alternatively輪流的問題，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

認知障礙症患者之照顧者的照顧負荷、依戀關係、孝道信念與心理幸福感之關係研究

為了解決alternatively輪流的問題，作者李宜旻 這樣論述：

研究目的：認知障礙症患者由於認知功能逐漸退化，隨著病程進展導致日常生活功能經常需要他人協助，加上行為精神症狀干擾，照顧者需花費大量時間協助患者，因此經常感到照顧負荷，並對身心健康造成威脅。而在華人的文化社會中，孝順父母是普遍的價值觀，子女對孝順父母抱持的態度也與幸福感有關，此外照顧者與接受照顧者的依戀品質也會影響其幸福感。因此本研究旨在探討認知障礙症患者之照顧者，照顧負荷、依戀關係、孝道信念與心理幸福感之間的關聯。研究方法：本研究採橫斷研究設計，採用立意取樣，於長照機構、失智社區服務據點、網路社群，使用調查法以結構式問卷進行資料蒐集。研究對象為認知障礙症患者之照顧者，共取得99份有效問卷。研

究工具包含照顧負荷量表、雙元孝道量表、親密關係體驗量表、心理幸福感量表。研究資料以描述性統計、t檢定、變異數分析、皮爾森積差相關、階層回歸分析進行統計分析。研究結果：本研究結果顯示，認知障礙症患者之照顧者自評經濟條件較差、每日照顧時數較高、非採用輪流照顧方式的照顧者有較高的照顧負荷。照顧負荷、依戀焦慮與心理幸福感呈現低度負相關；依戀迴避與心理幸福感呈現中度負相關；相互性孝道與心理幸福感呈現中度正相關。在控制照顧者年齡、婚姻情況、經濟條件後，僅有依戀迴避、相互性孝道可以預測照顧者整體心理幸福感。依戀迴避程度越高，心理幸福感越低；相互性孝道認同程度越高，心理幸福感越高。結論與建議：相較於照顧負荷，

依戀迴避與相互性孝道認同程度對照顧者整體心理幸福感更具預測效果，因此在探討認知障礙症患者之照顧者身心健康議題時，照顧者與接受照顧者關係親密程度、照顧者對侍奉父母所抱持的價值觀會是更需要關注的焦點。

任務導向的語音增強之損失函數研究

為了解決alternatively輪流的問題，作者傅思維 這樣論述：

近年來，由於深度學習的蓬勃發展，語音增強演算法的除噪能力也大幅的進步。但是，在進步之餘，基於深度學習的語音增強演算法仍然有一些值得改進和探討的方向。例如大部分的文獻用於訓練模型的損失函數(loss function)只用簡單的均方誤差(mean-square error, MSE)。然而不同的語音增強應用可能會有不同的偏重要求:助聽器的使用者可能會特別需要除噪演算法能提升語音的理解度(intelligibility)。對於環境不會吵雜到聽不清楚的使用情況，有效地提升語音的品質(quality)就顯得重要。而對於語者驗證(automatic speaker verification (ASV)

)的門禁系統，語音增強的主要目的則是希望語者驗證的錯誤率能在吵雜環境下依然夠低。由於除噪模型在沒看過的測試環境下無法完美地還原乾淨語音，使用和要求目標不一致的損失函數(如:MSE)無法達到最好的解。 本篇論文專注於使用不同的損失函數於語音增強模型的訓練中。由於short-time objective intelligibility (STOI)是常用來評估語音理解度的指標，論文中的第一部分將STOI直接當作損失函數來訓練Fully convolutional neural network (FCN)。傳統的以深度學習為基礎的語音增強模型大多是作在時頻域(time-frequency doma

in)上並且以幅(frame)為單位作處理，因而很難直接最佳化跨越幅計算的STOI。而我們提出的FCN是直接作用在時域的波型(waveform)上，並且以整個句子為處理單位。 Perceptual evaluation of speech quality (PESQ)則是經常被用來評估語音的品質。和STOI相比，PESQ的計算更加複雜，並且包含一些不可微分的函數，因而無法像STOI一樣直接被用來當作損失函數。本篇論文的第二部分即是針對PESQ分數作最佳化。我們透過另一個神經網路(稱作Quality-Net)來模仿PESQ函數的行為，並用這個從訓練資料學到的Quality-Net來引導語音增強

模型的訓練。由於參數固定的Quality-Net容易被更新後的語音增強模型產生出的語音樣本所欺騙而給出很高的評估分數(真實的PESQ分數卻不高)，因而我們導入對抗學習(adversarial learning)的機制使Quality-Net和語音增強模型輪流被更新，我們稱這樣的模型架構為MetricGAN。和強化學習(reinforcement learning)一樣，MetricGAN可以將評估函數當作黑盒子(black box)而不需要知道其計算細節。 最後，為了展示MetricGAN的其他應用，我們將其用於最小化語者辨識模型在吵雜環境下的錯誤拒絕率(false rejection ra

te)。 實驗結果顯示這些方法都可以進一步提升相對應的客觀評估分數。而聽測結果也證實考慮STOI的損失函數可以進一步提升語音理解度；最佳化PESQ分數的模型產生的語音信號也有較高的語音品質。