پیام خود را بنویسید
دوره 10، شماره 1 - ( فصل‌نامه تخصصی انجمن ارگونومی و مهندسی عوامل انسانی ایران 1401 )                   جلد 10 شماره 1 صفحات 0-0 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Heidari M, Babapour Mofrad F, Shah-Hosseini H. Body Mass Index Classification based on Facial Features using Machine Learning Algorithms for utilizing in Telemedicine. Iran J Ergon. 2022; 10 (1)
URL: http://journal.iehfs.ir/article-1-875-fa.html
حیدری مهسا، باباپور مفرد فرشید، شاه حسینی حامد. کلاس‌بندی نمایه توده بدنی (BMI) مبتنی بر ویژگی‌های چهره با استفاده از الگوریتم‌های یادگیری ماشین به منظور به کارگیری در پزشکی از راه دور. مجله ارگونومی. 1401; 10 (1)

URL: http://journal.iehfs.ir/article-1-875-fa.html


1- کارشناس ارشد، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
2- استادیار، گروه مهندسی پرتوپزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران ، Farshid.mofrad@yahoo.com
3- استادیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
چکیده:   (461 مشاهده)

زمینه و هدف: با توجه به تأثیر کنترل شاخص توده بدنی (BMI) در زندگی، از تعیین گروه BMI با ویژگی­‌های چهره می‌­توان جهت توسعه سیستم‌­های پزشکی از راه دور و حذف محدودیت‌­های ابزارهای اندازه­‌گیری به خصوص برای افراد نا­توان بهره برد، تا پزشکان بتوانند به شکل آنلاین در شرایط پاندمی به افراد کمک کنند.

روش کار: در این پژوهش از تصاویر چهره افراد سفیدپوست، سیاه­پوست و آسیایی، 18 تا 81 سال با BMI نرمال و اضافه وزن، ویژگی­‌های جدید و برخی ویژگی‌­های مقالات پیشین استخراج شد. سپس در سه گام مجزا، عملکرد جنگل تصادفی و ماشین بردار پشتیبان یک‌بار با کل ویژگی­‌ها و یکبار با ویژگی‌­های منتخب بر اساس ضریب همبستگی پیرسون سنجیده شد. تصاویر چهره در گام اول در قالب یک گروه، در گام دوم با تقسیم‌­بندی به گروه‌­های بیضی، مربعی و گرد و در گام آخر با دسته­‌بندی بر اساس جنسیت بررسی شده‌­اند. پیاده‌­سازی در نرم­‌افزار متلب R2015b انجام شد.

یافته‌­ها: نتایج استفاده از ویژگی­‌های منتخب چهره 97 زن و 92 مرد نشان می­‌دهد جنگل تصادفی در گروه‌­های زنان و چهره مربعی با دقت‌­های 91/75% و 87/30% و ماشین بردار پشتیبان در گروه­‌های زنان، چهره مربعی و گرد با دقت‌­های 94/84%، 84/12% و 84% بهترین عملکرد را داشتند. همچنین استفاده از این ویژگی­‌ها به جای کل ویژگی­‌ها سبب بهبود عملکرد شد.

نتیجه­‌گیری: با تقسیم‌­بندی تصاویر چهره بر اساس شکل و جنسیت و نیز انتخاب ویژگی­‌های مناسب می‌­توان با دقت بهتری افراد را در گروه‌­های BMI دسته‌­بندی کرد تا کارآیی سیستم‌های پزشکی از راه دور را به ویژه برای افراد ناتوان افزایش داد.
 
     
نوع مطالعه: پژوهشي | موضوع مقاله: روش‌ها و فن‌آوری‌های نوین در ارگونومی (هوش محاسباتی و ...)
دریافت: 1400/12/9 | پذیرش: 1401/4/10 | انتشار الکترونیک: 1401/4/10

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله ارگونومی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | Iranian Journal of Ergonomics

Designed & Developed by : Yektaweb