阿簡生物筆記: 2026

2026年4月19日 ✎ 編輯文章

重回駭入小蟻攝影機

最近想起家裡有一台將近十年的小蟻攝影機，突然覺得可以嘗試讓 AI 協助我，重新駭入這台老設備，認識一下嵌入式系統。

工廠測試後門：記憶卡裡的祕密

當年這台攝影機在社群裡引起轟動，主因是有人發現了一個「後門」：只要在 SD 記憶卡根目錄建立一個名為 test 的資料夾，並在其中放置 equip_test.sh 腳本，系統開機時就會自動執行它。當時的我並不清楚腳本背後的邏輯，但最近透過 AI 的協助解析，終於釐清了它的運作機制。這其實是小蟻韌體在開機時的一個「工廠測試後門」。只要系統偵測到特定名稱的腳本，就會以 Root 權限 執行它，這給了我們完全掌控設備的機會。

腳本核心功能解析

植入永久服務 (Telnet & FTP)：在 /etc/init.d/ 建立了 S88telnet 與 S89ftp 檔案，確保設備重啟後依然能透過遠端登入。
替換核心服務 (HTTP & RTSP)：將官方受限的版本替換為加強版，例如覆蓋 /home/rtspsvr 以支援標準 RTSP 串流，並建立軟連結（symlink）讓網頁服務能直接讀取錄影檔案。

突破防線：獲取 Root 權限

雖然腳本開啟了 Telnet，但我早已忘記預設密碼。然而我發現 FTP 服務雖然無法讀取系統核心，卻具備寫入權限。於是我就讓AI協助，然後採取了以下策略：

在本地端製作一個「無密碼 root」的 new_passwd 檔案。
透過 FTP 強行覆蓋機器內的 /etc/passwd。
成功透過 Telnet 免密碼登入系統。

硬體規格探秘

進入系統後，首先確認了這台機器的「心臟」。原來它是採用鼎鼎有名的 HiSilicon Hi3518 晶片，是一個「自帶後門」的晶片。

# cat /proc/cpuinfo
Processor       : ARM926EJ-S rev 5 (v5l)
BogoMIPS        : 218.72
Features        : swp half thumb fastmult edsp java 
CPU implementer : 0x41
CPU architecture: 5TEJ
CPU variant     : 0x0
CPU part        : 0x926
CPU revision    : 5

Hardware        : hi3518
Revision        : 0000
Serial          : 0000000000000000

系統與記憶體資訊

這是一個典型的嵌入式 Linux 系統，核心版本相當老舊，且記憶體配置極小（僅約 35MB），在現今標準看來非常精簡。

# uname -a
Linux (none) 3.0.8 #1 Wed Apr 30 16:56:49 CST 2014 armv5tejl GNU/Linux

# free   
             total         used         free       shared      buffers
  Mem:        35212        33772         1440            0           56
 Swap:            0            0            0
Total:        35212        33772         1440

當初我的數個定點攝影計畫，許多都仰賴這台攝影機呢，當初的錄製影片儲存路徑，掛載在 /tmp/hd1/record/。

資安問題

即便對小蟻相機進行了基礎的 Hack，系統內建的雲端服務依然會嘗試與外部伺服器通訊。

Step 1: 網路狀態初步掃描

首先使用 netstat -atunp 查看目前的連線狀態。可以看到 p2pserver 開啟了 UDP ，這個應該就是用手機連線可以直接穿透內網看到攝影機的關鍵

# netstat -atunp
Proto Recv-Q Send-Q Local Address           Foreign Address         State       PID/Program name    
udp        0      0 0.0.0.0:46742           0.0.0.0:* 4363/p2pserver

Step 2: 殺不死的 p2pserver？

當我嘗試 kill -9 4363 (p2pserver) 後，再次檢查網路狀態，發現它竟然以新的 PID (21241) 重新啟動，並且瘋狂嘗試外連！連線的遠端伺服器顯示是 p2pserver 正向百度 (220.181.x.x) 與 AWS (46.137.x.x) 發送 SYN_SENT 請求。

# netstat -atunp
tcp        0      1 192.168.1.104:57766     220.181.111.147:80      SYN_SENT    21241/p2pserver
tcp        0      1 192.168.1.104:35924     46.137.188.54:80        SYN_SENT    21241/p2pserver
tcp        0      1 192.168.1.104:32999     61.188.37.216:8000      SYN_SENT    21241/p2pserver

Step 3: 斬草除根 —— 關閉 watch_process

這代表系統中有監控腳本在維持雲端服務的運作。透過 ps | grep watch，找到了元兇：/home/watch_process。

# ps | grep watch
 1096 root       840 S     /home/watch_process
# kill -9 1096

先殺掉監控進程 watch_process，再殺掉 p2pserver，它就不會再自動重啟了。

Step 4: 最終狀態確認

淨化完成： 目前系統僅剩下本地端服務 (FTP, HTTP, Telnet)，所有外連嘗試皆已停止。

# netstat -atunp
Active Internet connections (servers and established)
Proto Recv-Q Send-Q Local Address           Foreign Address         State       PID/Program name    
tcp        0      0 0.0.0.0:21              0.0.0.0:* LISTEN      1248/tcpsvd
tcp        0      0 :::80                   :::* LISTEN      1145/server
tcp        0      0 :::23                   :::* LISTEN      667/telnetd
tcp        0     93 ::ffff:192.168.1.104:23 ::ffff:192.168.1.114:39804 ESTABLISHED 667/telnetd

透過這樣操作，才可以將小蟻相機轉為一台「純區域網路」運作的監控設備，確保影像資料不會在未經許可的情況下傳向公有雲端。如果真的要處理資安問題，應該還是自己弄出的樹莓派機器來操作比較好。

4月 19, 2026 ✎ 編輯文章

ADS-B 物理學：利用飛機 DAPs 數據重建大氣剖面與飛行分析

在上一篇《ADS-B 數位觀察：分析桃園空域航線、高度與信號傳播特性》中，處理了基本的航跡數據。本篇將進入大氣物理分析。用 R 語言對 DAPs 數據的處理，將每架飛機轉化為高空探空儀，重建出即時的大氣剖面。

數據清洗：確保物理分析的準確性

在進行物理計算前，必須篩選出可靠的樣本。在 dashboard.R 中，確保分析的是處於穩定巡航狀態的噴射機，排除低速或起降階段的干擾：

# 篩選高速、高空且具備完整參數的樣本
df <- df %>%
  filter(!is.na(tas), !is.na(mach), !is.na(alt)) %>%
  filter(tas > 100, mach > 0.3, alt > 5000)

