کلاس‌بندی نمایه توده بدنی مبتنی بر ویژگی‌های چهره با استفاده از الگوریتم‌های یادگیری ماشین به منظور به کارگیری در پزشکی از راه دور

Abstract

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.