7/11巴威颱風的頭前溪溪水

7/11巴威颱風的頭前溪溪水

昨日7/11，巴威颱風因著雪山山脈的攔截，在桃竹苗山區降下大雨。這些雨水就順著河流流入大海，當然頭前溪就會隨之暴漲溪水。

在當天晚上我把定點攝影的影片匯集起來，濃縮成這30秒，就可以看看整個溪水變化的過程

 

會考各科分析視覺化、生物考題互動答題、生物複習講義

會考各科分析視覺化、生物考題互動答題、生物複習講義

幾年前作了歷年各科會考分析的通過率鑑別度的視覺化呈現，本來想著每年都更新，但是時間到了卻是懶得做。

拖了四年後，終於前幾天想說就來更新一下，不過這次就不是純人工作業了，而是使用AI AGENT來進行。我直接用antigravity讀取過去那個repo，讓它改寫過去的程式來做更新。

成果非常好，幾十分鐘之後就更新了，並改寫入口網站。

現在從這裡進去就是一個視覺化的網頁，有會考基測的線上互動答題區，也有各科的分析網頁

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

前幾天也利用AI讀取考古題，然後用Latex來編寫了一份講義。可以搭配這裡的互動答題使用。

https://github.com/ChihHsiangChien/question_database/blob/master/biology_handout.pdf

0050 實時交易模擬挑戰

0050 實時交易模擬挑戰

幾年前有幫家人退休金規劃了0050，每當台股來到高點，家人就會問我：「現在要不要先賣掉，等跌下來再接回來？」

面對這種「擇時交易」的迷思，我每次都會說幾個現實：

1.想靠進出賺錢，你必須連續猜對「賣出」與「買回」兩個時間點。這比想像中難得多。

2. 每次交易，你都要問自己：為什麼對方覺得現在該買？你的資訊量真的比擁有 AI 演算法的三大法人多嗎？

3.不要忘記交易手續費與稅，而且賣掉後如果是漲上去，你也不敢買回來啊。

最後我就會說：「如果你真的想挑戰市場，就真的去試試看啊。」但家人通常也只停留在說說。

為了讓這種爭論有個定論，我乾脆弄了一個 App。它會抓取過去真實的歷史資料，讓你進行任選幾回合的交易模擬（預設5回合，每回合 60 個交易日）。

交易結束之後會有結算報告，可以看看到底你的選擇，讓你最後會有多少資產，是否可以接近有上帝視角的完美擇時。

https://optitime-0050-mkzmite3w3vknlpa65mqqg.streamlit.app/?embed=true

不崩潰的秘密：在內心建立一座滯洪池

不崩潰的秘密：在內心建立一座滯洪池

 最近幾年帶專題研究，主題經常是探討物理與生物系統中的各種應力與應變，像是我們曾經研究過的粉圓受壓實驗。

我學到的是，如果我們只是想著抵抗壓力，不斷武裝自己，拒絕讓外在壓力產生任何改變。這種結果往往是累積耗損，最後就會在某個臨界點直接脆斷、崩潰。

但如果將重點轉向「韌性」，既能承受壓力，也允許系統產生應變。即便壓力大到導致顯著變形，只要在壓力過後能夠「釋放應力」與「彈性恢復」，就像拉扯橡皮筋後又回到原來狀態，我們就不必害怕變形帶來的後果。

昨天的強降雨，城市該如何應對？傳統思維偏向建造高聳的防洪堤，試圖將大水完全拒於城外；這是以「全面抵抗」作為對策，但一旦堤防潰堤，災難往往比自然漫流更劇烈。

反之，若我們承認降雨（壓力）的不可抗力，轉而透過透水鋪面與滯洪池，讓水流在結構中自然滲透、產生應變，將水暫時留存、慢慢消化。在這過程中，城市雖看似被淹沒了，但這是一種受控、短暫且具備彈性的狀態。

透過這種適度的變形與吸納，城市反而保全了整體骨架，待雨過天晴，又能迅速恢復原樣。

面對內心的壓力也是如此。當壓力突襲，若選擇築起高牆武裝自己，一旦壓力突破極限值，最終就是崩潰。

反之，如果能建立內心的滯洪池，允許自己在壓力高峰期產生適度的焦慮或挫折，給予情緒緩衝的時間與空間。待壓力平息後，再透過心理的排水系統沉澱或抒發，代謝掉累積的壓力。