熱力學推導：從馬赫數找回氣溫

高空感測最困難的是獲取準確的「靜溫」(Static Air Temperature)，利用真空速 (TAS) 與馬赫數 (Mach) 的比值來推算音速，進而求得溫度。根據單位換算，節 (knots) 與絕對溫度的關係常數約為 38.945。

# 物理計算：音速與溫度
df <- df %>%
  mutate(
    speed_of_sound = tas / mach,
    temp = (speed_of_sound / 38.945)^2 - 273.15
  )

音速與高度的變化觀測

音速並非恆定，而是溫度的函數。隨著高度增加，氣溫下降，音速也隨之變慢。這在航空物理中至關重要，因為它直接影響了飛機的飛行性能包絡線。

對流層頂 (Tropopause) 的自動偵測

腳本中還包含了一套簡單的邏輯來預測對流層頂。如果在觀測最高度溫度仍持續下降，代表對流層頂位於更高空：

analyze_tropopause <- function(df) {
  top_alt <- max(df$alt, na.rm = TRUE)
  min_temp <- min(df$temp, na.rm = TRUE)
  return(sprintf("對流層頂預測: 目前觀測最高 %.0f ft 溫度仍下降至 %.1f°C", top_alt, min_temp))
}

風場分析與西風指標 (Westerly Index)

利用飛機的地速 (GS) 與真空速 (TAS) 的差異，我們可以計算航向上的風分量。這對於觀察噴射氣流 (Jet Stream) 的強度非常有幫助。

# 計算高空西風帶強度指標
wind_diff <- avg_wind_east - avg_wind_west # 往東順風與往西逆風的差值

D-Value 分析：氣壓偏差的實測

這是腳本中另一個進階分析。飛機回傳的高度有兩種：氣壓高度 (alt) 與 GPS 幾何高度 (alt_geom)。兩者的差值稱為 D-Value。

# 計算 D-Value：反映大氣壓與標準大氣的偏差
df <- df %>% mutate(d_value = alt_geom - alt)

這能告訴我們當前空域的氣壓是否偏離標準大氣。正值代表當地氣壓高於標準（高壓區），負值則代表低壓區。

高階建模：空氣密度與能量高度

利用標準大氣模型推導出空氣密度與總比能 (Specific Energy Height)：

# 計算總比能 (特定能量高度)
df <- df %>%
  mutate(
    v_ms = tas * 0.514444,
    specific_energy = h_m + (v_ms^2) / (2 * g)
  )

0.514444 為節轉公尺/秒之常數，確保能量高度計算之單位一致性。這個指標代表了飛機的「總能量」，是評估飛行效率與性能包絡線的重要指標。

信號與流量分析 (Traffic & Signal)

除了物理參數，我們也對接收站本身的性能進行了建模。例如 RSSI (信號強度) 與高度的關係：

從數據中可以清楚觀察到，高度越高，接收到的 RSSI 數值通常越穩定。這背後隱含了兩個關鍵物理機制：

自由空間路徑損耗 (FSPL) 與平方反比定律：無線電能量隨距離平方遞減。雖然高空飛機距離接收站較遠，但因其處於高角度，避開了地表的建築物與地形遮擋。
視距傳播 (Line-of-Sight) 與第一菲涅耳區 (First Fresnel Zone)：高空飛機擁有更開闊的傳播路徑，能有效減少「多路徑干擾」(Multi-path interference)，避免了地面反射波與直接波互相干涉產生的信號衰落 (Fading)。這也就是為什麼 30,000 英尺以上的信號往往比地平面附近的信號更「純淨」。

航向流量統計 (Heading Rose)

利用圓盤圖展示主要流量的方向性：飛過台灣的航線多是東北西南走向的

性能差異：不同機種的飛行特徵

依照飛機重量類別 (Wake Turbulence Category) 進行分類，觀察 Heavy (如 A350/B777) 與 Small 機種在速度與巡航高度上的差異。

如果你對這些有興趣的話，你可以在這個github repo中找到相關的scripts。

2026年4月17日 ✎ 編輯文章

掃地機器人裡的 Ubuntu：用 Valetudo 實現完全去雲端化的 Linux 自走車

多年前買了小米掃地機器人之後，我一直很好奇它到底在背景偷偷把什麼東西傳回伺服器。為了揭開這個黑盒子，我曾嘗試將電腦偽裝成 SSID 的 Gateway，透過 ARP 欺騙 (ARP spoofing) 的方式攔截封包。雖然成功拿到了數據，但除了目的地之外，封包內容依然處於加密狀態，難以直接解密。

更令人不安的是，這台機器人傳輸封包的頻率極高，它可是一直傳、一直傳，這種「不受控」的感覺實在令人不爽。直到後來，我偶然發現了 Valetudo 方案，這才解決了我的隱私焦慮。

技術核心：在機器人大腦裡植入「寄生蟲」

簡單來說，Valetudo 就像是在掃地機器人的系統裡放了一個寄生蟲。它會攔截原本要送往遠端伺服器的資料，將其導流至機器人內部的本地空間處理，隨後便銷毀與雲端的聯繫。這讓你的掃地機器人徹底脫離雲端監控，變成一台純粹的區網設備。

安裝流程與環境準備

安裝過程其實不算複雜，但對網路環境的要求較高。以下是我的實作筆記：

1. 回復原廠設定

首先，需要將機器人重置：先按下 Home 鍵，接著拿迴紋針戳一下 Reset 鍵後放開。過一陣子，機器人會發出語音提示正在回復原廠設定，大約需要五分鐘的時間。

2. 下載必要程式

燒錄工具： 到 valetudo-helper-miioota 下載對應作業系統的執行檔。
自定義韌體 (寄生蟲)： 在 DustBuilder 找到支援的型號並構建版本。

以我的小米掃地機器人一代為例，我使用了這個專屬連結。在構建過程中，需要填入個人資訊與 SSH 公鑰（Key），這樣後續才能直接透過終端機遠端登入。

3. 系統環境的坑

在燒錄工具的選擇上，我一開始在 Windows 環境下屢試不爽，推測是防火牆或網路設定干擾。後來改用 Linux (AMD64) 筆電，關閉防火牆與 Tailscale 等網路服務後，一次就成功了。

