根據世界衛生組織的統計數據指出，平均每六秒就有一人死於中風，其死亡率更在世界十大死因排名第二。儘管沒有死於中風，也可能因為中風所留下的後遺症使得生活毫無品質，因此中風後如何以復健來恢復原本的生活則變得十分重要；但並非每一種復健方式都適用於每位病患，若病患辛苦地復健後仍無法改善狀況，情緒上可能會產生憂鬱症、降低求生慾望，對醫療而言也是希望能將資源用在機會比較大的病患身上，達到最大的使用成效。本研究希望可以藉由人口學特徵中的年齡、中風時間、MMSE、教育程度、性別與各種肢體測試量表的復健前分數來進行分析，進而找出對病患最具成效的復健項目，讓病患可以針對其中幾項做加強訓練。
本研究實驗病患共130名，各做了8種不同的肢體測試量表，其中某些量表將各面向獨立計分，因此每位病患各有13種肢體測試量表的復健前後分數，並擁有每位病患的人口學特徵資訊。我們將所有的病患根據各量表進步指數分為兩個族群，接著用其人口學特徵與肢體測試量表分數做統計學和最近鄰居分類法分析，並建立MLP網路分類器來協助我們判斷往後的病患適不適合進行復健。
經過上述分析，由MLP分類器所預測的結果，根據不同的輸入參數有不同的準確率。本研究得到最佳的預測依據組合為肢體測試量表的復健前分數、年齡、發病時間、SIS hand function，針對ARAT、ABILHAND、SIS ADL、SIS mobility、SIS hand function訓練而成的MLP分類器，其分類精度約為0.684、Kappa Index為0.355、PPV為0.791、NPV為0.560、靈敏度0.678、特異度0.695。

According to World Health Organization, on average, one person died from stroke every six seconds. For people who survive the stroke, their quality of life is often compromised by its after-effects. Rehabilitation is thus a critical part of stroke recovery. However, not all rehabilitation methods are equally suitable for every patient. To maximize the cost-effectiveness of stroke rehabilitation, this study uses five demographic features (age, onset time, MMSE, education level and gender) and a number of scales to predict if the scores of these scales can be improved by rehabilitation.
This study recruits 130 subjects. The conditions before and after the rehabilitation of these stroke patients were evaluated by using eight different scales. Since some of these scales can be divided into several sub-scales, we obtain 13 scale scores for each patient.
For each of the tested scales, depending on whether the score improved or not, patients are divided into success and failure groups. Via statistical tests, nearest neighbor and neural network classification methods, we have built and tested a number of classifiers to distinguish these two group of patients.
Experiment results show that the classification accuracy varies with the features and methods employed for building the classifiers. In predicting the success of a particular scale, the best result of in this study was obtained by using the scores of that scale and SIS hand function before the rehabilitation as well as age and onset time. The resulting accuracy is 0.684, Kappa Index is 0.355, PPV is 0.791, NPV is 0.560, sensitivity is 0.678, and specificity is 0.695.

誌謝 ii
目錄 iii
圖目錄 vi
摘要 ix
Abstract x
第一章 緒論 1
1.1前言 1
1.2研究動機與目的 1
1.3文獻回顧 2
1.4論文架構 2
第二章 相關背景與原理 4
2.1中風 4
2.2中風復健 4
2.3肢體測試量表 5
第三章 工程統計分析 8
3.1 假設檢定(Hypothesis Testing) 8
3.1.1獨立t 檢定(Independent t Test) 9
3.1.2曼-惠特尼U檢定(Mann-Whitney U test) 10
3.2信心區間與信心水準(Confidence Interval and Confidence Level) 11
3.3相關係數(Correlation Coefficient)與斯皮爾曼等級相關係數(Spearman Rank Correlation Coefficients) 11
第四章 類神經網路分析 13
4.1最近鄰居分類器 13
4.1.1 原理 13
4.2類神經網路 14
4.2.1 MLP網路架構 14
4.2.2 Bootstrap Method 15
第五章 分析步驟與方法 17
5.1 資料來源與前處理 17
5.2 統計分析 17
5.2.1 量表相關性 18
5.3 分類效能指標 19
5.4 最近鄰居分類器 21
5.5 MLP分類器 22
第六章 分析結果 24
6.1 統計分析 25
6.1.1 量表之間的相關性 25
6.2 最近鄰居分類器 28
6.3　MLP網路分類器 29
6.3.1 根據統計分析決定預測依據 30
6.3.2 人口學特徵作為訓練參數 32
6.3.3量表復健前的分數作為預測依據 33
第七章 結論與未來展望 40
參考文獻 41
附錄Ⅰ 統計分析 44
附錄Ⅱ 最近鄰居分類器 60
附錄III　肢體測試量表 64

