投稿分類 其他

主委發表種類: 壁報

投稿標題(中): 開發以深度學習為基礎之智慧型手部衛生品質評估系統

投稿標題(英): Development of a Deep Learning-Based Intelligent System for Hand Hygiene Quality Assessment

投稿摘要(前言): 本研究旨在開發並驗證一套結合深度學習（Deep Learning, DL）與手勢偵測技術的智慧型手部衛生品質評估系統。透過自動化辨識標準洗手動作（內、外、夾、弓、大、立、腕）並定量評估其清潔效能，解決傳統人工稽核之局限性與觀察者偏差（Observer Bias），進而提升醫護人員手部衛生遵從率，降低醫療照護相關感染（Healthcare-associated Infection, HAI）之風險。

投稿摘要(方法): 本研究由中區某區域醫院感染管制團隊與靜宜大學資訊工程學系合作執行，研究設計如下：1.影像資料集與標記： 招募 100 位醫護人員作為受試者。採用高解析度鏡頭於洗手台擷取標準洗手影片，並利用人工標記每個動作的起訖時間，建構每 0.1 秒一張連續影像的高精細度資料集。2.技術架構核心技術：手部偵測： 比較 YOLOv8 與 YOLOv9 模型進行手部邊界框（Bounding Box）定位。關鍵點擷取： 利用 MediaPipe 偵測左右手共 42 個關鍵點，分析手指間的空間維度關係。品質評分： 定義時空間規則（Spatio-temporal Rules），計算關鍵清洗點（如指尖、大拇指）與目標清洗面之間的距離與角度變化規律。3.細菌培養驗證： 採集 400 組洗手前後之菌落數據。由檢驗中心計算菌落形成單位（Colony Forming Units, CFU）之減少量，以生物學指標驗證系統得分之準確性。4.實驗變因測試： 系統性測試 0° 至 90° 拍攝角度及不同高度對辨識效能之影響。

投稿摘要(結果): 1.視角優化與效能： 研究發現 0° 視角易產生嚴重遮擋。為提升正確性，系統最終採用 67.5° 與 -67.5° 之雙攝影鏡頭配置。在此配置下，系統整體辨識準確度提升至 0.96，F1 分數（F1-score）達 0.94，精確率與召回率均優於 0.92。2.臨床一致性： 實驗數據顯示，系統評分為「優良」之受試者，其洗手後細菌減少率顯著優於評分較低組別（p ＜ 0.05），證實 AI 評分能有效反映實際生物清潔度。3.文獻比較與優勢： 與現有文獻中僅依賴 RFID 監測頻次或使用紅外線感應之系統相比，本系統能精確辨識「立（指尖）」與「腕（手腕）」等易被忽略的細微部位，且硬體成本低於昂貴的深度相機方案。

投稿摘要(討論): 文獻指出 AI 於感染管制的應用已成趨勢（如 Pittet et al., 2009）。然而，多數影像辨識研究受限於洗手時兩手互相遮擋（Self-occlusion）。本研究透過多角度影像融合技術與 YOLO 系列模型的優化，成功克服了動態遮擋問題。本系統不僅消除了人工觀察誤差，更提供了可量化的數據。本研究開發之智慧評估系統可顯著提升洗手動作辨識之效能，且評估結果與細菌培養指標具備高度一致性。建議未來將此 AI 即時回饋機制導入臨床診間與護理站，並擴展其他院區實測，為感染管制領域建立更嚴謹的自動化監控與公共衛生教育系統。

稿件檔: