基於智慧手錶和深度學習的車輛PEPS系統設計

Abstract

"隨著感測器技術及相關科技的發展，物聯網正逐步成為車輛產業的一部分。本研究提出以深度學習對智慧手錶的心電圖訊息進行判斷分析之車輛『被動進入、被動啟動』 （Passive Entry Passive Start, PEPS） 系統。由於相關研究亦顯示飲酒對心電圖相關特徵有明顯的影響，故我們發想將智慧手錶作為車輛之智慧鑰匙PEPS系統，以心電圖生物特徵進行身分識別與飲酒偵測，不僅可以取代傳統鑰匙、提高安全性，同時也可以防止酒後駕車問題。由於智慧手錶與傳統醫學心電圖設備等級有差，我們首先驗證前人之研究，實驗顯示深度學習中的長短期記憶模型（Long Short-Term Memory, LSTM）對於智慧手錶心電圖辨識可有91%的準確率，確實較機器學習中的支援向量機（Support Vector Machine, SVM）的84%為佳，但LSTM模型收斂至少要30分鐘以上，雖然實驗顯示在LSTM採用增量式學習方法（Continual Learning, CL）可以使後續訓練時間下降至10分鐘左右，但犧牲了準確程度，無法配合車用系統實際場域應用的需要。故我們提出使用深度學習中的自動編碼器（Auto Encoder），模型訓練可降到5分鐘完成，辨識時再模仿LSTM以連續15個左右的心電圖波形進行群體決策（collective decision），在現有測試集上得到100%的準確率。在效能與效率上同時得到提昇。"