真正的韌性，不在於強求毫髮無傷，而在於懂得允許自己變形，並在壓力離去後，具備回歸平衡狀態的能力。

四小時山嵐的縮時凝視-飛鳳山的縮時攝影

四小時山嵐的縮時凝視-飛鳳山的縮時攝影

下雨過後，常常可以看見雲氣繚繞山頭，它們從哪裡湧現？又在何時消散？肉眼凡胎縱使屏氣凝神看它一整天，也不可能洞悉，因為腦中無法疊合每一分鐘的雲氣變幻，即便它們如此顯眼。

此時，只有將時間資訊壓縮，數據才會浮現。

這是6/27一早的定點長時間拍攝，前一天才是新竹的強降雨，將四小時的緩慢對流壓縮成一分鐘的縮時影片，規律清晰可見。

觀察山嵐的變化，就會明白許多事物之所以顯得無常，往往只是因為觀測的時間尺度太短。

在大自然的視角下，雲氣消散並非結束，只是轉換型態隨風遠行；繚繞也並非只是停留，而是不斷在山頭間流動。

​我們以為的消失，是進入視覺上的不可見；而我們以為的無常，也只是恆常的一部分。

數位轉型，從舊筆電的Windows改成linux mint

數位轉型，從舊筆電的Windows改成linux mint

 學校裡有一車八年的舊款 HP 筆電，裝的是 Windows OS，很奇怪，wifi網路連線的品質很差，總是經常斷線。因為一直不能解決，後來我看它也老了，微軟也即將不支援了，乾脆把它們全面遷移至 Linux Mint。

結果非常令人滿意，網路連線不僅變得穩定，課堂教學所需的 Arduino 開發、程式設計，甚至是專題研究中的排版與海報製作，在 Linux Mint 上都能運作得順暢自如。

前幾周，班上一位學生提到家中的筆電裡面裝的是更早之前就已停止支援的 Windows 7，效能遲緩令他非常困擾，問我可以怎麼辦。

我說不妨嘗試 Linux，一開始他並不知道哪是什麼東西，直到我跟他說就是平常課堂上用的那個系統，他才知道原來那就是linux。對學生而言，其實win和linux沒什麼差別，反正能用就好。

後來我幫他把系統裝在隨身碟讓他試用了一陣子，他就決定將系統徹底換成 Linux。

我也告訴他，不用擔心不會操作，未來遇到任何技術困難，只要 AI 問一問，然後貼上終端機指令，問題大多能迎刃而解；之後我還會進一步教他運用 AI Agent 直接在終端機內管理電腦，屆時效率會更高。

看到他使用一陣子後，對 Linux 的評價相當正面，看來我成功帶進了一位 Linux 國中生。這份經驗也再次印證我的觀察：年輕學生對於新事物的學習力與接受度很高，因為也沒什麼太多刻板印象會影響他。

小米系列產品的硬體逆向工程與大型互動顯示器改造

小米系列產品的硬體逆向工程與大型互動顯示器改造

最近著迷於硬體的逆向工程，回想幾年前還沒有資安意識時，買了很多小米系列產品，最近把它們全翻出來，收歸它們的數位主權。

小米掃地機器人

做法是植入一個開源的 Valetudo 進去，直接控管內部，阻斷所有資料回傳伺服器，把控制權從雲端拿回本地。深入挖掘後發現其底層是 ubuntu，cpu還是當年會用來作安卓平板的，難怪裏頭還有GPU。再更深入探索機器人的實作程式，原來用的是開源的 Player Project。

小蟻攝影機

這個早就被找出後門的機器，以前就駭過但不知細節。現在多了資訊能力更能深入其中，裏頭是 linux 嵌入系統，硬體用的是因後門爭議而聞名的海思晶片。總之駭入後，就可以關掉一些程序，徹底收編為我個人的監控節點。

小米路由器

刷入 OpenWrt，這是一個基於 Linux 的開源嵌入式作業系統，就像收編間諜一樣，可以徹底管控它。

玩了這些還不夠，最近又取得具有高通 SDM845 晶片的手機，因為這款晶片已被 linux 開源社群開發併入 Linux Mainline。具備這款晶片的手機，可以刷成純 linux 的系統，這樣可以作為開發小型應用的行動工作站，拿著手機就像拿著電腦一樣。

還 hack 了什麼？

最近學校有個教室配置了多個大型互動顯示器，還併排成在一起，但使用上就是多個獨立螢幕。於是我進入了系統內部研究了，就把它們當作大型安卓平板進行架構分析。評估系統效能後，在其中一台運行 Node.js 作為網頁伺服器，透過 WebSocket 同步機制強制三塊螢幕渲染同一網頁內容，這樣就可以實現了拼接顯示。後來持續進行的是，還讓每個螢幕各自連接網路攝影機，並在本機的 GPU 執行 AI 姿勢偵測，直接將這些顯示器轉化為大型的互動體感裝置。

