آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
دوره 10، شماره 1 - ( فصل‌نامه تخصصی انجمن ارگونومی و مهندسی عوامل انسانی ایران 1401 )
جلد 10 شماره 1 صفحات 16-5 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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) :5-16
URL: http://journal.iehfs.ir/article-1-875-fa.html
URL: http://journal.iehfs.ir/article-1-875-fa.html
حیدری مهسا، باباپور مفرد فرشید، شاه حسینی حامد. کلاس‌بندی نمایه توده بدنی مبتنی بر ویژگی‌های چهره با استفاده از الگوریتم‌های یادگیری ماشین به منظور به کارگیری در پزشکی از راه دور. مجله ارگونومی 1401; 10 (1) :16-5
1- گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
2- گروه مهندسی پرتوپزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران ، Farshid.mofrad@yahoo.com
2- گروه مهندسی پرتوپزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران ، Farshid.mofrad@yahoo.com
چکیده: (930 مشاهده)
اهداف: با توجه به تأثیر کنترل (Body mass index) BMI در زندگی، از تعیین گروه BMI با ویژگی‌های چهره می‌توان جهت توسعه‌ی سیستم‌های پزشکی از راه دور و حذف محدودیت‌های ابزارهای اندازه‌گیری بخصوص برای افراد ناتوان بهره برد، تا پزشکان بتوانند به شکل آن‌لاین در شرایط پاندمی کووید-۱۹ به افراد کمک کنند.
روش کار: در این پژوهش از تصاویر چهره‌ی افراد سفیدپوست، سیاه‌پوست و آسیایی، ۱۸ تا ۸۱ 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 Pearson 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 R۲۰۱۵b انجام شد.
یافته‌ها: نتایج استفاده از ویژگی‌های منتخب چهره‌ی ۹۷ زن و ۹۲ مرد نشان می‌دهد، جنگل تصادفی در گروه‌های زنان و چهره‌ی مربعی با دقت‌های ۷۵/۹۱ و ۳۰/۸۷ درصد و ماشین بردار پشتیبان در گروه‌های زنان، چهره‌ی مربعی و گرد با دقت‌های ۹۴/۸۴، ۸۴/۱۲ و ۸۴ درصد بهترین عملکرد را داشتند. همچنین استفاده از این ویژگی‌ها به جای کل ویژگی‌ها سبب بهبود عملکرد شد.
روش کار: در این پژوهش از تصاویر چهره‌ی افراد سفیدپوست، سیاه‌پوست و آسیایی، ۱۸ تا ۸۱ 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 Pearson 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 R۲۰۱۵b انجام شد.
یافته‌ها: نتایج استفاده از ویژگی‌های منتخب چهره‌ی ۹۷ زن و ۹۲ مرد نشان می‌دهد، جنگل تصادفی در گروه‌های زنان و چهره‌ی مربعی با دقت‌های ۷۵/۹۱ و ۳۰/۸۷ درصد و ماشین بردار پشتیبان در گروه‌های زنان، چهره‌ی مربعی و گرد با دقت‌های ۹۴/۸۴، ۸۴/۱۲ و ۸۴ درصد 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
دریافت: 1400/12/9 | پذیرش: 1401/4/10 | انتشار الکترونیک: 1401/4/10
فهرست منابع
1. Coetzee V, Perrett DI, Stephen ID. Facial adiposity: a cue to health? Perception. 2009; 38(11):1700-11. [DOI] [PubMed]
2. Coetzee V, Chen J, Perrett DI, Stephen ID. Deciphering faces: Quantifiable visual cues to weight. Perception. 2010; 39(1):51-61. [DOI] [PubMed]
3. Pham DD, Do JH, Ku B, Lee HJ, Kim H, Kim JY. Body mass index and facial cues in Sasang typology for young and elderly persons. Evid Based Complement Alternat Med. 2011; 2011:749209. [DOI] [PubMed]
4. Lee BJ, Jang JS, Kim JY. Prediction of body mass index from facial features of females and males. International Journal of Bio-Science and Bio-Technology. 2012;4(3):45-62.
