「生理訊號工程師」這個職稱聽起來很厲害，但他們到底每天在公司做什麼？這篇文章帶你看一位在車用新創公司工作的生理訊號工程師，他的真實工作日常。
公司在做什麼：用心跳偵測疲勞駕駛
這位工程師所在的新創公司，產品目標是：用駕駛人的生理訊號來判斷他有沒有打瞌睡。
為什麼這件事重要？根據統計，疲勞駕駛是造成重大交通事故的主要原因之一。如果車子能即時偵測到駕駛人開始疲勞，提前發出警告甚至主動減速，就能拯救很多人的生命。
目前市面上偵測疲勞的方式主要有兩種：
- 攝影機偵測：用鏡頭拍駕駛人的臉，分析眨眼頻率、頭部傾斜角度來判斷是否疲勞。缺點是容易受光線、戴墨鏡等干擾。
- 生理訊號偵測：透過感測器擷取駕駛人的心電圖（ECG）、膚電反應（GSR）或壓力訊號，從生理層面直接判斷身體狀態。
這家公司走的是第二條路。他們的核心技術就是：從方向盤上的壓力感測器和心電圖感測器擷取訊號，然後用演算法判斷駕駛人的疲勞程度。
工作內容一：ECG 訊號處理
心電圖的基本原理
心臟每跳一次，心肌細胞會經歷一個「去極化 → 再極化」的電位變化循環。這個循環反映在心電圖上，就是你熟悉的那個 P-QRS-T 波形：
- P 波：心房去極化。心房肌肉收縮，把血液擠到心室裡。
- QRS 波群：心室去極化。這是最大的那個峰，代表心室開始收縮，把血液打出心臟。
- T 波：心室再極化。心室肌肉恢復原本的電位狀態，準備下一次收縮。
每一次心跳就是一組完整的 P-QRS-T。兩個相鄰 R 波之間的時間間隔叫做 R-R interval，它是計算心率和心率變異度（HRV）的基礎。
在車上擷取 ECG 的挑戰
在醫院做心電圖的時候，病人安靜躺著，用導電膠把電極貼在皮膚上，訊號品質很好。但在車上完全是另一回事：
- 動作干擾（Motion Artifact）：駕駛人在轉方向盤、換檔、甚至只是呼吸，身體的動作都會在訊號裡產生巨大的雜訊。
- 接觸不穩定：方向盤上的感測器不像醫院的電極那樣牢牢貼著皮膚，手掌的接觸面積、壓力、汗水量都會影響訊號品質。
- 環境電磁干擾：車上的電子設備、引擎、甚至收音機都會產生電磁雜訊。
所以這位工程師的第一個重要工作就是：想辦法從一堆雜訊中，把真正的心電圖訊號挖出來。
怎麼做？訊號處理的基本流程
-
帶通濾波（Bandpass Filtering）：心電圖的主要頻率集中在 0.5-40 Hz 之間。用帶通濾波器把這個範圍以外的雜訊都濾掉。低於 0.5 Hz 的是基線漂移（Baseline Wander，通常是呼吸造成的），高於 40 Hz 的是肌電干擾和電磁雜訊。
-
陷波濾波（Notch Filter）：台灣的市電頻率是 60 Hz，會在訊號中產生特定的干擾。用陷波濾波器專門消除 60 Hz 的成分。
-
R 波偵測（R-peak Detection）：用演算法自動找出每一個 R 波的位置。最經典的演算法是 Pan-Tompkins Algorithm，它會先對訊號做微分、平方、移動平均等處理，讓 R 波變得更突出，更容易被偵測到。
-
品質評估：不是每一段訊號都可以用的。如果駕駛人手離開方向盤，訊號就斷了；如果雜訊太大，偵測到的 R 波位置不可靠。工程師需要設計一套品質評分系統，自動判斷哪些段落的訊號品質夠好可以用來分析。
工作內容二：疲勞偵測演算法
有了乾淨的心電圖訊號之後，下一步是用它來判斷駕駛人是不是在打瞌睡。
HRV 與自律神經
疲勞偵測的關鍵指標是心率變異度（HRV, Heart Rate Variability）。
你的心跳不是像時鐘一樣完美規律的。假設你的平均心率是每分鐘 72 下，相鄰兩次心跳之間的間隔並不是固定的 833 毫秒，而是在 780-890 毫秒之間微微波動。這個波動就是 HRV。
HRV 的大小受自律神經系統控制：
- 交感神經（戰或逃反應）興奮時：心跳加速、HRV 下降
- 副交感神經（休息與消化）活躍時：心跳較慢、HRV 上升
當一個人開始疲勞想睡覺時，交感神經和副交感神經的平衡會發生變化。透過分析 HRV 的各種指標，可以推測駕駛人目前的疲勞程度。
頻域分析：用 FFT 拆解 HRV