用西谷米做捉放法

用西谷米做捉放法

感謝棋俊老師的創意，用西谷米來做捉放法活動果然好用很多。

課本上是使用圍棋子，但有用過的老師都一定會發現由於故意或非故意的原因，棋子一定會越來越少。

而使用西谷米，既便宜又好標記，每人能一組，就算掉了也沒關係。當然為了避免一開始就有人吃掉，不能先把其真實身分透露出來，只能說是白色小珠珠。

一人給兩個試喝的小紙杯進行操作，兩個紙杯方便倒出處理，其中一個小紙杯底部事先倒一層西谷米，這樣的數量大約130個。就算30個人一人一組，用掉將近4000顆，一整包西谷米其實還不到半包。

標記的方式就只要用色筆或螢光筆就可以。我的做法就是讓學生標10個，然後就可以實作捉放法。最後回收時，再把有標記的和沒標記的分開收回，沒標記的又可以再回收使用。

粉紅渦蟲養殖場

粉紅渦蟲養殖場

國中生物會教到兩次渦蟲，一次在無性生殖，第二次在扁形動物。課堂上播放的影片總是讓學生一提到渦蟲就直呼「好可愛！」、紛紛說著想把牠「切一切」，甚至還有幾個學生興致勃勃地說好想帶回家養。

聽學生說了幾次之後，我就隨口應了一句：「那我弄個數位板的渦蟲給你們養吧！」

就像過去開發教學工具一樣，先在腦海中想好具體目標，接著透過 AI Agent 協作，這款療癒系的「數位渦蟲養殖場」就這麼來了！

線上連結：
https://chihhsiangchien.github.io/pinky-planarian/

數位渦蟲的技術與特色

這款養殖模擬器利用了物理模擬技術，呈現出渦蟲那種軟綿綿、四處游動的動態。在功能設計上可以進行餵食，觀察牠們長大，還可以切斷再生。

網頁支援 PWA (Progressive Web App) 技術。使用者可以像安裝手機 App 一樣，直接將這個網頁添加到手機的主畫面，隨時隨地開啟這個口袋渦蟲水族箱。

互動工具箱功能

系統的互動工具如下：

• 觀察： 好奇的渦蟲會受到吸引，主動游向你的滑鼠指標並盯著它看。
• 餵食： 投餵愛心形狀的食物，點擊後看著渦蟲慢慢將其吸收並逐漸長大。
• 魔法棒： 揮舞魔法棒切割渦蟲，牠們就會在畫面上即時分裂並展現再生能力。
• 逗弄： 游標直接接觸渦蟲時，可以真實地撥弄、干擾牠們的游動方向。
• 召喚： 點擊畫面任意空白處，可以發出訊號吸引全場的渦蟲聚集。
• 換水： 當背景逐漸變綠、代表水質惡化，渦蟲的活動力會隨之下降。此時必須趕快換水，否則渦蟲會開始萎縮。
• 療癒音訊： 背景搭配了即時合成的 3/4 拍音樂盒 BGM，並針對各項互動加入了清脆的特效音。

用電腦顯示MLX90640熱像攝影模組的熱像

用電腦顯示MLX90640熱像攝影模組的熱像

幾年前買了一個熱影像攝影模組／紅外線陣列 MLX90640（110度版本），當時搭配 Wio Terminal 一起購買，主要是將影像直接放在 Wio Terminal 的小螢幕中顯示。那時的程式碼直接套用廠商提供的範例，也沒有深入去管它的運作原理。

最近重新翻出這個有趣的機器，心裡冒出一個新目標：想要把熱影像直接在電腦螢幕上呈現。畢竟在教學現場或實驗演示時，這樣才方便直接投影到大螢幕上讓大家看清楚。稍微研究了一下它的規格，原來 MLX90640 的通訊方式是 $I^2C$。那基本邏輯就很簡單了：我只要用一個開發板負責透過 $I^2C$ 把 MLX90640 偵測到的溫度數據拿回來，再透過 UART 序列通訊（Serial）轉送進電腦，最後電腦端用 Python 來處理這些數據並即時繪圖就可以了！

架構：
MLX90640 (感測器) → [I2C] → Wio Terminal (轉運站) → [USB Serial] → 電腦 → [Python + OpenCV] → 大螢幕投影

