家太空中心TASA, Taiwan Space Agency的多年努力下，屬於臺灣的ODCOpen Data Cube系統也已打造完成啟動服務，與國際趨勢正式接軌，強大的倉儲技術讓使用者可以輕易的根據需求，擷取並使用特定時間與空間範圍的影像資料，倉儲收納了國際太空機構旗下的多個衛星影像資源，包含ESA的Sentinel-1每隔6日一幅、Sentinel-2每隔6日一幅，USGS的Landsat-7每隔16日一幅、Landsat-8每隔16日一幅，以及國內自有的Formosat-2每日一幅與Formosat-5每隔2日一幅。 以Python語言為基礎 興創知能開發衛星影像辨識工具 擺脫GISGeographic Information System套裝軟體的侷限，興創知能以Python語言為基礎，整合GDALGeospatial Data Abstraction Library，並考慮運算效率與平行處理，完成所有衛星影像處理與影像辨識建模所需的工具開發，包含座標系統與資料格式的轉換、網格與向量資料互動，以及資料內差與正規化等工具，都是以AI應用為考量進行設計，而部分常用的工具更以TronGisPy為名，打包為開源套件造福技術社群。 興創知能善用團隊對衛星遙測影像的了解，以及透過所蒐集的標記資料作物分佈圖資，預設好影像辨識建模過程，所需的訓練資料規格與資料集定義，套用事先完成的機器學習LightGBM或深度學習CNN框架，並讓整個訓練過程在Web GIS的介面中，提供使用者部分的彈性，自由篩選影像、確認時空範圍、選用模型與超參數調整。除了訓練模型的操作，也提供歷史模型的運用產出辨識結果，最終讓作物分佈的辨識結果展示在Web GIS圖台。 事實上，不僅只是農業才會有衛星遙測的應用需求，隨著各行各業為了提升企業全球性的競爭能力，空間資訊的智慧化應用也大幅度的出現在各種領域之中。舉例而言，擁有大量圖資的測繪業者，能夠透過AI分析雲端服務平台 ，收納圖資的同時也加速數化製圖的效率；在全球氣候劇烈變化與致災性地震風險之下，產業保險類別豐富，農業保險、金融保險或是災害保險，都與空間資訊脫離不了關係，透過遙測影像辨識掌握保險標的早已成為國際趨勢。 巨量遙測空間數據AI分析雲端服務架構