執行燒錄指令

待機器人重置完成並連上它的臨時 Wi-Fi 後，執行以下指令開始植入：

./valetudo-helper-miioota-linux-x64 install-firmware v11_004018.pkg

不到 10 分鐘，Valetudo 就植入完成了！現在我不僅能使用網頁介面操作，還能直接透過 SSH 登入機器人的後台。

開箱掃地機器人的「內臟」

登入後，我驚訝地發現這台機器的規格相當高規格：

作業系統： Ubuntu 14.04.3 LTS (Trusty Tahr)
處理器： Allwinner A33 低功耗四核 ARM Cortex-A7

這本質上就是一台 Linux 自走車！這也解釋了為什麼它能記錄這麼多隱私資訊。在未「去雲端化」前，它會上傳以下三類資料：

空間隱私： 透過 LDS 雷達掃描出的 2D 點雲圖，包含家具擺設、移動路徑與房間精確尺寸。
設備與網路資訊： 定期回報周邊 Wi-Fi SSID 和 MAC 位址，透過「Wi-Fi 指紋定位」即可精確掌握住家經緯度。
使用者行為： 清掃規律與偏好模式，這足以推斷家中何時無人。

去雲端化前後對比

當你刷入 Valetudo 後，你實際上是在機器內部建立了一道「數位邊界」。以下是處理前後的差異：

資料類型	官方韌體 (上傳北京)	Valetudo (Root 後)
地圖數據	上傳伺服器再回傳手機	留在內存，由網頁直接讀取
Wi-Fi 掃描	定期回報周邊環境	攔截，資料僅存於本地日誌
OTA 更新	廠商強制或提示更新	徹底關閉，掌握主控權
通訊加密	伺服器持有 Key	你持有 Token，區網內連線

在 /mnt/data/rockrobo/rrlog 看到的資料夾，原本是這些敏感資料上傳前的「暫存區」，現在它們哪裡也去不了了。

進階探索：AI Agent 與移動控制實驗

掌握了這台 Linux 自走車後，我開啟了一個 AI Agent，讓它透過 SSH 在機器人內部到處巡檢，並撰寫 Script 驗證各種溝通方式。這部分的技術細節我也整理在我的專案中：

Roborock V1 Research - GitHub Project

這個專案不僅揭露了軟硬體結構，還包含如何透過 Python、API 與 MQTT 與它溝通。我最近做了一個有趣的實驗：

指令發送： 利用 HTTP API 命令機器人移動到指定地點。
狀態回饋： 利用 MQTT 即時回報機器人的當前座標。

結合這兩個特性，我已經能寫 Script 讓它走出特定的路徑，像是三角形、甚至正八邊形。相比起自己找材料組裝的自走車，這台機器人的感測器與底盤配備根本超棒。

結語：CP 值極高的開發平台

目前二手市場的小米掃地機器人一代大約只要 1000 元台幣 左右。如果您對 Linux 開發、自動導航或自走車專案有興趣，這絕對是一個物超所值的硬體平台。只要花一點心思刷入 Valetudo，它就不再是隱私外洩的潛在漏洞，而是一個完全受你掌控的強力研究工具。

2026年3月31日 ✎ 編輯文章

從雲端回歸在地：我的 Raspberry Pi 5 x Moodle 5.1 實戰之路

我與 Moodle 的教學應用始於 2014 年。當時得益於學校資訊組長的協助，在校內架設了專屬伺服器，為全校提供數位學習服務。然而，隨著教育體系推動主機「向上集中化」，原本校內自主管理的 Moodle 隨之關閉，我的Moodle教學模式也因此中斷了一陣子。

後來，新竹縣教網辛老師推動了「M3 教育雲合作備課平台」，讓我得以接續使用。但在使用過程中，我逐漸萌生了「自主掌控」的想法。為了追求更高的客製化自由度、能隨心所欲地安裝外掛或調整版面，我決定探索「自架站點」的可能性，重新找回對教學系統的完全掌握權。

尋找最適合教學現場的方案

起初曾考慮租用商業雲端主機，但考量到教學需求並非 24 小時高流量，高峰期多集中在「線上測驗」時段，商業主機的持續維護成本相對較高。我也研究過的 MoodleBox，雖然它開箱即用、極為便利，但其預設將樹莓派改裝為獨立無線基地台（SSID）的模式，與我現有的教室網路架構不符。

最終，我決定挑戰「純手工架設」：從底層作業系統開始，在樹莓派上搭建專屬環境。這不僅能完全符合我的特殊需求，更能享受伺服器管理的過程，想要看看會撞什麼牆，而就算失敗也沒有損失。

針對高效能與耐用度的頂規硬體配置

為了應對測驗時 30-40 人同時送出答案的併發讀寫需求，我捨棄了效能與壽命較弱的 microSD 卡，採用了固態硬碟的儲存硬碟方案。主機選用 Raspberry Pi 5 Model B (16GB RAM)，這是目前系列中記憶體最大的版本，確保在高負載測驗時，所有的 PHP 程序與資料庫快取都有充足的運算緩衝。

儲存方面，我透過 PCIe Gen 3 介面加裝了 512GB M.2 2230 NVMe SSD，實測讀取速度突破 700 MB/s。這徹底解決了資料庫讀寫的瓶頸，讓學生在切換測驗頁面時幾乎達到秒進的極速反應。再搭配官方主動散熱風扇，長時間高頻率運算，系統依然穩定不降速。

環境部署與網路邏輯的取捨

在網路架構上，我利用 mDNS 技術設定了 .local 自動識別網址。在校園內網中，學生只需輸入 http://bio.local 即可進入站台。這種「隱身內網」的配置，雖然無法從校外存取，但能有效隔絕來自公網的自動化攻擊。對於目前「學生不需在家測驗」的需求而言，是兼顧安全與便利的最佳解。(所以以上網址各位點了也沒用)

軟體核心採用標準且穩定的 LAMP (Apache, MariaDB, PHP 8.2) 架構，並針對 Moodle 5.1 進行了性能微調。版本控制則改採 Git 方式部署，捨棄傳統壓縮包，這讓未來的安全性更新與版本追蹤都能透過簡潔的指令無痛完成，大幅降低了長期維護的難度。

現代化架站秘訣：用 AI 當助手

站台架好已經一年了，架站過程中有大量 Linux 指令，一定會讓人看了就害怕，但事實上，現在有了 AI 的協助，一切都變得很簡單。不需要死背指令或翻文件，只需將精確的需求告訴 AI，它就會產出對應的步驟。我的工作變成了：提出需求、複製 AI 產出的指令、貼進終端機，若遇到報錯就再貼回給 AI 進行診斷。完成一部分工作後，再讓它寫md給我做紀錄

雖然我沒試過，但是我相信現在可以直接在 Linux 機器上利用 AI Agent直接完成所有設定，例如安裝opencode或GEMINI CLI之類的AGENT來直接用終端機下指令，因為 99% 的架站工作都是在終端機內完成，直接可以完成排錯與優化。