既然原本就是搭配 Wio Terminal，那我就直接用它來當作數據的「轉運站」。以下是處理序列傳輸的 Arduino 端的程式碼：

Wio Terminal 端：序列轉運站程式碼

#include <Adafruit_MLX90640.h>

Adafruit_MLX90640 mlx;
float frame[32*24]; 

void setup() {
  Serial.begin(115200); 
  while (!Serial) delay(10); 

  Wire.begin();
  // 如果 1MHz 會卡死，先退回標準的快速模式 400kHz，這最安全穩定
  Wire.setClock(400000); 

  if (!mlx.begin(MLX90640_I2CADDR_DEFAULT, &Wire)) {
    while (1) delay(10); 
  }

  mlx.setMode(MLX90640_CHESS); 
  
  // 將解析度降為 16 位元（或 MLX90640_ADC_17BIT）
  mlx.setResolution(MLX90640_ADC_16BIT); 

  mlx.setRefreshRate(MLX90640_4_HZ); // 可以先從 2Hz/4Hz 驗證，再嘗試調成 MLX90640_8_HZ
}

void loop() {
  // 抓取一影格的溫度資料 (這一步在高頻時會阻塞等待感測器準備好)
  if (mlx.getFrame(frame) != 0) {
    return; 
  }

  // 將 768 (32x24) 個點的數據輸出到電腦
  for (int i = 0; i < 768; i++) {
    // 小數點改為 1 位即可（例如 26.5），減少一半的 Serial 傳輸字元量，讓速度更快
    Serial.print(frame[i], 1); 
    if (i < 767) {
      Serial.print(",");
    }
  }
  Serial.println(); 
}

接著是電腦端的重頭戲。我們利用 Python 讀取 Serial 連接埠的資料，將收到的 768 個浮點數重新組裝成 $32 \times 24$ 的矩陣。為了讓視覺效果更好，程式中使用了雙三次插值（Bicubic Interpolation）將解析度平滑放大，並套用內建的 COLORMAP_TURBO ，加上了滑鼠移動即時顯示該點「真實溫度」的功能！

電腦端：Python 數據接收與熱影像視覺化

import serial
import serial.tools.list_ports
import numpy as np
import cv2
import time

BAUD_RATE = 115200
SCALE_FACTOR = 20     # 32x24 放大 20 倍 = 640x480

# 全域變數，用來記錄滑鼠當前在放大影像上的 (x, y) 座標
mouse_x = -1
mouse_y = -1

def mouse_move_callback(event, x, y, flags, param):
    """ 監聽滑鼠移動事件 """
    global mouse_x, mouse_y
    if event == cv2.EVENT_MOUSEMOVE:
        mouse_x = x
        mouse_y = y

def find_wio_port():
    """ 自動尋找或讓使用者手動選取序列埠 """
    ports = list(serial.tools.list_ports.comports())
    if not ports:
        print(" 錯誤：電腦目前沒有連接任何序列埠裝置（請檢查 USB 線）。")
        return None

    for p in ports:
        description = p.description.lower()
        manufacturer = (p.manufacturer or "").lower()
        if "seeed" in description or "arduino" in description or "seeed" in manufacturer:
            print(f" 自動偵測到 Wio Terminal: {p.device}")
            return p.device
            
    if len(ports) == 1:
        print(f" 自動選定唯一的序列埠: {ports[0].device}")
        return ports[0].device
        
    print("\n 找到多個序列埠，請手動選擇 Wio Terminal 連接的編號：")
    for i, p in enumerate(ports):
        print(f"  [{i}] {p.device} - {p.description}")
        
    while True:
        try:
            choice = input(f"\n請輸入編號 (0-{len(ports)-1}): ").strip()
            idx = int(choice)
            if 0 <= idx < len(ports):
                return ports[idx].device
            else:
                print(f"請輸入 0 到 {len(ports)-1} 之間的數字。")
        except ValueError:
            print("請輸入有效的數字。")

def main():
    global mouse_x, mouse_y
    
    PORT = find_wio_port()
    if not PORT:
        return

    try:
        ser = serial.Serial(PORT, BAUD_RATE, timeout=1)
        print(f" 成功連線至: {PORT}")
    except Exception as e:
        print(f" 錯誤：無法開啟序列埠 {PORT}。原因: {e}")
        return

    time.sleep(1.5)
    ser.reset_input_buffer()

