在這篇研究中，我們模擬老人獨自生活，老人一個在家可能有意外發生，希望在意外發生的時候，可以在最短時間內通知其他人。在本實驗利用RFID設計一套系統來收集老人行為資料，在老人的居家環境裡面放上許多RFID Tag，RFID Tag擺的位置是老人平常可能活動的範圍，並且讓老人攜帶具有RFID Reader的PDA，由RFID Reader讀取RFID Tag的訊號，由於每一個RFID Tag距離不同而産生不同的訊號強弱值(RSSI 範圍:0~255)，我們希望由這個RFID系統記錄老人平常移動狀況和行為模式，藉由記錄的RSSI值來判斷老人是否有異常行為發生。一開始並不知道何謂正常的行為資料，首先必須記錄老人平常的行為，利用平常收集行為資料用Fuzzy C-Means來做學習，利用Fuzzy C-Means的方法來建立正常行為的模型，建立好正常行為模式後可以判定後來的行為是否屬於異常，在實驗中我們模擬老人可能出現的異常行為當作異常資料，並且定義警報條件將判斷為異常資料點做判斷，使系統可以在正確的時間發出警報，最後利用不同的異常資料的結果證明Fuzzy C-Means的方法判斷異常行為是有效率的，雖然有些行為並沒有有效的判斷出來，但是大部份的異常行為判斷的時間點是好的，最後未來還可以利用其它方法對行為偵測的部份做改進，提升這套系統判斷的準確率。

In our research, we consider the elderly who lives alone. The elderly may involve with an accident. We hope to discover the accident in time. In this paper, we design an intelligent system that uses ten RFID tags deploying in the home environment. The elderly carries a PDA with an RFID reader that receives RSSI values of the RFID tags. We record movement of the elderly by RSSI values every day. First, the intelligent system needs to record movement data for about two weeks. The movement data are trained as normal patterns by Fuzzy C-Means. If a test data sequence is not part of normal movements, it is treat as abnormal. Secondly, we develop an alarm system that is used to determine the right time to send an alarm. Finally, we simulate some possible abnormal behaviors of the elderly. The experimental results show that the intelligent system can detect anomaly as expected.

第一章	緒論	1
1.1	研究背景	1
1.2	研究動機與目的	2
1.3	論文架構	4
第二章	相關研究探討	6
2.1	RFID介紹	6
2.2	群聚分析	8
2.2.1	K-Means Clustering	9
2.2.2	Fuzzy C-Means Clustering	12
2.3	異常行為偵測	16
第三章	行為模式建立與異常行為偵測	19
3.1	測試環境及設備	19
3.2	資料收集及前處理	20
3.3	行為模式建立與分析	24
3.4	警報條件定義	29
第四章	系統實作與實驗結果	32
4.1	開發環境	32
4.2	系統介面及操作	33
4.3	實驗結果分析	39
第五章	結論與未來展望	61
5.1	結論	61
5.2	未來展望	62
參考文獻	63
附錄 英文論文	66

圖目錄
圖 1、K-MEANS流程圖	11
圖 2、FUZZY C-MEANS流程圖	15
圖 3、測試環境和RFID TAG擺放的位置	20
圖 4、每1秒收到的10個TAG的訊號	21
圖 5、取出10個TAG的RSSI值	21
圖 6、處理有一個值為0的情況	22
圖 7、將5秒資料壓縮成一筆	23
圖 8、將6筆資料合併成1筆資料，這筆資料代表30秒	24
圖 9、異常行為偵測流程圖	34
圖 10、FUZZY C-MEANS介面	36
圖 11、測試介面	37
圖 12、長時間異常介面	39
圖 13、正常行為資料	40
圖 14、利用方法一判斷第一筆資料的結果	42
圖 15、利用方法二判斷第一筆資料的結果	43
圖 16、第二筆資料發生意外的地方	43
圖 17、利用方法一判斷第二筆資料的結果	44
圖 18、利用方法二判斷第二筆資料的結果	45
圖 19、利用方法一判斷第三筆資料的結果	46
圖 20、利用方法二判斷第三筆資料的結果	47
圖 21、利用方法一判斷第四筆資料的結果	48
圖 22、利用方法二判斷第四筆資料的結果	48
圖 23、利用方法一判斷第五筆資料的結果	50
圖 24、利用方法二判斷第五筆資料的結果	51
圖 25、第六筆資料發出意外的地方	51
圖 26、利用方法一判斷第六筆資料的結果	52
圖 27、利用方法二判斷第六筆資料的結果	53
圖 28、利用方法一判斷第七筆資料的結果	54
圖 29、利用方法二判斷第七筆資料的結果	55
圖 30、利用方法一判斷第八筆資料的結果	56
圖 31、利用方法二判斷第八筆資料的結果	57
圖 32、第一筆長時間異常判斷出現和平常不一樣的行為	58
圖 33、第二筆長時間異常判斷出現和平常不一樣的行為	59
圖 34、第三筆長時間異常判斷出現和平常不一樣的行為	60

