尿失禁患者骨盆底肌肉訓練過程中，簡稱kegel運動，患者自行施作時，容易訓練到錯誤的肌肉部位，導致復健效果不彰，望能提出一套改善骨盆底肌肉訓練的療程，使用醫療輔具將復健器材與感測器結合，並透過無線模組將數據傳輸到行動載具上，進行數據的量化、分群與分類，將復健療程延伸至家中，如醫療人員監督復健的情境。
本文著重在如何正確判斷患者施力部位是否正確，望能透過k-Nearest Neighbor Algorithm、k-Nearest Neighbor-weight Algorithm、Regression Analysis、Support Vector Machine進行分類演算法分析並以k-Means演算法進行評估分類正確率與適用性，協助並判斷患者復健施力情況，以達快速提供回饋資訊予患者與醫療人員實現醫學復健，正確地改善療程。

In pelvic floor muscle training(PFMT) of urinary incontinence(UI), patients would train the wrong muscle and come out results. 
In this thesis we proposed a treatment for pelvic floor muscle training through the medical aids, we combine with rehabilitation equipment and sensors. The medical equipment is used for transfer data between the wireless module and mobile device. Moreover, the system executes -the process of quantified data, clustering data and classification for extending the rehabilitation program to patient's’ home, just like medical staffs supervised at patient’s side.
This thesis focuses on how to properly judge the force posture of patients with the k-Nearest Neighbor algorithm, k-Nearest Neighbor-weight algorithm, Regression Analysis and Support Vector Machine. We classify and evaluate the classification accuracy and applicability to help and determine patients’ rehabilitation situation. Furthermore, we provide feedback information quickly to improve the treatment for patients and medical personnel.

目錄
第一章 緒論	1
1.1  研究動機及研究目的	3
1.2  論文架構	5
第二章 相關研究	6
2.1  k-means clustering	6
2.2  k-Nearest Neighbor algorithm	9
2.3  k-Nearest Neighbor Weight algorithm	12
2.4  Regression Analysis	14
2.5  Support Vector Machine	17
第三章 研究內容與方法	19
3.1  系統架構	19
3.2  評估方式k-Means	22
3.3  k-NN演算法	23
3.4  k-NN-Weight 演算法	24
3.5  Regression Analysis	26
3.6  Support Vector Machine	27
第四章 實驗數據	28
4.1  k-Means初始分群	28
4.2  k-NN演算法數據實驗	35
4.3  k-NN-w 演算法數據實驗	38
4.4  Regression Analysis 數據實驗	41
4.5  SVM演算法數據實驗	45
4.6  實驗數據分析	50
第五章 結論與未來方向	54
5.1  結論	54
5.2  結論與未來方向	54
參考文獻	56
附錄—英文論文	58

圖目錄
圖 2-1 k-Means演算法示意圖	7
圖 2-2 k-Means演算法分群與質心移動	8
圖 2-3 k-NN演算法初始化的Training Data分群圖	9
圖 2-4 3-NN演算法用於新資料點分群結果	10
圖 2-5 (a) 3-NN參照圖  (b) 4-NN參照圖	10
圖 2-6 5-NN演算法在某些區塊造成的誤判	11
圖 2-7 (a) 5-NN演算法誤判 (b) 5-NN加入wight後的變化	13
圖 2-8 Regression analysis 示意圖	14
圖 2-9 (a) 兩資料群regression趨勢線  (b) 趨勢線與中垂線	15
圖 2-10 4資料群別取Regression analysis的Idea case。	15
圖 2-11 SVM演算法分群時的幾何邊緣	17
圖 2-12 SVM超平面	18
圖 3-1 系統架構圖	20
圖 3-2 系統流程圖	21
圖 4-1 實驗初始操作界面	28
圖 4-2 Training Data	29
圖 4-3 DATA1各群數據平均分佈的k-Means初始示意圖	30
圖 4-4 DATA1各群數據平均分佈的k-Means分佈圖	30
圖 4-5 DATA2群別4數據線性延伸的k-Means初始示意圖	31
圖 4-6 DATA2群別4數據線性延伸的k-Means分佈圖	31
圖 4-7 DATA3數據各別集中與稀疏的k-Means初始示意圖	32
圖 4-8 DATA3數據各別集中與稀疏的k-Means分佈圖	32
圖 4-9 DATA4各群數據環狀分佈的k-Means初始示意圖	33
圖 4-10 DATA4各群數據環狀分佈的k-Means分佈圖	33
圖 4-11 DATA5混合型分佈的k-Means初始示意圖	34
圖 4-12 DATA5混合型分佈的k-Means分佈圖	34
圖 4-13 DATA1各群數據平均分佈的k-NN分佈圖	35
圖 4-14 DATA2群別4數據線性延伸的k-NN分佈圖	35
圖 4-15 DATA3數據各別集中與稀疏的k-NN分佈圖	36
圖 4-16 DATA4各群數據環狀分佈的k-NN分佈圖	36
圖 4-17 DATA5混合型分佈的k-NN分佈圖	37
圖 4-18 DATA1各群數據平均分佈的k-NN-w分佈圖	38
圖 4-19 DATA2群別4數據線性延伸的k-NN-w分佈圖	38
圖 4-20 DATA3數據各別集中與稀疏的k-NN-w分佈圖	39
圖 4-21 DATA4各群數據環狀分佈的k-NN-w分佈圖	39
圖 4-22 DATA5混合型分佈的k-NN-w分佈圖	40
圖 4-23 DATA1數據平均分佈的Regression Analysis分佈圖	41
圖 4-24 DATA2數據線性延伸的Regression Analysis分佈圖	41
圖 4-25 DATA3數據集中與稀疏的Regression Analysis分佈圖	42
圖 4-26 DATA4數據環狀分佈的Regression Analysis分佈圖	43
圖 4-27 DATA5混合型分佈的Regression Analysis分佈圖	44
圖 4-28 (a) libSVM初始畫面  (b)libSVM輸入格式	45
圖 4-29 (a) libSVM load座標示意 (b)libSVM分群示意	46
圖 4-30 DATA1各群數據平均分佈的SVM演算法分佈圖	47
圖 4-31 DATA2群別4數據線性延伸的SVM演算法分佈圖	47
圖 4-32 DATA3數據各別集中與稀疏的SVM演算法分佈圖	48
圖 4-33 DATA4各群數據環狀分佈的SVM演算法分佈圖	49
圖 4-34 DATA5混合型分佈的SVM演算法分佈圖	49