    # 先建立視窗，這樣才能綁定滑鼠事件
    window_name = "Wio Terminal MLX90640 Smooth Thermal"
    cv2.namedWindow(window_name)
    cv2.setMouseCallback(window_name, mouse_move_callback)

    print("\n 影像視窗已啟動！")
    print(" 提示：將滑鼠移入畫面即可顯示當前位置溫度。點擊影像視窗並按 'q' 鍵可關閉程式。")

    while True:
        if ser.in_waiting > 0:
            try:
                line = ser.readline().decode('utf-8').strip()
                if not line:
                    continue
                
                str_list = line.split(',')
                if len(str_list) != 768:
                    continue
                
                # 重組原始 24x32 的溫度矩陣
                raw_matrix = np.array(str_list, dtype=np.float32).reshape(24, 32)
                raw_matrix = np.fliplr(raw_matrix)  # 鏡像修正（讓畫面與手同向）

                min_temp = np.min(raw_matrix)
                max_temp = np.max(raw_matrix)
                
                # 正規化到 0~255 灰階
                if max_temp == min_temp:
                    gray_img = np.zeros((24, 32), dtype=np.uint8)
                else:
                    gray_img = (255 * (raw_matrix - min_temp) / (max_temp - min_temp)).astype(np.uint8)
                
                # 雙三次插值美化放大
                target_size = (32 * SCALE_FACTOR, 24 * SCALE_FACTOR)
                smooth_img = cv2.resize(gray_img, target_size, interpolation=cv2.INTER_CUBIC)
                
                # Turbo 高質感色圖
                color_heatmap = cv2.applyColorMap(smooth_img, cv2.COLORMAP_TURBO)
                
                # --- 核心：計算滑鼠所在位置的溫度 ---
                if 0 <= mouse_x < target_size[0] and 0 <= mouse_y < target_size[1]:
                    # 將放大後的像素座標 (mouse_x, mouse_y) 反推回原始的 32x24 矩陣索引
                    orig_col = int(mouse_x / SCALE_FACTOR)
                    orig_row = int(mouse_y / SCALE_FACTOR)
                    
                    # 邊界安全檢查
                    orig_col = max(0, min(orig_col, 31))
                    orig_row = max(0, min(orig_row, 23))
                    
                    # 抓取未經插值的「真實溫度」
                    current_pixel_temp = raw_matrix[orig_row, orig_col]
                    
                    # 在滑鼠游標右下方繪製十字與溫度標籤
                    text_x = mouse_x + 15
                    text_y = mouse_y + 15
                    
                    # 防止文字超出右方與下方邊界
                    if text_x > target_size[0] - 120: text_x = mouse_x - 110
                    if text_y > target_size[1] - 10: text_y = mouse_y - 15
                    
                    # 畫一個小小的中心點十字提示
                    cv2.drawMarker(color_heatmap, (mouse_x, mouse_y), (255, 255, 255), 
                                   markerType=cv2.MARKER_CROSS, markerSize=10, thickness=1, line_type=cv2.LINE_AA)
                    
                    # 秀出滑鼠指著的溫度（黑框白字看得比較清楚）
                    cv2.putText(color_heatmap, f"{current_pixel_temp:.1f} C", (text_x, text_y), 
                                cv2.FONT_HERSHEY_DUPLEX, 0.5, (0, 0, 0), 3, cv2.LINE_AA)
                    cv2.putText(color_heatmap, f"{current_pixel_temp:.1f} C", (text_x, text_y), 
                                cv2.FONT_HERSHEY_DUPLEX, 0.5, (255, 255, 255), 1, cv2.LINE_AA)
                
                # 固定顯示左上角的最高/最低溫
                cv2.putText(color_heatmap, f"Max: {max_temp:.1f} C", (15, 40), 
                            cv2.FONT_HERSHEY_DUPLEX, 0.6, (255, 255, 255), 1, cv2.LINE_AA)
                cv2.putText(color_heatmap, f"Min: {min_temp:.1f} C", (15, 70), 
                            cv2.FONT_HERSHEY_DUPLEX, 0.6, (255, 255, 255), 1, cv2.LINE_AA)
                
                cv2.imshow(window_name, color_heatmap)

            except Exception as e:
                pass
                
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    ser.close()
    cv2.destroyAllWindows()
    print("程式已安全結束。")

if __name__ == "__main__":
    main()

