這些年環境變遷，使得人類對於生活周遭領域與工作環境品質更加重
視，在那些適合人類生存及工作中卻潛藏著危險分子，人類往往忽視掉
空氣中這些對人體有害的物質而導致身體狀況發生問題。例如：溫濕
度、二氧化碳、等有害氣體。這些往往過於渺小不受到注意，長久以來
對固定於同一地方生活或工作的人體終將造成極大的傷害。因此需要這
個研究宗旨來輔助人類在生活與工作環境中檢測存在的空間中是否存
在有害物質，並採樣送檢分析改善生活與工作環境達成讓人類在一個非
潛藏危機的生活工作空間生存，讓人類可以在舒適的環境下生活與工
作。
該研究以Arduino 開發版為主體組成，透過WIFI 把數據傳送到雲端
資料庫，並且結合心電圖心跳帶來偵測人類在工作環境下的心跳狀況，
達到在居家或工作場所做二十四小時的即時監測，再透過改善室內空間
的流場來降低室內對人體有害的物質，讓人類的生活品質與工作品質達
到最完美的狀態。
因生活與工業衛生安全意識覺醒，此研究可以促進人類在生活與工作
環境感測來預防或是改變潛在危險分子達到避免基因的病變或是疾病
的衍生，且可利用之範圍廣闊不侷限在人所生活的空間當中，可導入至
工廠或是其他有害物質場所。在於高危險工作環境中可以透過設備代替
人先行做危險性的前置分析與偵測，達到全評估或是環境改進使得進到
該環境中的參予者沒有安全顧慮。

Over the years, the environmental changes have made humans pay more
attention to the quality of life and work environment. There are hidden
dangers in those who are suitable for human survival and work. For example:
temperature, humidity, carbon dioxide, and other harmful gases. These are
often too negligible to be noticed. It will eventually cause great harm to
people who live or work in the same place. Therefore, this research goal is
needed to assist humans in detecting the presence of harmful substances in
the living and working environment. Sample sampling and analysis are also
needed to improve the living and working environment. Let humans live in a
non-hidden living space, and allow humans to live and work in a comfortable
environment.
This study consists of an Arduino development version. It transmits data
to the cloud database through WIFI, and uses the ECG heartbeat to detect human
heartbeat conditions in the work environment. It enables 24-hour on-the-spot
monitoring at home or workplace. Through the improvement of the flow field
in the indoor space, it will reduce the harmful substances in the human body,
so that the quality of human life and work quality can reach the most perfect
state.
Due to the awakening of life and industrial hygiene safety consciousness,
this research can promote humans to prevent or change potential dangerous
molecules in life and work environment to avoid genetic diseases or
derivatives of diseases, and the scope of available resources is not limited
to human life. The space can be imported into factories or other hazardous
substances. In a high-risk work environment, it is possible to perform dangerous pre-analysis and detection in advance of devices instead of humans, and to achieve full assessment or enviromental improvement so that participants who enter the environment do not have security concerns.