3月 31, 2026 ✎ 編輯文章

測距桿觀察海上物體有多遠

去看海時，你會不會好奇那艘船有多遠？

當我們站在岸邊或甲板上遠眺，如果要知道海面上的船隻或是其他物體的距離，光靠目測是非常不可靠的。這時候你需要一根「測距桿」來幫你測量距離。

一、公式來源：Heinemann 的鳥類觀測研究

這套精確測距系統的核心公式，源自於 D. Heinemann 於 1981 年發表在《野生動物管理期刊》的研究："A range finder for pelagic bird censusing"。這篇文章解決了海上觀測最大的難題：地球是圓的。在長距離觀測中，海平面會向下彎曲，Heinemann 引入了「視地平線」概念，確保了測量的嚴謹性。

二、幾何推論：從「平面」到「曲面」

1. 基礎階段：假設地球是平的
若海面是平的，我們利用相似三角形原理：眼睛為頂點，臂長與木桿構成小三角形，眼高與距離構成大三角形。比例關係為 $x / b = h / d$，簡單直觀。

2. 進階階段：現實的曲面修正
現實中，地平線並非無限遠。如論文原圖所示，視線會與地球弧面相切。木桿頂端對準的是「視地平線 $v$」，而目標 $d$ 位於地平線「之下」。這兩條視線在木桿上截出的間距，就是我們需要的精確刻度 $C_i$。

三、修正公式與代號意義

$C_i = \frac{b \cdot h \cdot (v - d)}{v \cdot d}$

$C_i$ (Calliper Interval)： 刻度間距。木桿頂端向下量到目標刻度的距離。
$b$ (Arm's Length)： 臂長。眼睛到木桿的水平距離（單位：公尺）。
$h$ (Eye Height)： 眼高。眼睛距離水面的垂直高度（單位：公尺）。
$d$ (Distance to object)： 目標物距離。你想要標註的特定距離。
$v$ (Visual Horizon)： 視地平線距離。計算為 $3838 \times \sqrt{h}$。

四、 DIY 製作與實測

獲取個人參數：
- 測量你的臂長 $b$（通常在 0.6m 到 0.8m 之間）。
- 測量觀測位置的眼高 $h$（若人在岸邊且身高 1.7m，眼高約 1.6m；若在船上需加上甲板高度）。
精確標註： 以 $d=450m, h=2m, b=0.7m$ 為例：
- 計算所得：$C_i \approx 0.285$ cm。
- 製作建議：取 0.3 cm (3mm) 為標註基準。
實體製作：
- 準備約 15~20cm 的平直木條，頂端劃紅線作為「地平線基準」。
- 由頂端向下精確量測 0.3cm 並劃線，標記為「450m」。
海上實作： 伸直手臂，將木桿頂端對齊海平線。若目標物底端出現在 450m 線以下，即代表距離低於 450m。

五、同場加映：如何在 Excel 計算？

如果你需要製作多種測距桿，可以使用 Excel 來計算。請參考以下步驟：

設定欄位名 (A欄)：

A1: 眼高 h (公尺)
A2: 臂長 b (公尺)
A3: 目標距離 d (公尺)
A4: 視地平線 v
A5: 刻度間距 C_i (公分)

輸入數值與公式(B欄)：

B4 (計算地平線)： =3838 * SQRT(B1)
B5 (計算刻度並轉為公分)： =B2*B1*(B4-B3)/(B4*B3)*100

3月 31, 2026 ✎ 編輯文章

為Garmin手錶開發Poincaré HRV Visualizer 觀察自律神經的即時變化

延續前一篇開發的「即時心率顯示圖表」並順利上架後，我打算重啟一個三年前的挑戰，在手錶上繼續開發心率變異性（HRV）的圖表。

這項計畫的核心在於分析「連續兩次心跳的時間間隔」（RR Interval），藉此觀察人體生理狀態的微妙變化。目前主流穿戴裝置（如 Apple Watch、Garmin）都有內建 HRV 偵測，並以此推算使用者的壓力指數。

（註：雖然在穿戴裝置上我們習慣稱之為 RR Interval，但由於手錶多是透過 PPG 光學感測器偵測血流脈動，而非直接量測心臟電位，因此在生理訊號處理上，更精確的說法是偵測脈搏波峰之間的 Peak-to-Peak (PP) Interval 或 NN Interval。）

而我這次的目標，是直接利用這些心跳間隔數據，繪製出能展示心臟動態規律的 龐加萊圖（Poincaré Plot）。

什麼是龐加萊圖？

假設我們測得的一連串心跳間隔（單位為 ms）為 $RR = \{RR_1, RR_2, RR_3, \dots, RR_n\}$。

我們可以將「本次間隔 $RR_n$」作為 $X$ 軸，「下次間隔 $RR_{n+1}$」作為 $Y$ 軸，組成一系列座標點：

$$ (x, y) = (RR_n, RR_{n+1}) $$

將這些點繪製在二維空間中，就能觀察到心跳與心跳之間的「動態演變」，這反映了自律神經系統中交感神經與副交感神經的拉鋸過程：

當交感神經占優勢（壓力大、運動中）： 心跳會變得非常規律，每次間隔趨於一致。此時座標點會緊密凝聚在 $y = x$ 的對角線上。

當副交感神經活躍（放鬆、休息）： 心臟調節的靈活性增加，導致心跳間隔產生波動（HRV 較高）。此時點位會顯得分散，形成類似橢圓形的雲狀分布。

我設計的程式提供三種模式（Wide, Zoom, Auto），針對 Poincaré 散佈圖提供不同的「視角」：

1. Wide Mode (廣角模式)：大局觀

心率範圍：固定在 50 - 130 BPM。
使用時機：最適合一般走動或輕度活動。它提供了一個穩定的參考系，讓你一眼看出當前心跳是在平均範圍內，還是正處於劇烈變動。

2. Zoom Mode (縮放模式)：精細度

心率範圍：固定在 60 - 90 BPM。
使用時機：專為靜坐、冥想或深度放鬆設計。在這個區間，微小的心跳間期差異會被放大顯示，讓你更容易捕捉到每一次深呼吸帶來的副交感神經脈衝。

3. Auto Mode (自動縮放)：全視角

心率範圍：動態調整。App 會自動根據過去 60 點的數據極值，計算出最適合的顯示範圍。
使用時機：如果你發現自己的心跳超出了 Wide/Zoom 的預設範圍，或者想要追求「最高的細節度」，Auto Mode 是最佳選擇。它能確保所有點始終保持在畫面中央，並佔據最大顯示面積。

