臺北市私立靜心高級中學_愛心獵人Love Hunter TW_醫命勿呼 鼾聲追蹤器
S 看見世界
本專案「醫命勿呼」的發想源自團隊觀察到一位同學在課堂中經常出現響亮的鼾聲。進一步了解後才得知，他罹患阻塞型睡眠呼吸中止症(Obstructive Sleep Apnea, OSA)。這種疾病在睡眠過程中會因為上呼吸道反覆阻塞，導致呼吸暫停或氣流受限，不僅造成睡眠品質下降，也可能引發白天嗜睡、注意力不集中與學習效率低落。更嚴重的是，OSA與多種心血管疾病息息相關，包括高血壓、心律不整、冠心病及中風等，長期下來對健康的危害極大。
研究顯示，打呼的音頻與「喉嚨阻塞區域」之位置具有正相關，臨床上常以VOTE分類法來判斷。當這些部位因結構狹窄或組織鬆弛而造成氣流受阻時，就會在呼吸過程中產生震動聲響。打鼾的來源主要來自鼻腔、口咽、舌頭、軟顎、懸雍垂以及喉部等組織，因氣流通過時摩擦振動所致。不同的阻塞位置會導致聲音強度與音調的差異，因此我們認為可透過分析音頻的頻率與振幅，初步推測打呼發生的位置。這不僅有助於臨床診斷，也為後續治療方向提供參考。
T 創意發想
在日常生活中，許多人其實正面臨「睡眠呼吸中止症」卻渾然不覺。研究表明，不同的打呼聲頻譜可用來判斷是哪個組織在振動，例如：低頻較多的通常與軟顎相關，高頻較多的可能涉及舌根或喉部。我們設計並發放了STOP-Bang問卷調查(包含打鼾、疲倦、呼吸中止、高血壓、BMI、年齡、頸圍及性別等指標)。透過資料蒐集與統計，我們得以初步掌握此疾病在一般族群中的可能分布，並以此作為專案後續研究與提出解決方案的重要依據。
1.問卷調查：我們針對497人的STOP-Bang問卷調查，低、中、高風險各有一定的占比。因此，為了使所有民眾都能在「睡眠呼吸中止症」方面得到需要的幫助，團隊開發的APP包含兩種模式，以符合不同使用者的需求。
透過問卷，我們APP設計將針對低風險與中風險的使用者，進入「一般民眾」模式，作為其長期自我監測工具。針對高風險且已就醫的使用者，APP則進入「病患」模式，計畫日後能與醫療院所合作，透過專屬密碼連接各別醫院的資料庫，讓醫生能於後台分析病患睡覺鼾聲之情況並了解打呼可能發生位置，以輔助後續治療或開刀。
2.競品比較：SNORACKER可視為市面上熱門的睡眠APP(例如：Sleep Cycle、 SnoreLab、SleepScore等)的醫療輔助加強版。與傳統醫療監測設備相比，本專案的開發費用較低，未來病患使用更加便利，且醫療價值與實用性更高，相信能帶來更可靠的研究效果與長期效益。未來若擴及醫療機構合作所需的臨床驗證，則團隊需擴增資金，進行更深入的研究。
經過研究，本專案主要採用Python進行程式編碼，並連動到手機，進行鼾聲錄音與上傳提供醫療院所彙整。未來更希望能連動穿戴裝置，
進行居家檢測。
3.潛能分析與社會影響
在程式研發的過程中，我們必須同時考量多個重要面向，包括醫療價值、教育價值、創新科技價值以及社會價值。我們期望此專案可以促進民眾對自身健康的關注與投入。為了達成此一目標，我們的專案不僅著眼於醫療數據的收集與研究，還特別重視使用者的便利性與低成本，以確保系統能協助更多的使用者，並成為醫生診療的好夥伴。
具體而言，這個專案旨在為使用者提供一個友善的介面，讓病友與醫生能輕鬆地進行健康監測，改善睡眠品質，遠離心血管疾病，醫生可以藉由數據進行鼾聲位置的追蹤，進而協助手術醫療。最後，我們希望能透過APP內建的健康Q&A，增強使用者對健康管理的主動性，並鼓勵他們更深入地瞭解自己的身體狀況。
A 行動實踐
我們透過專科醫生及業界的專家學者的訪談，深入了解相關醫學知識及其應用面。同時經由校內專題老師的指導及學長姊的經驗分享，我們設計訪談問卷，並在資源整合後，用App Inventor 2開發前端使用者App，及用Python建立並訓練AI神經網路模型，建構出可以輔助醫師使用的小型系統。
在訓練模型的過程中，團隊有劃分部分資料作為驗證集，並持續監測模型於不同迭代階段的學習表現，評估是否需調整參數。由上列的訓練的歷程圖可得知，訓練準確率與驗證準確率均於初期迅速提升，隨後趨於穩定，顯示模型能有效掌握資料特徵，且未出現顯著過度擬合的現象。目前本模型具備高準確率與良好穩定性，展現應用於實際判斷之可行性與參考價值。
本專案的切入點應該具有高度的醫療價值，未來若能在數據準確性、法規認證及與醫療體系整合這幾方面再求突破，相信能在市場上建立其獨特的競爭優勢。
G 收穫成長
本團隊透過定期會議進行專案溝通，共同訂定研究方向並即時解決程式開發過程中的問題，並一同與教授學習、與指導老師進行討論。研究內容包含將聲音資料回傳至雲端進行分析與處理，以深化數據解讀與系統優化。我們亦以照片完整記錄團隊合作與研究進行的過程，展現專案執行與團隊協作的成果。
這個專案「醫命勿呼—鼾聲追蹤器」的省思，始於對同學打鼾的觀察，從而深入探討睡眠呼吸中止症的健康風險。我們發現市面上的睡眠APP多半功能單一，難以與醫療體系有效連結，形成數據孤島。為此，團隊設計了一套結合AI聲音辨識與雲端建檔的雙軌模式APP，旨在提供低成本的居家監測工具，並輔助醫師進行精準診斷。
我們意識到，雖然APP能有效收集數據，但使用者回饋顯示，若能將被動監測轉化為主動介入，將更有價值。這促使我們將眼光投向智慧枕頭的整合應用。未來，我們計畫將聲音感測器與手機連動植入枕頭，實現無需手動操作的自動偵測與分析。結合現有智慧枕頭技術，當AI模型判斷有打鼾情形時，枕頭能自動微調頭部位置，幫助暢通呼吸道，減少打鼾發生。這種非侵入式的主動改善方式，能顯著提升用戶體驗與睡眠品質，從根本上解決問題。
展望未來，我們希望這項結合AI與智慧枕頭的創新技術，不僅能建立龐大的睡眠聲學資料庫，推動相關醫學研究，更能將應用範圍擴展至心衰竭、慢性阻塞性肺病等其他呼吸系統疾病的長期監控，開啟以「聲音」為核心的智慧醫療新紀元。我們相信，透過科技輔助與醫病偕行，能有效提高大眾健康意識，並為精準醫療開創更多可能性。