這樣一來，原本在 2.4 吋小螢幕裡的熱影像，就能順利以 640x480 的畫面投影到教室的大螢幕上了！就能拿來做生物體溫、植物蒸散作用或環境物理性質的演示。

無線傳電的Demo教具

無線傳電的Demo教具

上週研習時，學校的君翰老師帶大家做了電磁學的教具，原型是其他老師去科工館看到的。原本的設計是透過繞線圈，觀察通電後的磁場改變如何使得指北針偏轉。

四周有兩處缺刻的壓克力板，對於固定繞線圈十分友善。看著繞好的線圈，我突然有了靈感，好像可以把它改造成其他教具？於是，我跟同事要了一套他的材料，拿回來摸索一下，最後成功做出了一個「無線傳電教具」。

無線傳電教具成果展示

先來看看實際的展示效果。下圖左邊是發射線圈（加了一些電子元件，後面會詳細說明），右邊則是接收線圈，結構非常純粹：只有漆包線圈直接接上一顆紅光 LED 燈。

實驗操作時，完全不需要任何實體導線連接，只要將接收線圈逐漸靠近發射線圈，右側的紅光 LED 就會神奇地亮起來！

動態演示影片如下：

自製電路佈線與製作細節

這個無線傳電教具的核心在於發射端的「自激震盪電路」。電路的繞線與接線方式如下：

• 發射線圈繞法：先繞 10 圈之後，留出一段漆包線不繞（作為中央抽頭），隨後順著相同方向繼續繞 10 圈。這個中央抽頭要連接到 3V 電池的正極。（註：也可以用兩組獨立的 10 圈線圈，將其中一組的尾端與另一組的頭端相接，同樣能拉出中央抽頭）。
• 電晶體接線：整組發射線圈的「頭端」和「尾端」，分別連結到三極體（電晶體）的 C極（集極）與 B極（基極）。
• 安全保護：在連接 B極 之前，必須先串聯一個電阻，避免流入基極的電流過強而燒毀元件。
• 電源迴路：電晶體的 E極（射極） 則直接接回電池的負極（GND）。
• 接收線圈：同樣繞 10 圈並直接閉路接上紅光 LED。依據實際測試，接收端理論上可以用更少的圈數達到同樣的感應效果。

科學原理

自激震盪與電磁感應：
這個電路的核心目的，是利用電晶體達成極高頻率的「導通與斷電」切換。通電瞬間，連接 B極 的線圈導電並產生初始磁場，此磁場的變化使連接 C極 的線圈產生感應電動勢，進而誘發更大的電流。這個增強的電流反過來進一步推動 B極，使電晶體迅速達到「飽和導通」。當電晶體飽和後，電流不再變化，磁場隨之停止增長；失去了變化的磁場，B極 失去推動力，電晶體隨即斷電。斷電後整個過程再度重演。

透過上述的循環，發射線圈便能產生高頻率的電磁震盪。此時，一旁的接收線圈切換進入這個快速變化的磁場中，根據法拉第電磁感應定律，接收線圈內就會產生感應電流，成功推動紅光 LED 發光。

原型實驗與替代材料建議

除了使用研習提供的壓克力板作為繞線骨架外，其實我一開始進行概念驗證時，是直接拿市售整捆未拆的漆包線圈來做發射端的。當時先把線圈拆開重新繞製，抓出中央抽頭；而接收端則是隨手繞在普通的紙杯或塑膠杯上。這種作法，也適合作為學生探究與實作的課堂材料，在此一併分享給大家參考。

科學魔法車的兩級 RC 弛張震盪器 (RC Relaxation Oscillator)

科學魔法車的兩級 RC 弛張震盪器 (RC Relaxation Oscillator)

 我在學校有開一個給資優生的選修課，用的是科學魔法車，是教學生電子電路應用和寫程式。

在這個課程中，用的是曹老師設計的教材，其中有一個電路很有趣，是我會多花一點時間給學生玩的，就是這個兩級 RC 弛張震盪器 (RC Relaxation Oscillator)

用的就是一顆反向器IC 4069，藉由四個反向器搭建出來的高頻與低頻振盪電路，確定會發出聲音之後，下一步就可以把30 KΩ 和 20 KΩ 換成可變電阻，然後就可以任意用這兩個電阻創造不同的聲音。

最後再把可變電阻換掉，變成兩條鱷魚夾。然後準備一張紙，紙上用2B鉛筆畫出筆跡，延伸到紙緣，用其中一條鱷魚夾夾住。另外一個鱷魚夾就可以在筆跡上面移動，就像是可變電阻那樣控制出不同的聲音。

