式麥克風的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

聲學原理與噪音量測控制(第五版)

為了解決式麥克風的問題，作者蔡國隆,王光賢,涂聰賢 這樣論述：

　　本書內文細微的噪音原理到大型航空飛行客機的聲學原理皆一一詳述，詳盡敘述在任何不同的環境之下所產生的不同聲音反應。本書內文詳細敘述外還內含ISO專業認證標準規格，此書以非同市面上所有之書籍撰寫知識亦希望能提供讀者詳細內容，以豐富其專業知識。 本書特色 　　1.本書以簡而易懂的專業敘述方式撰寫，希望使用此書之讀者能輕鬆學習最專業的專業知識。 　　2.此書以日常生活中相關的聲學做比較，希望讀者能輕鬆易懂幫助學習。 　　3.內含專業音量規格表外還包括ISO音量標準規格表，除希望讀者能完整吸收專業知識外，更能了解課本以外的新知豐富其知識內含。 　　4.適用於大學、科大之機械、

環保工程、汽車、車輛相關科系「聲學原理」課程使用以及對此課程有興趣者。

式麥克風進入發燒排行的影片

設計及製作可攜式聲學系統於分析肺部生理訊號

為了解決式麥克風的問題，作者王淙楙 這樣論述：

在傳統的胸部聽診診斷當中，無論是心音診斷、或是肺音診斷，都相當取決於臨床醫生的經驗和判斷，對於在分別不同的症狀時並沒有一個客觀且可以量化的標準，為了減少聽診的主觀不確定性，透過將聽診時的訊號儲存並影像化，更可以透過機器學習分類具有相同特徵的病人，本研究提出了一款可攜式的電子聽診器，可用於紀錄、儲存和分析心臟和肺部等生理訊號，採用人工智能、改進培訓聽診等方法、將聽診狀況系統化，輔助臨床醫生正確的識別患者的情況並給出適合的幫助。 本系統架構由三大部分組成，第一部分是數位控制電路，由類比數位轉換器(Analog-to-Digital Convertor, ADC)、微控制器單元(Microcon

troller unit, MCU)及電源管理(Power management)組成。第二部分是量測生理訊號的類比電路，由帶通濾波器濾除非生理訊號頻帶內的雜訊，配合一顆全指向性的電容式麥克風和自製拾音頭，再利用序列周邊介面(Serial Peripheral Interface Bus, SPI)與外掛安全數位卡模組(Secure Digital Memory Card, SD Card)以6.4kHz的取樣率儲存原始訊號，將資料傳送到電腦後，搭配Python、Matlab做解碼、計算和分析等處理。第三部分是手機APP，在聽診的同時，透過通用非同步收發傳輸器(Universal Asynch

ronous Receiver/Transmitter, UART)及藍芽(Bluetooth Low Energy, BLE)，將訊號即時同步顯示到手機端。由於手機端的即時監測帶來的許多優點，超低功耗、體積較小、便於攜帶操作等優點，未來再應用層面可普及到小型醫療機構或是居家檢測，在目前疫情嚴峻的時期，更可利用雲端的功能實現遠端醫療。

工程聲學(第八版)

為了解決式麥克風的問題，作者白明憲  這樣論述：

　　「聲學」是指聲音的科學，泛指一切有關聲音的學問，本書作者有感於現今的社會裡聲學的應用重要性與日俱增，學術界與產業界對聲學相關課程需求日殷，但國內中文的聲學教材卻非常稀少，因此將自己十餘年的教學與研究經驗及課堂上的講義編著成書，希望對國內聲學教育盡綿薄之力。本書主旨在：1.提供學者及業界聲學的入門中文教材。2.建立初學者對聲學理論廣泛的基本觀念。3.介紹與聲學相關的各種應用。4.介紹主動式噪音控制的新科技。讀者在讀完本書後可輕鬆地建立對聲學的理論架構何實務基礎。 本書特色 　　1. 提供學界及業界聲學的入門中文教材。 　　2. 建立初學者對聲學理論的基本概念。 　　3

. 介紹與聲學相關的各種應用。 　　4. 介紹主動式噪音控制的新技巧。 　　5. 使讀者輕鬆地建立對聲學的理論架構和實務基礎入門。

以卷積與遞迴神經網路於打鼾聲的音頻特徵學習之研究

為了解決式麥克風的問題，作者蕭宗朋 這樣論述：

睡眠呼吸中止症（Sleep Apnea Syndrome）是人們睡眠時所發生的一種無意識之呼吸停止疾病，特徵為呼吸停頓與睡眠中斷交替出現，打鼾則是患者最常見的症狀之一，常會影響患者的生活品質，嚴重甚至會引發其他併發症，產生龐大的社會醫療成本。現今的醫療診斷標準為多導睡眠記錄（Ploysomnography, PSG），患者需在睡眠檢測中心睡上一晚且配合專業的監測人員進行數據測量，最後將報告送至醫師判定。整個檢測的流程較為複雜耗時且睡眠檢測時需在身上各部位貼上感應裝置，部分患者會有不易入睡的情形發生，影響整個檢測的準確度。故本研究透過智慧醫療研究且利用人工智慧技術建置非接觸式打鼾聲檢測系統，以

減少在睡眠檢測時所產生的不適進而提升社會醫療效率。本研究提出一個基於卷積神經網路（Convolutional Neural Network, CNN）和循環神經網路（Recurrent Neural Network, RNN）的混和型類神經網路分類模型（CRNN），用以學習睡眠呼吸中止症患者與健康者的睡眠音頻特徵，進而預測輸入音頻為打鼾或是非打鼾事件。本研究除了比較多種音頻訊號特徵處理參數設定之外，亦與SnoreNet為基底的1DCNN模型和2DCNN模型進行比較分析。本實驗分析與驗證後得出，使用CRNN模型，輸入音頻資料視窗大小設為5，可獲得最高的準確率95.78％；使用1DCNN模型

時，輸入音頻資料切割長度為6秒，可獲得最高的準確率87.21％；使用2DCNN模型時，輸入音頻資料切割長度為8秒，可獲得最高的準確率94.08％。最終比較CRNN、1DCNN和2DCNN模型得出，使用CRNN模型準確率在大多情況下表現優於1DCNN和2DCNN。本研究同時也進行系統應用實作，透過此應用上傳睡眠時的音檔進行睡眠分析，並以視覺化的方式呈現，以供使用者作為參考。