其他數據：SD1、SD2、R 與 A

在 Poincaré 圖左上角即時更新的數據，是透過將心跳點群旋轉 45 度後的幾何投影計算得出的。

1. SD1 (短軸)：副交感神經的「即時煞車」

計算公式： $$ SD1^2 = \frac{1}{2} Var(RR_n - RR_{n+1}) $$ 幾何上，它是垂直於 $y=x$ 直線的標準差。
生理意義：主要受迷走神經（副交感神經）調控。反映了身體在極短時間內調整心跳的能力。當你進行深呼吸時，SD1 會迅速增加。數值越高，代表副交感神經越活躍，身體正處於高效的修復狀態。

2. SD2 (長軸)：自律神經的「總體引擎」

計算公式： $$ SD2^2 = 2 Var(RR_n) - \frac{1}{2} Var(RR_n - RR_{n+1}) $$ 幾何上，它是沿著 $y=x$ 直線方向的標準差。
生理意義：反映生理系統的總體頻寬，受交感與副交感共同影響。SD2 代表你的「生理韌性」。若 SD2 過低，代表心跳變得極度規律且僵硬（Rigid），可能暗示過度訓練或慢性壓力。

3. R (Ratio) - 自律神經平衡比

計算公式： $$ R = \frac{SD1}{SD2} $$
代表意義：反映「煞車」與「油門」的相對強度。
- 低比例 ($R < 0.5$)：通常出現在運動中或極大壓力下，代表交感神經過旺。
- 中等比例 ($0.5 \le R \le 0.7$)：理想的安靜休息狀態。
- 高比例 ($R > 0.8$)：極度放鬆或迷走神經亢進。

4. A (Area) - 總體能量 (橢圓面積)

計算公式： $$ A = \pi \cdot SD1 \cdot SD2 $$
代表意義：Poincaré 橢圓所覆蓋的面積，反映心血管系統總體調節能力的強弱。面積越大，代表心血管系統具備越高的韌性與應變能力。

其他圖表解析

除了三張不同縮放比例的Poincaré 圖外，另外還有兩張圖

Autonomic State Map (ASM)：神經態勢圖

橫座標是SD1，縱座標是SD2，畫面中有一個白色參考點為 (60秒的平均) ，橙色點則為即時的狀態 (最近15秒內的計算結果)。斜線標示了SD1=SD2的直線。

Energy vs Balance (能量平衡圖)：抗壓儲備指標

X 軸為平衡比 SD1/SD2的比，Y 軸為面積面積，但以對數顯示 (Area Log Scale)。

圖表格線：
- X 軸兩條格線是 SD1/SD2＝0.5 與 SD1/SD2=1.0 ：這是判斷平衡的標尺。如果你在Poincaré 圖的橢圓沿著越扁，那麼在這張圖上你的點就會越靠左，而如果橢圓越高則越靠右。
- Y 軸兩條格線是 10^3 (1000) 與 10^4 (10000) 格線：代表的就是那個橢圓的面積，越大則Y座標越高。

應用場景

我給幾個朋友測試過，也用這個圖表在許多場景測試過。首先每個人的狀況不一樣，所以你應該先觀察自己當下的狀態後，搭配這些圖表來進行生理回饋，了解當下的狀況。

在深呼吸或冥想或是進食時，副交感神經會像「即時煞車」一樣介入，導致心跳間期出現顯著的不規律波動。這在三張圖表中會呈現以下連動：

Poincaré 圖：橢圓明顯「變胖」。點往兩側延伸，SD1 顯著增加。
Autonomic State Map (ASM)：即時狀態（橙色點）會向右方（SD1 軸）飄移，顯示煞車力道增強。
Energy vs Balance 圖：點會往「右上角」移動，代表能量儲備（面積）增加且系統趨於平衡。

當身體進入「戰或逃（Fight-or-Flight）」模式時，交感神經會接管主導權。為了維持穩定的輸出，心臟會像精密運行的時鐘，心跳間期的變異會大幅縮小。

Poincaré 圖 (Wide Mode)：橢圓會變得極度「乾癟」且「細長」。所有的點緊緊貼附在 $y=x$ 的對角線上，代表 $RR_n$ 與 $RR_{n+1}$ 幾乎相等，SD1（短軸）幾乎消失。
Autonomic State Map (ASM)：即時狀態（橙色點）會向左方與上方移動（靠近 Y 軸），反映出 SD1（煞車）極低，而由交感主導的規律性讓點留在高位。

Energy vs Balance 圖：點會掉入「左下角」或「左方」。平衡比 $R$ 掉到 $0.5$ 以下，且因為變異性變小，總體面積（能量）也會顯著縮水。

數據本身沒有好壞，只有『適配性』。當你在深蹲或進行高強度簡報時，你應該是「壓力模式」，這代表你的身體正在全神貫注應戰。但如果是在深夜睡覺時看到這種圖，那就是身體在對你發出過度勞累的警訊了。

另外，在使用本 App 時，若看到底部指示燈變為黃色或紅色，代表手錶感測器暫時抓不到精確的脈搏波峰。這是 Garmin 光學心率感測器 (OHR) 的物理限制。你可以收緊錶帶減少雜訊、保持靜止來讓數據正常。

source code: https://github.com/ChihHsiangChien/GarminProjects/tree/main/PoincarePlot

下載位置 https://apps.garmin.com/apps/b1197a45-58c2-4027-9188-ce7a3e6d6b58

或在Garmin Connect IQ搜尋 POINCARÉ HRV VISUALIZER

2026年3月30日 ✎ 編輯文章

如何在 Blogger 中呈現數學公式 (MathJax) 與程式碼高亮 (Highlight.js)

之前寫文章時，遇到公式或是程式，我向來都是隨便貼，但最近覺得好像可以用一些方式寫漂亮一點，而且現在還有 AI 協助做這件事。所以這篇文章就來看如何在 Blogger 的主題設定中加入 MathJax 與 Highlight.js，並提供完整的實作範例。

步驟一：修改主題 Header 區塊

請進入 Blogger 後台的「主題」>「編輯 HTML」，在 <head> 內加入以下設定代碼（此處已進行 HTML 轉義，確保範例不被直接執行）：


<!-- MathJax 3 數學公式設定 -->
<script>
  window.MathJax = {
    tex: {
      inlineMath: [['$', '$'], ['\\(', '\\)']],
      displayMath: [['$$', '$$'], ['\\[', '\\]']],
      processEscapes: true
    }
  };
</script>
<script async='async' id='MathJax-script' src='https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-mml-chtml.js'/>

<!-- Highlight.js 程式碼高亮設定 -->
<link href='https://cdnjs.cloudflare.com/ajax/libs/highlight.js/11.9.0/styles/a11y-dark.min.css' rel='stylesheet'/>
<script src='https://cdnjs.cloudflare.com/ajax/libs/highlight.js/11.9.0/highlight.min.js'></script>
<script>hljs.highlightAll();</script>

<!-- 自定義 CSS 微調 -->
<style>
  pre code {
    border-radius: 8px;
    font-family: 'Consolas', 'Monaco', 'Courier New', monospace;
    font-size: 14px;
    padding: 1.5em !important;
    line-height: 1.5;
  }
</style>

實作示範對照區

以下展示了如何在 HTML 編輯器中撰寫（原始碼）以及瀏覽器最終算出的呈現結果：

如果您想在內文顯示這段字 $a^2 + b^2 = c^2$ 而不讓它變成渲染後的公式...