如果設計得當，甚至是可以創造出音階，好好唱一首歌曲喔。

用micro:bit玩體感遊戲

用micro:bit玩體感遊戲

前一陣子都在玩 micro:bit，嘗試用它來做各項應用。回憶起很早以前玩 Scratch 時，除了在電腦上直接按鍵控制角色外，也可以透過一些軟硬體套件配合，利用 Arduino 來連動。後來也有軟體搭配，讓 micro:bit 能夠控制 Scratch 角色。這讓我想到：我應該可以繞過這些複雜的套件，直接用 micro:bit 來控制網頁遊戲吧？

技術原理與可行性

結合以下三個核心特色，就能達成硬體與網頁遊戲的互動：

• 感測器豐富：micro:bit 內建傾斜、加速度和光線感測器，能即時產生動態數據。
• 多元傳輸介面：數據可以透過 UART Serial（USB 線）或藍牙（Bluetooth）傳回電腦。
• 現代瀏覽器支援：目前的瀏覽器（如 Chrome）已支援 Web Bluetooth 或 Web Serial API，可直接讀取硬體資料。

micro:bit 體感遊戲控制專案

基於上述構想，我製作了一個小專案。透過這個網頁介面，你可以輕鬆實現體感操作：

• 體驗網頁：micro:bit 體感遊戲控制
• GitHub Repo：ChihHsiangChien/microbit-BLE-UART-game

設定教學與操作流程

1. MakeCode 專案設定

在使用藍牙連線前，務必先在 MakeCode 進行以下設定：

1. 點擊 MakeCode 右上角的齒輪 ⚙️。
2. 選擇「專案設定」(Project Settings)。
3. 勾選 No Pairing Required (不需要配對)。

2. 產生並燒錄程式

在專案網頁中，你可以選擇想要的「控制方式」與「傳輸介面」，網頁會自動產生對應的程式碼。請切換到 micro:bit MakeCode 的 JavaScript 標籤區，將代碼貼上並上傳至開發板。

3. 開始玩耍

設定完成後，下方就有一些簡單的體感遊戲可以直接測試玩耍囉！

透過這種方式，就可以用 micro:bit 成了網頁遊戲的搖桿。

【自製運動感測器】用 Micro:bit 測量槓鈴速度：挑戰 1000Hz 高頻採樣的底層開發實錄

【自製運動感測器】用 Micro:bit 測量槓鈴速度：挑戰 1000Hz 高頻採樣的底層開發實錄

在我的重量訓練課表中，除了肌力訓練外，也會加入「爆發力（Power）」訓練，例如舉重衍生動作或壺鈴抓舉。雖然口語說爆發「力」，但在運動科學的定義中，它更精確的定義是「功率」。

爆發力的物理本質

爆發力並非單純的力量，而是功率的表現。我們可以透過以下公式來理解：

爆發力（Power）是力與位移的乘積除以時間，即：
$$ P = \frac{F \times s}{t} = F \times v $$
其中 $F$ 為力量（$m \times a$），$v$ 為速度。

換句話說，在處理特定重量時，若能產生更大的加速度與速度，或是在更短的時間內完成更長的位移，就代表爆發力表現越佳。

測量技術的挑戰

在運動科學領域，測量功率通常有兩種路徑：

• 線性位移感測器 (LPT)：測量外部負載（如槓鈴）的位移，透過時間差分算出瞬時速度、加速度與功率。
• 加速度感測器 (IMU)：直接測量負載加速度。雖然理論上可以透過積分算出速度與位移，但微小的加速度偏差在積分過程中會產生巨大的累積誤差。

為了打造自己的測量裝置，我一開始先嘗試使用 Arduino Nano 33 IoT，但電源配置很麻煩，我沒找到可以用的電池方案。後來我想到，其實microbit有很多穿戴式的應用，再加上它也有三軸加速度和藍牙裝置，所以最終我選擇了 Micro:bit V2 作為開發核心。

開發關鍵：突破採樣頻率瓶頸

若要精準測量槓鈴移動，理想的採樣頻率需要達到 1000Hz。然而，標準的積木程式（MakeCode）底層架構無法支援如此高頻的數據傳輸。經過翻閱文件與 AI 協作，我決定從底層進行開發。

核心邏輯如下：

1. 使用底層 I2C (400kHz) 達成穩定 1ms 的加速度採樣。
2. 暫存數據，每累積 20 筆資料（約 120 Bytes）封裝為一組 BLE (Bluetooth Low Energy) 封包傳出，以確保傳輸效率。

韌體下載與安裝

我已經將編譯好的 Hex 檔案放在 GitHub，請下載後直接拖入 Micro:bit V2 在電腦上辨識成的隨身碟即可：

下載韌體 (v1.0)

