کلاس بندی نمایه توده بدنی (BMI) مبتنی بر ویژگی های چهره با استفاده از الگوریتم های یادگیری ماشین به منظور به کارگیری در پزشکی از راه دور

زمینه و هدف: با توجه به تاثیر کنترل شاخص توده بدنی (BMI) در زندگی، از تعیین گروه BMI با ویژگی­ های چهره می ­توان جهت توسعه سیستم ­های پزشکی از راه دور و حذف محدودیت ­های ابزارهای اندازه­ گیری 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، ۱۸ تا ۸۱ سال با BMI نرمال و اضافه وزن، ویژگی­ های جدید و برخی ویژگی ­های مقالات پیشین استخراج شد. سپس در سه گام مجزا، عملکرد جنگل تصادفی و ماشین بردار پشتیبان یک بار با کل ویژگی­ ها و یکبار با ویژگی ­های منتخب بر اساس ضریب همبستگی پیرسون سنجیده شد. تصاویر چهره در گام اول در قالب یک گروه، در گام دوم با تقسیم ­بندی به گروه ­های بیضی، مربعی و گرد و در گام آخر با دسته­ بندی بر اساس جنسیت بررسی شده ­اند. پیاده ­سازی در نرم­ افزار متلب R۲۰۱۵b انجام شد. یافته ­ها: نتایج استفاده از ویژگی­ های منتخب چهره ۹۷ زن و ۹۲ مرد نشان می­ دهد جنگل تصادفی در گروه ­های زنان و چهره مربعی با دقت ­های ۹۱/۷۵% و ۸۷/۳۰% و ماشین بردار پشتیبان در گروه­ های زنان، چهره مربعی و گرد با دقت ­های ۹۴/۸۴%، ۸۴/۱۲% و ۸۴% بهترین عملکرد را داشتند. همچنین استفاده از این ویژگی­ ها به جای کل ویژگی­ ها سبب بهبود عملکرد شد. نتیجه­ گیری: با تقسیم ­بندی تصاویر چهره بر اساس شکل و جنسیت و نیز انتخاب ویژگی­ های مناسب می ­توان با دقت بهتری افراد را در گروه ­های BMI دسته ­بندی کرد تا کارآیی سیستم های پزشکی از راه دور را به ویژه برای افراد ناتوان افزایش داد.  

کلیدواژه ها:

Body Mass Index ، Facial features ، Random Forest ، Support Vector Machine ، نمایه توده بدنی ، ویژگی های چهره ، جنگل تصادفی ، ماشین بردار پشتیبان