致謝 ...................................... I
中文摘要 ................................. II
ABSTRACT ................................ III
目錄 ..................................... V
圖目錄 .................................. VIII
第一章 緒論 .............................. 1
1.1 研究動機 ............................. 1
1.2 研究目的 ............................. 1
1.3 文獻回顧 ............................. 2
第二章 研究背景 ........................... 7
2.1 ECG(心電圖) .......................... 7
2.2 HRV 簡介 ............................. 8
2.2.1 SDNN ............................... 8
2.2.2 HF、LF ............................. 9
第三章 研究方法 ........................... 10
3.1 系統架構 .............................. 10
3.2 硬體設備介紹 .......................... 11
3.2.1 Arduino D1 ......................... 11
3.2.2 穿戴心跳設備 ........................ 12
3.2.3 羅技Logitech C107 視訊攝影機WebCam ........ 12
3.2.4 DHT22 溫溼度模組......................... 13
3.2.5 MG811 CO2 二氧化碳感測器模組 ..............14
3.2.6 PM2.5 灰塵感測模組 .......................15
3.2.7 環境智慧感測遙控車 ........................16
3.2.8 ESP8266 WiFi 模組 ........................16
3.3 資料傳輸方法 ............................... 16
3.3.1 Arduino D1 .............................. 17
3.3.2 伺服器架構 ............................... 17
3.4 資料接收 ................................... 18
3.4.1 資料庫 ................................... 18
3.4.2 ECG 訊號感測模組 ......................... 18
3.5 資料顯示 ................................... 20
3.6 系統流程圖 ................................. 21
第四章 研究結果與比較 ........................... 22
4.1 研究方法PM2.5、ECG ......................... 22
4.1.1 受測環境廚房-K............................ 23
4.1.1.1 受測環境廚房-K 結果 .................... 24
4.1.2 受測環境實驗室-L1 ........................ 25
4.1.2.1 受測環境實驗室-L1 結果 ................. 27
4.2 研究方法CO2、ECG ........................... 36
4.2.1 受測環境教室-C ........................... 37
4.2.1.1 受測環境教室-C 結果 .................... 38
4.2.2 受測環境實驗室-L2 ........................ 49
4.2.2.1 受測環境實驗室-L2 結果 ................. 50
第五章 結論與未來展望 .......................... 55
5.1 結論 ...................................... 55
5.2 未來展望 .................................. 56
參考文獻 ...................................... 57

圖目錄
圖 1.1 無線通訊測試圖 .......................... 2
圖 1.2 用於C02WSN 傳感器 ....................... 3
圖 1.3 用於白天的二氧化碳變化曲線 ............... 3
圖 1.4 溫度和濕度變化曲線 ...................... 4
圖 1.5 低頻與高頻（LF / HF）比率的變化 .......... 4
圖 1.6 在舒適和不舒適水平(LF / HF）比率 ......... 5
圖 1.7 EDR 在舒適水平(LF / HF）比率 ............ 5
圖 1.8 所有受測者的VLF 的均值，平均RR 和HRV 指數 ..... 6
圖 2.1 心電圖 (維基百科)[5] .................... 7
圖 3.1 系統架構圖 ............................. 10
圖 3.2 Arduino D1 開發版 ...................... 11
圖 3.3 Arduino D1 角位圖[6] ................... 11
圖 3.4 BeneGear Inc. ECG125 ................... 12
圖 3.5 心跳帶 ................................. 12
圖 3.6 羅技 Logitech C170 視訊攝影機 ........... 13
圖 3.7 DHT22 溫溼度模組 ........................ 13
圖 3.8 DHT22 溫溼度模組腳位圖[7] ................ 14
圖 3.9 MG811 CO2 二氧化碳感測器模組 ............. 14
圖 3.10 MG811 CO2 腳位圖 ....................... 15
圖 3.11 PM2.5 灰塵感測模組 ..................... 15
圖 3.12 環境智慧感測遙控車 ...................... 16
圖 3.13 ESP8266WiFi 模組 ....................... 16
圖 3.14 Arduino 資料傳輸架構圖 .................. 17
圖 3.15 雲端資料庫 .............................. 17
圖 3.16 MySQL 資料架構圖 ........................ 18
圖 3.17 BeneGear HRM 觀察ECG 訊號模式 ........... 19
圖 3.18 BeneGear HRM ECG 資料輸出檔 ............. 19
圖 3.19 網頁介面 ................................ 20