5. Wen L, Guo G. A computational approach to body mass index prediction from face images. Image and Vision Computing. 2013; 31(5):392-400. [DOI]
6. Tai CH, Lin DT. A Framework for Healthcare Everywhere: BMI Prediction Using Kinect and Data Mining Techniques on Mobiles. In Mobile Data Management (MDM), 2015 16th IEEE International Conference on 2015 Jun 15 (Vol. 2, pp. 126-129). IEEE. [DOI]
7. Jiang M, Shang Y, Guo G. On visual BMI analysis from facial images. Image and Vision Computing. 2019;89:183-96. [DOI]
8. Jiang M, Guo G, Mu G. Visual BMI estimation from face images using a label distribution based method. Computer Vision and Image Understanding. 2020;197-198:102985. [DOI]
9. Carré JM, McCormick CM, Mondloch CJ. Facial structure is a reliable cue of aggressive behavior. Psychological Science. 2009;20(10):1194-8. [DOI] [PubMed]
10. Hehman E, Leitner JB, Freeman JB. The face–time continuum: Lifespan changes in facial width-to-height ratio impact aging-associated perceptions. Pers Soc Psychol Bull. 2014;40(12):1624-36. [DOI] [PubMed]
11. Wilson JP, Rule NO. Facial trustworthiness predicts extreme criminal-sentencing outcomes. Psychol Sci. 2015;26(8):1325-31. [DOI] [PubMed]
12. Tjepkema M. Adult obesity. Health Reports (statistics Canada, Catalogue 82-003), 2006;17(3):9-25.
13. Somerville LA, List RP, Compton MH, Bruschwein HM, Jennings D, Jones MK, et al. Real-world outcomes in cystic fibrosis telemedicine clinical care in a time of a global pandemic. Chest. 2022;161(5):1167-79. [DOI] [PubMed]
14. https://www.3d.sk/.2020.
15. Bansode NK, Sinha PK. Face shape classification based on region similarity, correlation and fractal dimensions. IJCSI. 2016;13(1):24-31. [DOI]
16. Sagonas C, Antonakos E, Tzimiropoulos G, Zafeiriou S, Pantic M. 300 faces in-the-wild challenge: Database and results. Image and Vision Computing. 2016;47:3-18. [DOI]
17. Jahan A, Edwards KL. A state-of-the-art survey on the influence of normalization techniques in ranking: Improving the materials selection process in engineering design. Materials and Design. 2015;65:335-42. [DOI]
18. Fernández-Blanco E, Aguiar-Pulido V, Munteanu CR, Dorado J. Random Forest classification based on star graph topological indices for antioxidant proteins. J Theor Biol. 2013;317:331-7. [DOI] [PubMed]
19. Zhu X, Du X, Kerich M, Lohoff FW, Momenan R. Random forest based classification of alcohol dependence patients and healthy controls using resting state MRI. Neurosci Lett. 2018;676:27-33. [DOI] [PubMed]
20. Zhao H, Chen X, Nguyen T, Huang JZ, Williams G, Chen H. Stratified over-sampling bagging method for random forests on imbalanced data. InPacific-Asia Workshop on Intelligence and Security Informatics 2016 Apr 19. Springer, Cham. pp. 63-72.
21. Montillo A, Ling H. Age regression from faces using random forests. ICIP., 2009 16th IEEE International Conference on 2009 Nov 7 IEEE. p. 2465-8. [DOI]
22. Shotton J, Sharp T, Kipman A, Fitzgibbon A, Finocchio M, Blake A, Cook M, Moore R. Real-time human pose recognition in parts from single depth images. Proceedings / CVPR, IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE Computer Society Conference on Computer Vision and Pattern Recognition 56(1):1297-304. [DOI]
23. Menze BH, Kelm BM, Masuch R, Himmelreich U, Bachert P, Petrich W, Hamprecht FA. A comparison of random forest and its Gini importance with standard chemometric methods for the feature selection and classification of spectral data. BMC bioinformatics. 2009;10(1):213. [DOI]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
