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

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 نا توان بهره برد، تا پزشکان بتوانند به شکل آنلاین در شرایط پاندمی به افراد کمک کنند.

در این پژوهش از تصاویر چهره افراد سفیدپوست، سیاه پوست و آسیایی، 18 تا 81 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 R2015b انجام شد.

نتایج استفاده از ویژگی های منتخب چهره 97 زن و 92 مرد نشان می دهد جنگل تصادفی در گروه های زنان و چهره مربعی با دقت های 91/75% و 87/30% و ماشین بردار پشتیبان در گروه های زنان، چهره مربعی و گرد با دقت های 94/84%، 84/12% و 84% بهترین عملکرد را داشتند. همچنین استفاده از این ویژگی ها به جای کل ویژگی ها سبب بهبود عملکرد شد.

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.