圖 3.20 系統流程圖 .............................. 21
圖 4.1 廚房-K ................................... 22
圖 4.2 實驗室-L1 ................................ 22
圖 4.3 裝置遠照-K ............................... 23
圖 4.4 裝置近照-K ............................... 24
圖 4.5 環境-K 受測者1 HRV 與溫溼度 ............... 24
圖 4.6 環境-K 受測者1 HRV 與PM2.5 ................ 25
圖 4.7 環境-K 受測者1 心電圖 ..................... 25
圖 4.8 受測環境實驗室-L1 ......................... 26
圖 4.9 裝置遠照-L1 ............................... 26
圖 4.10 裝置近照-L1 .............................. 27
圖 4.11 環境-L1 受測者1 HRV 與溫濕度 .............. 27
圖 4.12 環境-L1 受測者1 HRV 與PM2.5 ............... 28
圖 4.13 環境-L1 受測者1 心電圖 .................... 28
圖 4.14 環境-L1 受測者2 HRV 與溫溼度 ............... 29
圖 4.15 環境-L1 受測者2 HRV 與PM2.5 ................ 29
圖 4.16 環境-L1 受測者2 心電圖 ..................... 30
圖 4.17 環境-L1 受測者3 HRV 與溫溼度 ............... 30
圖 4.18 環境-L1 受測者3 HRV 與PM2.5 ................ 31
圖 4.19 環境-L1 受測者3 心電圖 ...................... 31
圖 4.20 環境-L1 受測者4 HRV 與溫溼度 ................ 32
圖 4.21 環境-L1 受測者4 HRV 與PM2.5 ................. 32
圖 4.22 環境-L1 受測者4 心電圖 ........................33
圖 4.23 環境-L1 受測者5 HRV 與溫溼度 .................. 33
圖 4.24 環境-L1 受測者5 HRV 與PM2.5 .................. 34
圖 4.25 環境-L1 受測者5 心電圖 ....................... 34
圖 4.26 環境-L1 二氧化碳濃度最高時各受測者心電圖 ....... 35
圖 4.27 環境-L1 各受測者SDNN ......................... 35
圖 4.28 環境-L1 各受測者LF/HF ........................ 36
圖 4.29 教室-C ....................................... 36
圖 4.30 實驗室-L2 ................................... 37
圖 4.31 儀器遠照圖-C ................................. 37
圖 4.32 儀器近照圖-C ................................. 38
圖 4.33 對流風扇位置圖-C .............................. 38
圖 4.34 環境C 二氧化碳變化圖 ........................... 39
圖 4.35 環境-C 受測者1 HRV 與溫濕度 .................... 39
圖 4.36 環境-C 受測者1 HRV 與二氧化碳................... 40
圖 4.37 環境-C 受測者1 心跳圖 ......................... 40
圖 4.38 環境-C 受測者2 HRV 與溫濕度 .................... 41
圖 4.39 環境-C 受測者2 HRV 與二氧化碳................... 41
圖 4.40 環境-C 受測者2 心跳圖 ......................... 42
圖 4.41 環境-C 受測者3 HRV 與溫濕度 .................... 42
圖 4.42 環境-C 受測者3 HRV 與二氧化碳.................. 43
圖 4.43 環境-C 受測者3 心跳圖 ......................... 43
圖 4.44 環境-C 受測者4 HRV 與溫濕度 .................... 44
圖 4.45 環境-C 受測者4 HRV 與二氧化碳................... 44
圖 4.46 環境-C 受測者4 心跳圖 ......................... 45
圖 4.47 環境-C 受測者5 HRV 與溫濕度 .................... 45
圖 4.48 環境-C 受測者5 HRV 與二氧化碳................... 46
圖 4.49 環境-C 受測者5 心跳圖 ......................... 46
圖 4.50 環境-C 受測者6 HRV 與溫濕度 .................... 47
圖 4.51 環境-C 受測者6 HRV 與二氧化碳................... 47
圖 4.52 環境-C 受測者6 心跳圖 ......................... 48
圖 4.53 環境-C 各受測者心跳圖 .......................... 48
圖 4.54 環境-C 各受測者SDNN ........................... 49
圖 4.55 環境-C 各受測者LF/HF .......................... 49
圖 4.56 測式環境-L2 情境 .............................. 50
圖 4.57 環境受測者1 HRV 與溫溼度 ....................... 50
圖 4.58 環境受測者1 HRV 與二氧化碳 ..................... 51
圖 4.59 環境受測者1 HRV 與心電圖 ....................... 51
圖 4.60 環境受測者2 HRV 與溫溼度 ....................... 52
圖 4.61 環境-L2 受測者2 HRV 與二氧化碳 ................. 52
圖 4.62 環境-L2 受測者2 心電圖 ........................ 53
圖 4.63 環境-L2 各受測者SDNN .......................... 53
圖 4.64 環境-L2 各受測者LF/HF ......................... 54

[1]. Gupta, Gourab Sen, and Vu Minh Quan. "Multi-sensor integrated
system for wireless monitoring of greenhouse environment." Sensors
Applications Symposium (SAS), 2018 IEEE. IEEE, 2018.