<code>$a^2 + b^2 = c^2$</code>

範例 1：顯示 LaTeX 原始碼而不被公式化

如果您想在內文顯示這段字$a^2 + b^2 = c^2$，則是使用 $a^2 + b^2 = c^2$ ，若想要看到沒渲染前的樣子，則是按以下 HTML 撰寫：


<code>$a^2 + b^2 = c^2$</code>

範例 2：分段函數 (Cases)

原始 HTML 寫法：


$$|x| = \begin{cases}x & \text{if } x \geq 0 \\ -x & \text{if } x < 0\end{cases}$$

渲染呈現結果：

$$|x| = \begin{cases}x & \text{if } x \geq 0 \\ -x & \text{if } x < 0\end{cases}$$

範例 3：多行推導對齊 (Aligned)

原始 HTML 寫法：


$$\begin{aligned}(a+b)^2 &= (a+b)(a+b) \\ &= a^2 + ab + ba + b^2 \\ &= a^2 + 2ab + b^2\end{aligned}$$

渲染呈現結果：

$$\begin{aligned}(a+b)^2 &= (a+b)(a+b) \\ &= a^2 + ab + ba + b^2 \\ &= a^2 + 2ab + b^2\end{aligned}$$

範例 4：數學表格 (Array)

原始 HTML 寫法：


$$\begin{array}{|c|c|}\hline\text{角度} \theta & \sin(\theta) \\ \hline 0^\circ & 0 \\ 30^\circ & \frac{1}{2} \\ 45^\circ & \frac{\sqrt{2}}{2} \\ \hline\end{array}$$

渲染呈現結果：

$$\begin{array}{|c|c|}\hline\text{角度} \theta & \sin(\theta) \\ \hline 0^\circ & 0 \\ 30^\circ & \frac{1}{2} \\ 45^\circ & \frac{\sqrt{2}}{2} \\ \hline\end{array}$$

範例 5：Python 程式碼區塊

原始 HTML 寫法：


<pre><code class="language-python">
def hello_world():
    print("Hello Blogger!")
</code></pre>

實際高亮呈現：


def hello_world():
    print("Hello Blogger!")

總結

透過以上的「原始碼 vs 算後結果」對照，只要在 HTML 中正確使用 <pre><code> 標籤並對必要的 HTML 符號進行轉義，就能在撰寫文章時達成效果

2026年3月29日 ✎ 編輯文章

為生殖教學設計的互動程式

也許每年都會新增一些吧？但就先把目前有的紀錄在這。

https://chihhsiangchien.github.io/cellDivision/Index.html

細胞分裂，這個就是純粹追求視覺效果了，點細胞，細胞就會分裂成兩個。

https://chihhsiangchien.github.io/mitosis-meiosis/index.html

細胞分裂和減數分裂動畫。10多年前我曾經用flash設計過類似的，但後來無法更新。現在就是用js重新來一次，反而可以增加更多功能，像是拖曳染色體、標記同源染色體...或是可以選擇多對染色體，看它們怎麼移動。這若用我以前的作法，根本做不到啊。

https://chihhsiangchien.github.io/ChromosomeToDNA/index.html

模擬DNA到染色體的互動程式，這個印象中以前有貼過。其實就是希望把課本上的靜態圖片，變成動態立體的樣子，但目前覺得還沒有修得很好。以後想到再來改一改。

https://chihhsiangchien.github.io/3DFlower/index.html

花的構造觀察，課本上的圖太難讓學生理解了，所以就做了。實際上課的效果我覺得很好，因為比較能讓學生懂那些構造的相關性了，又有立體結構，又有花粉管的動態過程。還可以看多胚珠、單胚珠。

3月 29, 2026 ✎ 編輯文章

為恆定教學設計的互動程式

最近終於有一點時間可以來回顧上學期末的恆定課程，那時候做了什麼有趣的互動程式。

https://chihhsiangchien.github.io/breathing-mechanism/index.html

呼吸運動的演示，可強調橫膈或肋骨的運動，看看胸式和腹式呼吸的差異

https://chihhsiangchien.github.io/gas-exchange/index.html

氣體交換

https://chihhsiangchien.github.io/lung-visualization/index.html

肺臟的3D模型

https://chihhsiangchien.github.io/bird-respiration/index.html

鳥類的呼吸方式這個就是下學期講到鳥類的氣囊時可以使用的

https://chihhsiangchien.github.io/breathing-flow/index.html

這個呼吸心流的程式，最早是因為看到IG上有很多類似的小短片，所以我就想來自己做一個。除了上課時使用之外，我平常做呼吸練習的時候也會拿來用，甚至可以搭配我所作的手錶觀察交感神經的程式來做生物回饋，看呼吸如何影響心搏。

3月 29, 2026 ✎ 編輯文章

為童軍活動設計的多種互動遊戲

雖然和童軍一點關係都沒有...

幾個月前被委託一項任務，是學校要辦理新竹市童軍大會，希望我可以幫忙出一個闖關站，讓參加的學生可以用平板完成數個遊戲。

於是我就想到什麼點子，就來寫一個程式。寫了一大堆，但後來在闖關時其實只用了一個啊。

來看看做了哪些遊戲可以玩。

https://chihhsiangchien.github.io/taiwan-map-puzzle/index.html

台灣地圖拼圖：看縣市的輪廓做選擇題

https://chihhsiangchien.github.io/number-idiom-game/index.html

數字成語遊戲就是填上成語的數字

https://chihhsiangchien.github.io/hidden-symbol-game/index.html
運算符號

https://chihhsiangchien.github.io/flag-quiz/index.html

國旗大師

https://chihhsiangchien.github.io/color-perception-game/index.html

色彩辨識

https://chihhsiangchien.github.io/concentration-grid/index.html

舒爾特方格專注力挑戰

https://chihhsiangchien.github.io/color-illusion/index.html

色彩錯覺

所有遊戲都在這個入口可以找到，當然這還有我用在教學上的互動程式，有興趣再看看

https://chihhsiangchien.github.io/

3月 29, 2026 ✎ 編輯文章

為 Garmin 手錶開發即時心率變化圖表Real-time Heart Rate Graph

幾年前，我曾開發過一個在平板上透過鏡頭觀測脈搏變化的 Web 程式。當時就在想：如果能在運動手錶上即時看到這種動態曲線，該有多好？

對於搭載 PPG 光學心率感測器的 Garmin 手錶來說，這技術上絕對可行，但原生系統卻缺乏這種直觀的即時圖表。於是我決定自己動手開發。

開發之路：與 Monkey C 的初次邂逅

我從下載 Garmin SDK 開始，並在 VS Code 安裝了 Monkey C 延伸套件。雖然是一門相對冷門的語言，但翻完官方文件後，我決定從最精簡的「Data Field」（資料欄位）切入。

