AU - Heidari, Mahsa AU - Babapour Mofrad, Farshid AU - Shah-Hosseini, Hamed TI - Body Mass Index Classification based on Facial Features Using Machine Learning Algorithms for Utilizing in Telemedicine PT - JOURNAL ARTICLE TA - Iran-J-Ergon JN - Iran-J-Ergon VO - 10 VI - 1 IP - 1 4099 - http://journal.iehfs.ir/article-1-875-fa.html 4100 - http://journal.iehfs.ir/article-1-875-fa.pdf SO - Iran-J-Ergon 1 AB  - 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. 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. CP - IRAN IN - LG - eng PB - Iran-J-Ergon PG - 5 PT - Research YR - 2022