HRV 除了看時域指標（例如連續 R-R interval 的標準差），還可以用**傅立葉轉換（FFT, Fast Fourier Transform）**把 R-R interval 的時間序列轉換到頻域來分析。
在頻域中，HRV 主要分成兩個頻段：
- 低頻（LF, Low Frequency）：0.04-0.15 Hz — 反映交感和副交感的混合調控
- 高頻（HF, High Frequency）：0.15-0.40 Hz — 主要反映副交感神經（跟呼吸有關）
LF/HF 比值常被用來評估自律神經的平衡狀態。疲勞時這個比值通常會發生明顯的變化。
機器學習分類
但只看 LF/HF 一個指標不夠精準。實務上，工程師會從 HRV 中提取大量的特徵（Feature），然後用機器學習模型來做分類：
常用的特徵包括：
- 時域：平均 R-R interval、SDNN（R-R interval 的標準差）、RMSSD（相鄰 R-R interval 差值的均方根）、pNN50（相鄰 R-R interval 差值超過 50ms 的比例）
- 頻域：LF power、HF power、LF/HF ratio、Total power
- 非線性：Sample Entropy（衡量訊號的複雜度）、Poincare Plot 的 SD1/SD2
常用的模型：
- 隨機森林（Random Forest）：適合處理多種特徵，不容易過擬合
- XGBoost：梯度提升樹，在 tabular data 的分類任務上表現通常最好
- CNN（卷積神經網路）：可以直接把原始訊號或頻譜圖丟進去，讓模型自己學特徵
模型驗證的挑戰
在車上做疲勞偵測，模型驗證特別困難。因為你需要有「ground truth」——也就是知道駕駛人到底是不是真的在打瞌睡。
常用的方式包括：
- 用攝影機同步錄影，事後由標註員看影片標記駕駛人是否疲勞
- 用腦波（EEG）作為參考標準，theta 波增加代表疲勞
- 在模擬駕駛環境中做實驗，控制受試者的睡眠時間
每種方式都有它的限制和偏誤，工程師需要綜合多種資訊來源來確保模型的可靠性。
工作內容三：壓力感測器數據
除了心電圖，方向盤上還有壓力感測器。駕駛人握方向盤的力道、握法、手的位置，這些都包含資訊。
疲勞的駕駛人通常會：
- 握方向盤的力道逐漸變小（肌肉放鬆）
- 調整姿勢的頻率改變
- 轉向的動作變得不那麼流暢
這些壓力訊號可以跟心電圖訊號融合在一起，做**多模態（Multimodal）**的疲勞偵測，準確率會比只用單一訊號來得高。
在新創公司工作的感覺
最後聊聊在新創公司工作跟大公司有什麼不同。
優點
- 學得快：因為人少，你不會只負責一小塊。從訊號處理到機器學習到產品整合，全部都要碰。兩年下來，你的技術廣度會比在大公司三年的人還多。
- 有影響力：你寫的程式碼直接變成產品的一部分。不像在大公司裡你可能只是幾百人團隊中的螺絲釘。
- 彈性大：新創公司通常比較沒有官僚體制，你有好的想法可以直接跟老闆提，很快就能測試和實作。
挑戰
- 資源少：沒有大公司那種上百台 GPU 的運算資源，很多事情要想辦法用有限的資源做到。
- 不確定性高：公司可能隨時調整方向，你花了三個月做的東西可能因為策略改變而被放棄。
- 需要自學：沒有完整的培訓體系，遇到問題大部分要自己查資料解決。
適合什麼樣的人？
如果你喜歡同時學很多東西、不怕面對不確定性、享受「從零到一」把產品做出來的成就感，新創公司是一個很好的起步選擇。
但如果你比較喜歡穩定的環境和系統化的學習，大公司或研究機構可能更適合你。
結語
生理訊號工程師的工作，本質上就是在「人體」和「機器」之間建立橋樑。你需要理解人體是怎麼產生這些訊號的（心臟生理學、神經電生理學），也要懂怎麼用工程工具來處理和分析它們（訊號處理、機器學習）。
這不是一個純生物或純工程的工作，而是一個真正需要跨領域整合的職業。如果你對生物和工程都有興趣，這可能是一條值得探索的路。
延伸概念：心電圖 · 雙組分系統 · 基因體不穩定 · 細胞呼吸 · 循環系統 · 變異數分析 · 主成分分析 · Notch途徑 · 心臟生理
