ارگونومی، جلد ۱۰، شماره ۱، صفحات ۰-۰
عنوان فارسی کلاس‌بندی نمایه توده بدنی (BMI) مبتنی بر ویژگی‌های چهره با استفاده از الگوریتم‌های یادگیری ماشین به منظور به کارگیری در پزشکی از راه دور
چکیده فارسی مقاله چکیده فارسی 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 75/91% و 30/87% و ماشین بردار پشتیبان در گروه­‌های زنان، چهره مربعی و گرد با دقت‌­های 84/94%، 12/%84 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.  
کلیدواژه‌های فارسی مقاله نمایه توده بدنی، ویژگی‌های چهره، جنگل تصادفی، ماشین بردار پشتیبان
عنوان انگلیسی Body Mass Index Classification based on Facial Features using Machine Learning Algorithms for utilizing in Telemedicine
چکیده انگلیسی مقاله Background and Objectives: Due to the impact of controlling BMI on life, BMI classification based on facial features can be used for developing Telemedicine systems and eliminating the limitations of measuring tools, especially for paralyzed people. So that physicians can help people online during the Covid-19 pandemic. Method: In this study, new features and some previous work features were extracted from face photos of white, black, and Asian people, ages 18 to 81, with normal and overweight BMI. Faces were evaluated in three different steps. First, all faces are considered as one group. Second, they were divided into elliptical, round and square shape groups, and third, they were separated based on gender. Then for each step, the performances of Random Forest (RF) and Support Vector Machine (SVM) were evaluated with all of the facial features and with selected features based on Pearson correlation coefficient. Matlab R2015b was used for implementation. Results: The results revealed that features with higher correlation improved the accuracy of both algorithms. RF's best performance using highly correlated features for 97 women and 92 men was in women and square-face groups (91.75% and 87.30% respectively), and SVM's best performance was in women's group (94.84%), square-face and round-face groups (84.12% and 84% respectively). Conclusion: The accuracy of BMI classification based on facial features can be improved by categorizing faces into shapes and gender, and selecting appropriate features. The findings can be used for performance enhancement of Telemedicine applications, especially for helping handicapped people.
کلیدواژه‌های انگلیسی مقاله Body Mass Index, Facial features, Random Forest, Support Vector Machine
نویسندگان مقاله مهسا حیدری | Mahsa Heidari
MSc, Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
کارشناس ارشد، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

فرشید باباپور مفرد | Farshid Babapour Mofrad
Assistant professor, Department of Medical Radiation Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
استادیار، گروه مهندسی پرتوپزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

حامد شاه حسینی | Hamed Shah-Hosseini
Assistant professor, Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
استادیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

نشانی اینترنتی http://journal.iehfs.ir/browse.php?a_code=A-10-7226-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده روش‌ها و فن‌آوری‌های نوین در ارگونومی (هوش محاسباتی و ...)
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات