### 一、專業實務：關鍵技術與實作歷程

 

本次參賽的專題主題為 FallTempNet，是一套以 60 GHz 毫米波雷達（TI IWR6843AOPEVM）為感測核心的浴室跌倒偵測系統，並以 ACCV 2026 學術會議為投稿目標。從題目的選定到系統的完成，涵蓋了感測器訊號處理、深度學習模型設計、跨環境泛化三個高度複合的技術層面。

 

訊號前處理是整個系統的第一道關卡，也是我花費最多時間驗證與思考的部分。毫米波雷達的點雲資料含有大量雜訊，我設計了三階段前處理管線：CFAR（恆定虛警率）偵測搭配 IQR 離群值過濾，再以 DBSCAN 群聚演算法分離人體點雲與環境干擾，最後對每幀點雲進行正規化並擴增為 7 維特徵（含空間座標、速度、相對位移等物理量）。這套管線的正確性直接決定模型能否收斂，任何一個步驟的參數設定錯誤都會讓訓練集雜訊爆炸，所以收集的過程蠻燒腦又漫長。

 

模型架構的設計是本次最具挑戰性的決策。我設計了平行混合架構（Parallel Hybrid Structure）：PointNet 編碼器對每幀點雲提取空間特徵後，TCN（時序卷積網路）與 GRU（門控循環單元）分支**同時接收相同的時序特徵序列 F**，各自提取局部快速瞬態特徵與長程因果記憶，再串接為 256 維向量送入分類器。這個設計的核心直覺是：跌倒事件在時間維度上具有兩種尺度的訊號——毫秒級的高度驟降與速度峰值，以及秒級的「直立→倒下→落地」狀態轉移，必須由兩個各自獨立的分支同步捕捉，而非序列串接導致前一階段的特徵被後一階段稀釋。

 

最困難的技術挑戰來自跨環境泛化。浴室的幾何形狀、反射材質、感測器架設高度各異，同一套訓練好的模型換到新環境往往準確率崩潰。為此我設計了空間校正模組（Spatial Calibration Module, SCM），以 Kabsch 演算法從點雲序列估算最佳旋轉矩陣 R，消除感測器安裝角度差異，並以第一幀質心為基準進行時序對齊，讓模型學習的是相對運動而非絕對座標。消融實驗結果顯示，移除 SCM 後 LOEO 跨環境測試的 Fall F1 從 0.897 暴跌至 0.511，差距達 43.6 個百分點，充分驗證了這個模組的關鍵性。

 

 

 

 

### 二、增能突破：能力強化與應對挫折的韌性

 

這次比賽最大的成長，在於我比任何人都早確立研究方向，並從一開始就將整個專題當成一篇真實的學術論文來做，而非只是完成報告交差。

 

研究能力的系統化是最顯著的突破。過去我對深度學習的理解停留在模型堆疊，這次從問題定義出發——「浴室跌倒偵測為什麼困難？」「現有毫米波方法為什麼在跨環境失效？」——逆推出每個模組存在的必要性，再用消融實驗數據驗證假設。這種先問「為什麼」再設計「怎麼做」的工程思維，是這次最核心的能力轉型。

 

在面對不確定性的韌性上，比賽當天原本以為簡報是隔天，當場才得知需要立刻上台。長期以來對系統每個細節的深入理解，以及提前累積的大量技術文件，讓我能夠在倉促的狀況下依然清晰地解釋架構設計動機、實驗設計邏輯與關鍵數據，最終獲得評審認可。這讓我意識到：**真正的準備是持續的深度積累，而非臨場的突擊**，面對突發狀況時，平時的扎實基礎才是最可靠的底氣。

 

問題解決的邏輯也在這次過程中得到強化。每當遇到模型訓練異常（如某個 baseline 的準確率跌破隨機基準），我的處理流程是：先蒐集所有可觀測的數據（損失曲線、混淆矩陣、各類別 F1），再提出假設排序，再用最小可驗證的實驗確認根因，最後才修改設計。這套「蒐集→結構化→假設→驗證→修正」的調試思路，讓我在有限的實驗資源下儘可能有效率地收斂到正確答案。

 

 

 

### 三、培力價值：獎助金如何支持這次的增能過程

 

這次學習心得補助的意義，對我而言不僅止於經費層面。研究工作本身需要長期投入，從感測器資料蒐集、GPU 算力消耗到論文資料庫文獻查閱，每一個環節都有實質的時間與資源成本。獎助金的支持降低了我在「要不要繼續投入這個題目」上的猶豫，讓我能夠將精力完全集中在技術與學術品質的提升上，而不是在資源限制中妥協研究深度。

 

更重要的是，這份補助代表學校對學生主動參與競賽、將課堂知識轉化為實作成果的制度性肯定。這種肯定的存在，讓我在專題研究最艱難的時期——引用全面核查發現嚴重錯誤、模型跨環境泛化反覆失敗——依然能保持繼續推進的動力。獎項的肯定固然重要，但補助機制所傳遞的「你做的事情有價值」的訊號，對於一個在學術與工程邊界上嘗試突破的學生而言，同樣是不可或缺的支撐。