2026 MATLAB^® EXPO Taiwan
閃電演講(Lightning Talk) 技術應用徵選活動300 秒技術快閃：跳過繁瑣論文，直接站上發表舞台！

這不是一場沉悶的學術研討會，這是一場關於「行動力」與「實作力」的 5 分鐘競技場。 第十六屆 MATLAB & Simulink® 技術應用徵選活動。今年我們不徵長篇論文，我們徵求您的「精彩實作」。只要你有創意、有 Demo、有 5 分鐘的熱情，這裡就是全台 MATLAB 用戶看見您的最佳機會。

儘管抗憂鬱藥物治療已有不少進展，對於重度憂鬱症（major depressive disorder, MDD）患者而言，選擇有效的藥物處方仍多倚賴反覆試誤的方式。本研究旨在探討應用機器學習演算法，結合腦電圖（electroencephalographic, EEG）資料，以預測抗憂鬱藥物的短期與長期治療反應之可行性。本研究評估多種機器學習模型在用藥後第4、6與第8週的治療成效預測表現。訓練資料來自77位患者，涵蓋臨床特徵、EEG腦電圖訊號，以及功能性連結（functional connectivity）指標，並收集用藥前（基線）與用藥後一週的資料。此外，亦納入兩個時間點之間的變化指標（change index），以捕捉早期的神經生理變化。結果顯示，機器學習模型在第4週、第6週與第8週的預測準確率分別為83.1%、73.3%與80.0%。其中，功能性連結與相位同步（phase synchronization）指標為主要貢獻因子，顯示早期大腦網絡動態與治療反應之間具有高度關聯。
此研究結果凸顯了非侵入式EEG生物標記與資料導向方法在臨床決策中的潛力，特別是在幫助臨床醫師及早辨識治療反應者，進而減少傳統冗長的試誤歷程。未來研究應朝向擴大樣本規模、發展更進階的特徵擷取方法，並整合多模態神經生物資料，以推動個人化治療策略的建立。這些技術創新有望大幅改善病人預後，並減輕MDD所帶來的整體社會與經濟負擔。

現代通訊對高速數據的需求急遽上升，然而電離層高頻 (HF) 通道特有的長延遲擴展與時變衰落，對寬頻傳輸中的高階數位調變 (如 16/64-QAM) 構成嚴峻挑戰。本專案針對美軍 MIL-STD-188 寬頻規範，設計單載波頻域等化 (SC-FDE) 接收機，利用循環字首與 FFT 運算大幅降低運算複雜度，同時保有單載波低峰均功率比 (PAPR) 的絕對優勢。 為解決理論模擬與真實硬體間動輒逾 10 dB 的效能落差，本專案運用 MATLAB 與 Simulink 打造創新的三階段「虛實整合」驗證流程：首先於 MATLAB 建構 MMSE-FDE 端對端理論基準，藉由正則化權重有效控制雜訊放大並收斂誤差向量幅度 (EVM)；接著使用 USRP 軟體無線電作為射頻前端，錄製具備真實硬體效應的 IQ 訊號；最後透過 Simulink 建立統一接收鏈進行 A/B 測試，精確量化載波頻偏 (CFO) 與射頻失真所造成的訊雜比損失。此專案充分展現 MATLAB 工具鏈在硬體通訊實作上的強大效能，為未來高頻寬頻接收機的硬體規格制定提供了最具科學價值的實務數據。

如果我給電腦一個任務，他可以自己做出一架飛機嗎? 航太飛行器設計長期面臨性能取捨與控制耦合問題，例如航程、滯空時間與機動性能難以同時最佳化，且構型變動會直接影響飛行動力學與控制穩定性。傳統設計流程多仰賴經驗反覆試誤，不僅耗時，也難以兼顧設計與控制整合，限制了設計效率與創新空間。 本研究提出一套以「任務驅動（Mission-Driven）」為核心的飛行載具自動設計系統，整合 MATLAB 最佳化演算法、OpenVSP API 幾何建模與 Simulink 控制建模，實現從任務需求到飛行驗證的全流程自動化。僅需輸入航程、載重或滯空時間等條件，系統即可在數分鐘內生成最佳化飛機構型並完成控制模型建構，大幅降低設計門檻並提升開發效率。 系統透過參數化建模與多目標 (MDO)最佳化搜尋設計空間，並即時生成飛行器數學模型，使飛機構型隨最佳化過程動態演化。進一步將結果轉換為飛行力學模型並匯入 Simulink，建立閉迴路控制系統以驗證穩定性與可控性，確保設計結果不僅理論最佳，同時具備實際飛行能力。
本方法可應用於無人機快速開發、任務導向載具設計及初期概念驗證，特別適用於需要快速迭代與多任務切換的應用場景，從「任務輸入 → 飛機構型生成 → 飛行模擬」的流程，展現如何在短時間內自動設計並驗證一架可飛行無人機。

加護病房的呼吸器相關性肺炎 (VAP) 死亡率極高，傳統診斷常錯失黃金介入時機。本專案基於 MIMIC-IV v3.1 開發端到端 VAP 預測系統，僅輸入 5 項基礎生命徵象，即可提前 24 小時以上發出風險預警。 模型採用三層 LSTM 搭配 Focal Loss，在 1:1 配對世代中達成 Stay-Level AUPRC = 0.9816、Sensitivity = 93.3% 及 Specificity = 100.0%，效能顯著優於傳統 GBM 模型。
為落實臨床應用，系統具三大特點： 整合 PC Algorithm 解析特徵因果、Bahdanau 標示時序注意力熱圖，以及 DiCE 生成反事實臨床建議，強化決策透明度。 結合即時串流、數位雙胞胎模擬介入分析、Flask REST API 雲端架構，透過凍結特徵提取展現優異的跨院遷移學習能力 (AUPRC = 0.9825)。 透過 MATLAB App Designer 構建 ICUVAPMonitor，提供即時推論、多模型對比、動態混淆矩陣及深色模式，完整實現從資料處理到決策支援的端到端流程。

本作品使用 MATLAB R2022b 及其相關工具箱，包括 Deep Learning Toolbox、Statistics and Machine Learning Toolbox 與 ROS Toolbox，結合NeuroSky Brainlink Mobile 2腦波儀，擷取大腦在高注意力與低注意力狀態下的原始腦波信號，透過經驗模態分解將原始信號分解為多個本質模態函數，並利用希爾伯特變換計算瞬時振幅與頻率，再進行特徵提取。這些特徵用於訓練支持向量機與類神經網路模型，並驗證其分類準確率。相關結果成功顯示所提方法能有效且即時地區分專注與放鬆狀態，且分類準確率可達準確率98.13%。此外，系統透過TCP/IP通訊協定將分類結果傳送至自走車ROBOTIS TurtleBot3 Burger，自走車可依據使用者專注程度自動執行前進或後退控制，準確率可至64.81%。本作品成果成功驗證結合經驗模態分解、特徵提取與機器學習分類器在智慧控制系統及人機介面應用上的可行性與潛力。