經過幾天的奮戰，這個HRGraph 誕生了：

核心邏輯：在 HRGraphView.mc 中利用 Array<Number> 滾動儲存歷史數據。
繪製技術：透過 dc.drawLine 與 dc.fillCircle 手繪向量圖形，確保畫面流暢。
數據採集：利用 compute 函式，每秒精準抓取一次 Activity.Info 中的心率數值。
支援動態縮放 Y 軸

實戰應用：硬舉與冥想的生物回饋

這不只是一個圖表，它是我觀察生理狀態的視窗，例如在硬舉結束後的幾秒內，我觀察到心率會先短暫下降後隨即攀升，約數十秒後才開始回落；這時我會透過特定呼吸法誘發副交感神經，並從圖表即時觀察心率的變化。在休息冥想時，它更是我練習「諧振呼吸 (Resonant Frequency Breathing)」的最佳助手。

這款 App 已正式上架至 Garmin Connect IQ，如果你是 Garmin 用戶，可以直接在 Connect IQ 搜尋Real-time Heart Rate Graph下載使用！

下載安裝後，若你在 App 清單中找不到它請別擔心，因為這是一個 「資料欄位 (Data Field)」，而非獨立 App。你需要將它加入到特定運動的數據頁面中，設定步驟如下：

選擇運動模式：在手錶上按下 Action 鍵（右上），選擇一項活動（如：跑步、步行或重訓）。
進入活動設定：在開始運動前，向上滑動螢幕或長按 Menu 鍵（右下）進入設定選單。
編輯數據畫面：依序進入 「[活動名稱] 設定」 > 「數據畫面」。
自訂欄位：選擇一個您想修改的頁面，並確保該頁面的佈局（Layout）包含可放入數據欄位的區塊。
選取 ConnectIQ 插件：點擊您想更換的欄位，在類別中找到 「ConnectIQ」，並選取 「Real-time Heart Rate Graph」。
開始體驗：設定完成後，只要開啟該運動模式，動態心率圖表就會即時出現在手錶螢幕上！

source code https://github.com/ChihHsiangChien/GarminProjects/tree/main/HRGraph

2026年3月28日 ✎ 編輯文章

用 AI 讓 10 年前的小型電腦切割機在 Linux 重生

許多年前在網路上購入了一台「理鋒科技小型電腦切割機」，當時環境還是在 Windows 下，廠商隨附了專用的驅動與操作軟體。但隨著我的工作環境全面轉向 Linux，這台機器便因為軟體不相容而長期閒置。

最近因為臨時有割字需求，我開始研究如何在 Linux 下驅動這台老機器。

從 Inkcut 到硬體限制

起初我找到了開源專案Inkcut，它確實能讀入 SVG 並執行切割。但實際操作後發現一個致命問題：硬體緩衝區（Buffer）太小。當圖形較複雜時，硬體接收指令的速度跟不上軟體送出的速度，導致傳輸溢位，切割中途就會直接罷工。

轉向底層：直接與硬體通訊

既然 Inkcut 是將指令轉換為 HPGL 格式送出，我想：不如直接撰寫符合我硬體特性的指令發送器？

透過 lsusb 指令，我確認了機器連接的晶片資訊：

Bus 003 Device 052: ID 4348:5584 WinChipHead CH34x printer adapter cable

協同開發：與 Gemini 定義 AI Agent 規格書

我釐清了需求：需要一個視覺化的程式，能讀取 Inkscape 製作的 SVG，並具備「節流（Throttling）」功能。我透過與 Gemini 的不斷對談，最終整理出一份給 AI Agent 執行的專案規格書（Spec）：

AI Agent 專案規格書：Linux 智慧切割傳送器 (PyCutter)
1. 專案目標 (Project Objective)
開發一個輕量化的 Linux 桌面應用程式，能夠讀取 SVG 檔案，自動轉換為 HPGL 指令，並透過 序列埠 (Serial Port) 實時監控並「節流傳送」給割字機，解決硬體緩衝區溢位導致的停機問題。
2. 技術棧要求 (Tech Stack)
語言： Python 3.10+
GUI 框架： Tkinter (內建，確保輕量) 或 PyQt6
向量處理： svgpathtools (解析 SVG)
硬體通訊： pyserial (串列埠通訊)
多執行緒： threading (分離 UI 與傳送邏輯)
3. 核心功能模組 (Functional Modules)
A. 檔案與路徑處理 (SVG to HPGL)
自動解析： 將 SVG 中的 <path>, <rect>, <circle> 轉換為點座標。
動態離散化 (Adaptive Sampling)： * 直線僅保留端點。
曲線根據半徑自動決定點數，確保點間距落在 0.5mm ~ 1.0mm。
單位換算： 固定比例 $1\text{ mm} = 40\text{ plotter units}$ ( $1016\text{ DPI}$ )。
路徑優化： 實作簡單的「最近鄰算法」，減少抬刀移動的空跑距離。
B. 硬體連線管理 (Connection Manager)
自動偵測： 啟動時掃描 /dev/ttyUSB* 與 /dev/ttyACM*。
連線選單： 下拉式選單切換 Port，支援重新整理。
通訊設定： 預設 9600 鮑率，支援 RTS/CTS 硬體流控 設定。
C. 視覺化監控畫布 (Live Monitor)
同步繪圖： 當指令送出時，畫布上的游標同步移動並繪製線條。
座標縮放： 自動將 HPGL 萬級座標縮放至 600x400 的視窗內。
顏色區分： 抬刀 (PU) 用灰色虛線，下刀 (PD) 用紅色實線。
D. 流量控制傳送引擎 (Throttled Sender)
逐行傳送： 讀取 HPGL 陣列，一條一條 ser.write()。
智慧延遲： 提供滑桿調整 Inter-step Delay (預設 0.05s)。
暫停/終止： 支援切割中途立即停止通訊。
4. 使用者介面需求 (UI Requirements)
頂部列： Port 選擇、連接按鈕、重新整理按鈕。
左側邊欄： * 速度延遲設定 (Slider)。
曲線平滑度設定 (Slider)。
檔案選擇按鈕。
中央區域： 繪圖監控大畫布。
底部狀態列： 顯示 當前指令/總指令數、預計剩餘時間、連線狀態。
5. AI Agent 的開發任務分解 (Task Breakdown)
你可以要求 Agent 按照以下順序執行：
Task 1: 編寫一個獨立的 Scanner 類別，列出 Linux 所有序列埠。
Task 2: 使用 svgpathtools 編寫轉換邏輯，輸入 SVG 路徑，輸出符合 1016 DPI 的 HPGL 字串列表。
Task 3: 建立 Tkinter 主視窗，包含 Canvas 繪圖與基本的 UI 佈局。
Task 4: 整合 pyserial 傳送引擎，確保在 threading 模式下運作。
Task 5: 優化：加入 stty 權限檢查邏輯，若無權限則彈窗提示。
6. 預期錯誤處理 (Error Handling)
Permission Denied: 提示使用者執行 sudo usermod -aG dialout $USER。
Disconnected: 若傳送中 USB 拔除，應立即捕捉異常並停止計時。
Scale Error: 若圖檔太大超過畫布，應具備 Fit to Canvas 的自動縮放邏輯。