表目錄
表 3-1 5-NN-w演算法排序	25
表 3-2 5-NN-w 演算法權重計算	25
表 4-1 演算法正確率、標準差比較圖	50
表 4-2 各類演算法時間複雜度與記錄資料一覽表	51

中文部份：
[黃冠中 2007]	黃冠中(2007)，’應用k-ＮＮ演算法之文件分類平台實
作’，第六屆離島資訊技術技術與應用研討會，2007年6月

英文部分：
[Adankon 2011]	Mathias M. Adankon, Member, IEEE, Mohamed Cheriet, Senior Member, IEEE, and Alain Biem, Member, IEEE ‘Semisupervised Learning Using Bayesian
Interpretation: Application to LS-SVM’, IEEE Transactions On Neural Networks, Vol. 22, No. 4, April 2011

[Bagan 2012]	Hasi Bagan, Member, IEEE, Tsuguki Kinoshita, and Yoshiki Yamagata, ‘Combination of AVNIR-2, PALSAR,
and Polarimetric Parameters for Land Cover Classification,’ IEEE Transactions On Geoscience And Remote Sensing, Vol. 50, No. 4, April 2012.

[Falting 1997]	Boi Faltings, Swiss Federal Institute of Technology, ‘Qualitative Models as Indices for Memory-Based Prediction,’ IEEE EXPERT 41-57, 1997.

[Kashanian 2011]	Maryam Kashanian, Shadab Shah Ali, Mitra Nazemi, Shohreh Bahasadri ‘Evaluation of the effect of pelvic floor muscle training (PFMT or Kegel exercise) and assisted pelvic floor muscle training (APFMT) by a resistance device (Kegelmaster device) on the urinary incontinence in women ‘comparison between them: a randomized trial,’, uropean Journal of Obstetrics & Gynecology and Reproductive Biology Volume 159, Issue 1, Pages 218–223, November 2011

[Lin 2011]	Keng-Pei Lin and Ming-Syan Chen, Fellow, IEEE, ‘On the Design and Analysis of the Privacy-Preserving SVM Classifier,’ IEEE Transactions On Knowledge And Data Eenineering, Vol. 23, No. 11, November 2011.

[Lu 2011]	Caimei Lu, Student Member, IEEE, Xiaohua Hu, Senior Member, IEEE, and Jung-ran Park, ‘Exploiting the Social Tagging Network for Web Clustering,’ IEEE Transactions On Systems Man, And Cybernetics—Part A: Systems And Humans, Vol. 41, No. 5, September 2011.

[MacQueen 1967]	J.B MacQueen, “Some methods for classification and analysis of multivariate observations,” Fifth Berkeley Symposium on Mathematics, Statistics and Probability, pp. 281–297, 1967.
[Tarabalka 2010]	Yuliya Tarabalka, Student Member, IEEE, Mathieu Fauvel, Jocelyn Chanussot, Senior Member, IEEE, and Jon Atli Benediktsson, Fellow, IEEE, ‘SVM- and MRF-Based Method for Accurate Classification of Hyperspectral Images,’ IEEE Geoscience And Remote Sensing Letters, Vol. 7, No. 4, October 2010.

[Vladislavleva 2010]	Ekaterina Vladislavleva, Member, IEEE, Guido Smits, and Dick den Hertog,’ On the Importance of Data Balancing for
Symbolic Regression,’ IEEE Transactions On Evolutionary Computation, Vol.14, No.2, April 2010.