表目錄
表 1、扶養比以及老化指數	2
表 2、常見的RFID應用	7
表 3、八組不同的異常測試資料	40
表 4、長時間異常行為	57

[1] 陳啟煌,  RFID原理與應用, 2007, http://www.cc.ntu.edu.tw/chinese/epaper/0002/20070920_2005.htm
[2] RFID Journal, http://www.rfidjournal.com/
[3] 台北捷運悠遊卡, http://www.trtc.com.tw/
[4] 高雄捷運一卡通, http://www.krtco.com.tw/
[5] Z. Li, J. Yuan, H. Yang, "Analysis distances for similarity estimation by Fuzzy C-Mean algorithm," in Proc. Machine Learning and Cybernetics, 2009 International Conference, vol. 1, pp.582 – 587, 2009
[6] H. Chen, G. Guo, Y. Huang, T. Huang, "A Spatial Overlapping Based Similarity Measure Applied to Hierarchical Clustering," in Proc. Fuzzy Systems and Knowledge Discovery, 2008 Fifth International Conference,  FSKD '08, vol. 2, pp.371-375, 2008 
[7]E. Alpaydin, "Introduction to Machine Learning," Chapter7, The MIT Press., 2004
[8] X. Li, J. Yang, Q. Wang, J. Fan, P. Liu, "Research and Application of Improved K-Means Algorithm Based on Fuzzy Feature Selection," in Proc. Fuzzy Systems and Knowledge Discovery, 2008 Fifth International Conference, FSKD '08, vol. 1, pp.401-405,, 2008
[9] J. C. Bezdek, "Pattern recognition with fuzzy objective function algorithm," New York:Plenum, 1981
[10] M. S. Baghshah, S. B. Shouraki, "A fuzzy clustering algorithm for finding arbitrary shaped clusters," in Proc. Computer Systems and Applications, 2008 IEEE/ACS International Conference, AICCSA 2008, pp.559-566, 2008
[11] D. Wang, D. S. Yeung, E. C. C. Tsang, "Structured One-Class Classification," IEEE Trans. Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 36, no. 6, pp. 1283 – 1295, 2006
[12] H. Seki, "Fuzzy Inference Based Non-Daily Behavior Pattern Detection for Elderly People Monitoring System," in Proc. Engineering in Medicine and Biology Society, Annual International Conference of the IEEE, EMBC 2009, pp. 6187 – 6192, 2009
[13] M.S. Lee, J.G. Lim, K.R. Park, D.S. Kwon, "Unsupervised Clustering for Abnormality Detection Based on the Tri-axial Accelerometer," in Proc. ICCAS-SICE 2009, pp. 134 – 137, 2009
[14] P. C. Chung, C. D. Liu, "A Daily Behavior Enabled Hidden Markov Model for Human Behavior Understanding," Elsevier Trans. Pattern Recognition, vol. 41, no. 5, pp. 1572-1580, 2008
[15] H. H. Hsu, Z. Cheng, T. K. Shih, and C. C. Chen, "RFID-Based Human Behavior Modeling and Anomaly Detection for Elderly Care," in Proc. Symposia and Workshops on Ubiquitous, Autonomic and Trusted Computing , UIC-ATC 2009, pp. 350-355, 2009
[16] 許輝煌, 陳建丞, "使用RFID與機器學習技術於獨自在家老人的異常行為偵測," 淡江大學資訊工程學系, 2009