補充規格：原點校正與座標偏置 (Origin & Offset Calibration)
1. 核心邏輯 (The Logic)
割字機通常有兩個原點概念：
Machine Home (機械原點)： 機器開機後感應器觸碰到的物理極限點。
User Origin (用戶原點/工作起點)： 你手動將刀頭移動到材料邊角後設定的 (0,0)。
2. 功能需求 (Feature Requirements)
AI Agent 需要在 UI 上增加一個「校正面板」，包含以下功能：
Jog Control (手動微調)： * 提供上下左右按鈕，發送微小的移動指令（例如每次移動 1mm 或 10mm）。
指令範例：PU{current_x + 40},{current_y};。
Set As Origin (設為原點)： * 當用戶把刀移到滿意的位置後，按下此鍵。
軟體會將當前的機械座標記錄為 Offset_X 與 Offset_Y。
之後所有的 SVG 座標都會加上這個 Offset。公式：Final_X = (SVG_X * 40) + Offset_X。
Go To Origin (回起點)： * 快速測試指令：PU0,0; (相對於用戶原點)。
3. 視覺化配合
在畫布（Canvas）上，用一個「十字準星」或「紅色方框」標示出目前刀頭的預期位置。
當用戶點擊微調時，畫布上的準星要同步移動。

我將這份 Spec 投入 Gemini CLI，讓它進行實作。經過幾輪的 Debug 與邏輯修正，我的切割機終於在 Linux 上完美復活了！

如果你也有類似的老舊割字機在 Linux 下無法使用的困擾，歡迎參考或 Fork 我的專案，並利用 AI Agent 針對你的硬體特性進行微調。

專案位址： https://github.com/chihhsiangchien/pycutter

工廠測試後門：記憶卡裡的祕密

腳本核心功能解析

突破防線：獲取 Root 權限

硬體規格探秘

系統與記憶體資訊

資安問題

Step 1: 網路狀態初步掃描

Step 2: 殺不死的 p2pserver？

Step 3: 斬草除根 —— 關閉 watch_process

Step 4: 最終狀態確認

數據清洗：確保物理分析的準確性

熱力學推導：從馬赫數找回氣溫

音速與高度的變化觀測

對流層頂 (Tropopause) 的自動偵測

風場分析與西風指標 (Westerly Index)

D-Value 分析：氣壓偏差的實測

高階建模：空氣密度與能量高度

信號與流量分析 (Traffic & Signal)

航向流量統計 (Heading Rose)

性能差異：不同機種的飛行特徵

技術核心：在機器人大腦裡植入「寄生蟲」

安裝流程與環境準備

1. 回復原廠設定

2. 下載必要程式

3. 系統環境的坑

執行燒錄指令

開箱掃地機器人的「內臟」

去雲端化前後對比

進階探索：AI Agent 與移動控制實驗

結語：CP 值極高的開發平台

尋找最適合教學現場的方案

針對高效能與耐用度的頂規硬體配置

環境部署與網路邏輯的取捨

現代化架站秘訣：用 AI 當助手

去看海時，你會不會好奇那艘船有多遠？

一、 公式來源：Heinemann 的鳥類觀測研究

二、 幾何推論：從「平面」到「曲面」

三、 修正公式與代號意義

四、 DIY 製作與實測

五、 同場加映：如何在 Excel 計算？

什麼是龐加萊圖？

1. Wide Mode (廣角模式)：大局觀

2. Zoom Mode (縮放模式)：精細度

3. Auto Mode (自動縮放)：全視角

其他數據：SD1、SD2、R 與 A

1. SD1 (短軸)：副交感神經的「即時煞車」

2. SD2 (長軸)：自律神經的「總體引擎」

3. R (Ratio) - 自律神經平衡比

4. A (Area) - 總體能量 (橢圓面積)

其他圖表解析

Autonomic State Map (ASM)：神經態勢圖

Energy vs Balance (能量平衡圖)：抗壓儲備指標

應用場景

步驟一：修改主題 Header 區塊

實作示範對照區

範例 1：顯示 LaTeX 原始碼而不被公式化

範例 2：分段函數 (Cases)

範例 3：多行推導對齊 (Aligned)

範例 4：數學表格 (Array)

範例 5：Python 程式碼區塊

總結

AI Agent 專案規格書：Linux 智慧切割傳送器 (PyCutter)

1. 專案目標 (Project Objective)

2. 技術棧要求 (Tech Stack)

3. 核心功能模組 (Functional Modules)

A. 檔案與路徑處理 (SVG to HPGL)

B. 硬體連線管理 (Connection Manager)

C. 視覺化監控畫布 (Live Monitor)

D. 流量控制傳送引擎 (Throttled Sender)

4. 使用者介面需求 (UI Requirements)

5. AI Agent 的開發任務分解 (Task Breakdown)

6. 預期錯誤處理 (Error Handling)

補充規格：原點校正與座標偏置 (Origin & Offset Calibration)

1. 核心邏輯 (The Logic)

2. 功能需求 (Feature Requirements)

3. 視覺化配合

一、公式來源：Heinemann 的鳥類觀測研究

二、幾何推論：從「平面」到「曲面」

三、修正公式與代號意義

五、同場加映：如何在 Excel 計算？