操作說明

Micro:bit 端控制

• A 鍵：切換感測器量程 (2g, 4g, 8g, 16g)。LED 螢幕首列會亮起對應數量的燈號表示目前量程。
• B 鍵：開啟或關閉 LED 矩陣顯示。
• 藍牙配對：開機即自動進入廣播模式，無需 PIN 碼。裝置名稱為 MB_[五個英文字母]。

視覺化圖表與網頁介面

數據呈現交給瀏覽器的 Web Bluetooth API。您可以使用 Chrome（Windows/Linux/Android）或 Bluefy（iOS）連結至以下網頁：

線上測量工具網頁

實作與安裝建議

在開始測量前，務必將 Micro:bit 固定後靜止進行重力校準。因為感測器固定在器材上時必然會有傾斜角度，校準後才能獲得正確的垂直向加速度。

關於硬體固定方式，建議搜尋 "microbit 2032 watch" 相關擴充套件，找附帶電池座的穿戴式套件，適合綁在手上或固定在器材上。

校準完成後，您可以透過網頁端的「定時錄製」功能，設定延遲啟動與錄製時長，如同相機自拍設定一般簡單。以下是實際測量與錄製的數據介面參考：

所有原始碼都在這，如果你有興趣看看的話

數位電路模擬器

數位電路模擬器

 上個月一個學生問了我CPU裡面是什麼東西，雖然我口頭上簡單說了一些，但是總覺得還想多一些細節描述。回來之後，就想應該可以找數位電路的模擬器來做個web介面來解釋看看吧。

以前我修資訊二專的課程時，在學計算機組織的課程時，就自己找了Digital Logic Sim這個軟體自己玩了一陣子，最後其實是可以搭出CPU的喔，但就所有要自己純手工搭建。

而既然我想要弄個web介面來展示的話，就想讓AI來幫忙建一下。先說結論，最後是有搭出來，但CPU模式還是沒完整成功，但至少前幾個步驟都還是不錯的。

https://chihhsiangchien.github.io/CPU-sim/

我覺得前面幾個step用來解釋內部元件是蠻不錯的。

科展海報設計線上工具

科展海報設計線上工具

指導科展的倒數工作之一，就是要指導學生製作海報。許多年以前，自己還是國中生的時候，是用一張大白報紙上面先用鉛筆畫格子，然後用麥克筆一個字一個字填到格子裡。

後來出現「非常好色」這樣的軟體後，改成設計海報後再切分成多張A4紙來組合出海報。

如今的作法則是用向量軟體在電腦上設計海報，再將海報檔案交給廠商做大圖印製。當我跟學生說要製作海報時，告訴學生可以用哪些軟體製作，例如powerpoint，不過今年學生倒是直接想用canva來製作，我覺得也好，可以共用也有許多範本可以參考，應該還不錯吧。

但等到他們交出初版海報時，倒是嚇我一跳，居然一點都沒參考範本，幾乎就是報告文字白紙黑字直接複製貼上，且圖片還用低解析度，甚至尺寸還比書面報告小。想想也不能太苛責，畢竟海報設計若要憑空想像版面配置和色彩配置，也實在困難。所以後來又花了一段時間教他們修改與微調，總算是能夠見人了。

交件後，我突然想到，如果來做一個科展海報的範本系統，應該很不錯。其實做海報若不考慮多人協作，我認為inkscape是好選擇，內部其實就是用svg繪圖，而svg又是AI可以直接協作的語言。

總之，我就弄了一個海報範本的系統

https://chihhsiangchien.github.io/sciPosterArchitect/web_builder.html

可以選擇多種色彩系統

每個區塊的外框設計

每個小標題的裝飾和幾何形狀

你也可以修改範本裡的文字來看看效果，最後可以輸出svg檔，用inkscape編輯。就算不用它來編輯，也可以用來做版面配置規劃與色彩選擇。

重回駭入小蟻攝影機

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：

1. 在本地端製作一個「無密碼 root」的 new_passwd 檔案。
2. 透過 FTP 強行覆蓋機器內的 /etc/passwd。
3. 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。

ADS-B 物理學：利用飛機 DAPs 數據重建大氣剖面與飛行分析

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。

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

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：

1. 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。
2. 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。
3. 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。

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

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。

測距桿觀察海上物體有多遠

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

1. 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）。
2. 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。
3. 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」。
4. 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

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

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：

1. Poincaré 圖：橢圓明顯「變胖」。點往兩側延伸，SD1 顯著增加。

   
   
   

2. 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。

   
   
   

3. 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。

1. 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。

   

2. 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