1. Massimo P, Luigi T, Carlyne A, Arturo Z, Jean-Louis T. The ABILHAND Questionnaire as a Measure of Manual Ability in Chronic Stroke Patients: Rasch-Based Validation and Relationship to Upper Limb Impairment. Stroke 2001; 32: 1627-1634.
2. Julie S, Julie M, Laurie RS, Paul WS, Carolyn G. Reliability of the Fugl-Meyer Assessment for Testing Motor Performance in Patients Following Stroke. PHYS THER. 1993; 73: 447-454.
3. Crow JL, Harmeling-van der Wel BC. Hierarchical Properties of the Motor Function Sections of the Fugl-Meyer Assessment Scale for People After Stroke: A Retrospective Study. PHYS THER. 2008; 88:1554-1567.
4. Prabhakaran S, Zarahn E, Riley C, Speizer A, Chong JY, Marshall RS, Lazar RM , Krakauer JW. Inter-individual Variability in the Capacity for Motor Recovery After Ischemic Stroke. Neurorehabil Neural Repair 2008; 22: 64.
5. Hsieh YW, Wu CY, Lin KC, Chang YF, Chen CL, Liu JS. Responsiveness and Validity of Three Outcome Measures of Motor Function After Stroke Rehabilitation. Stroke 2009; 40: 1386-1391.
6. Wolf SL, Catlin PA, Ellis M, Archer AL, Morgan B, Piacentino A. Assessing Wolf Motor Function Test as Outcome Measure for Research in Patients After Stroke. Stroke. 2001; 32: 1635-1639.
7. Parnandi AR. A Framework for Automated Administration of Post Stroke Assessment Test. Science. May 2010.
8. Kuby J. Elementary Statistics (10th Edition). 2007. Cengage Learning.
9. Groebner DF, Shannon PW, Fry PC, Smith KD. Business Statistics: A Decision-Making Approach. 2008. Pearson Education.
10. Haykin S. Neural Networks: A Comprehensive Foundation. 1999. Prentice Hall.
11. 張席熒、謝妤葳、薛漪平、謝清麟，日常生活活動功能量表之四十年回顧，2006，國立台灣大學醫學院職能治療學系。
12. 廖麗君、林昭宏、朱允慧、劉景寬，功能獨立量表訪談是問卷於腦中風病人之信度檢定，2002，高雄醫學大學物理治療學系。
13. 劉栩含、梁佩蓉、王錦滿、林佩欣，影響台灣中風病患三個月生活品質預後的相關因子，2009，長庚大學復健科學研究所。
14. 羅文琪、湯佩芳，簡介傅格-梅爾評估量表及其在中風復健之應用，2000，國立台灣大學物理治療學系暨研究所。
15. 張自強，透過分類器探討中風病人復健後成效之預測因子，2012，長庚大學電機工程研究所博士論文。
16. 陳君薇，慢性中風病患自我效能與家屬態度對於病患執行日常生活能力的相關性，2009，亞洲大學健康暨醫務管理學系碩士論文。
17. 林千琳，腦中風復健病人住院時間長短之相關因子與預測模型，2005，台中健康暨管理學院健康管理研究所碩士論文。
18. 李素，中風復健動作評估量表的心理計量特性分析，2006，高雄醫學大學行為科學研究所碩士論文。
19. 陳佑宗，以虛擬實境為基礎的上肢中風復健之分析與研究，2011，國立中央大學資續工程學系碩士論文。
20. 王人峰，兩階段決策之委員器，2003，國立中山大學機械與機電研究所碩士論文。
21. 李宜容，使用不同組合的腦電圖、眼動圖及肌動圖訊號自動偵測快速動眼睡眠期，2010，國立中山大學機械與機電研究所碩士論文。
22. 嚴志文，最近鄰居型特徵變數萃取法之改良，1999，國立中山大學機械與機電研究所碩士論文。
23. 王元宏，以心電圖訊號檢測睡眠呼吸中止症的類神經網路，2004，國立中山大學機械與機電研究所碩士論文。
24. 楊傑能，一個找尋型態鑑別問題決策邊界區域的新方法，2011，國立中山大學機械與機電研究所碩士論文。
25. 林帝任，以類神經網路區分電腦影像中的前景及背景，1990，國立中山大學機械與機電研究所碩士論文。