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

اهداف: با توجه به تاثیر کنترل bmi(body mass index) 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-19 به افراد کمک کنند.روش ‌‌‌کار: در این پژوهش از تصاویر چهره‌ی 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 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 r2015b انجام شد.یافته‌ها: نتایج استفاده از ویژگی‌های منتخب چهره‌ی 97 زن و 92 مرد نشان می‌دهد، جنگل تصادفی در گروه‌های زنان و چهره‌ی مربعی با دقت‌های 91/75 و 87/30 درصد و ماشین بردار پشتیبان در گروه‌های زنان، چهره‌ی مربعی و گرد با دقت‌های 94/84، 84/12 و 84 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. 

body mass index classification based on facial features using machine learning algorithms for utilizing in telemedicine

objectives: given the benefits of controlling body mass index (bmi) on the quality of life, bmi classification based on facial features can be used for developing telemedicine systems and eliminate the limitations of existing measuring tools especially for paralyzed people, that enable physicians to help people online when faced with situations like the covid-19 pandemic.methods: in this study, new features and some previouswork 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 were 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 best performance using highly correlated features for 97 women and 92 men was in women and squareface groups (91.75% and 87.30% respectively), and svm best performance was in women group (94.84%), squareface and roundface groups (84.12% and 84% respectively).conclusion: 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 the differently-abled.