[2]. Molka-Danielsen, Judith, et al. "Big Data Analytics for Air Quality
Monitoring at a Logistics Shipping Base via Autonomous Wireless
Sensor Network Technologies." Enterprise Systems (ES), 2017 5th
International Conference on. IEEE, 2017.
[3]. Liu, Weiwei, Zhiwei Lian, and Yuanmou Liu. "Heart rate variability at
different thermal comfort levels." European journal of applied
physiology 103.3 (2008): 361-366.
[4]. Nkurikiyeyezu, Kizito N., et al. "Heart rate variability as an indicator of
thermal comfort state." Society of Instrument and Control Engineers of
Japan (SICE), 2017 56th Annual Conference of the. IEEE, 2017.
[5]. 維基百科，心電圖，
https://zh.wikipedia.org/wiki/%E5%BF%83%E7%94%B5%E5%9B%
BE
[6]. 小狐狸事務所，
http://yhhuang1966.blogspot.com/2017/07/wemos-d1-mini.html
[7]. Biswas, Abdur Rahim, and Raffaele Giaffreda. "IoT and cloud
convergence: Opportunities and challenges." 2014 IEEE World Forum
on Internet of Things (WF-IoT). IEEE, 2014.
58
[8]. 微控制器科技，
http://goods.ruten.com.tw/item/show?21402021987624
[9]. Yener, Suayb Cagri, and Resat Mutlu. "A microcontroller-based ECG
signal generator design utilizing microcontroller PWM output and
experimental ECG data." 2018 Electric Electronics, Computer Science,
Biomedical Engineerings' Meeting (EBBT). IEEE, 2018.
[10]. San-Um,Wimol, Chakrapan Potiwanna, and Siriaksorn Jakborvornphan.
"Characterizations of critical heart disease in ECG signal features
through recurrence plots as for medical imaging diagnostics." 2018 5th
International Conference on Business and Industrial Research (ICBIR).
IEEE, 2018.
[11]. Sanamdikar, S. T., S. T. Hamde, and V. G. Asutkar. "Extraction of
different features of ECG signal for detection of cardiac arrhythmias by
using wavelet transformation Db 6." 2017 International Conference on
Energy, Communication, Data Analytics and Soft Computing
(ICECDS). IEEE, 2017.
[12]. Smruthy, A., and M. Suchetha. "Real-time classification of healthy and
apnea subjects using ECG signals with variational mode
decomposition." IEEE Sensors Journal 17.10 (2017): 3092-3099.
[13]. Awasarmol, Sumedha P., Shweta Ashtekar, and Amruta Chintawar.
"Securely data hiding and transmission in an ECG signal using
DWT." 2017 International Conference on Energy, Communication,
59
Data Analytics and Soft Computing (ICECDS). IEEE, 2017.
[14]. Morelli, Davide, et al. "Profiling the propagation of error from PPG to
HRV features in a wearable physiological-monitoring
device." Healthcare technology letters 5.2 (2017): 59-64.
[15]. Feng, Yufan, et al. "A universal implementation of cardiovascular
disease surveillance based on HRV." Semiconductor Technology
International Conference (CSTIC), 2018 China. IEEE, 2018.
[16]. Jarchi, Delaram, et al. "Estimation of HRV and SpO2 from Wrist-Worn
Commercial Sensors for Clinical Settings." Heart 50.100 (2018): 150.
[17]. Malik, Anshul, and R. K. Sharma. "Detection of heart conditions using
HRV processor in Matlab simulink." Trends in Electronics and
Informatics (ICEI), 2017 International Conference on. IEEE, 2017.
[18]. Wu, Dai-Zong, et al. "System integration of LOMB HRV analysis using
PPG sensor based on LoRaWAN IOT." System Integration (SII), 2017
IEEE/SICE International Symposium on. IEEE, 2017.
[19]. Ö zcan, Nermin, and Mehmet Kuntalp. "Determining best HRV indices
for PAF screening using genetic algorithm." Electrical and Electronics
Engineering (ELECO), 2017 10th International Conference on. IEEE,
2017.
[20]. Tomasic, I., et al. "Enabling IoT based monitoring of patients’
environmental parameters: experiences from using OpenMote with
OpenWSN and Contiki-NG."