بخشی از مقاله
چکیده
اینترنت اشیا، اشاره به اشیائی دارد که دارای شناسهها و هویتهای مجازی بوده وهمچنین در فضاهای هوشمند در حال اجرا هستند، در حین اینکه بوسیلهی واسطهای هوشند، در مفاهیم اجتماعی، محیطی و کاربری بهم متصل و مرتبطاند. اینترنت اشیاء به اشیاء اجازه میدهد تا با هم در ارتباط بوده، بوسیلهی اینترنت به اطلاعات دسترسی پیدا کرده و با برقراری تعامل با کاربران، محیطهای هوشمند، فراگیر و همیشه متصل را به وجود میآورند. همانطور که در زندگی روزمره مشاهده میشود، امروزه با افزایش سن جمعیت جهان، گسترش بیماریهای مختلف و کمبود پرستار کافی مسأله زندگی بیماران و سالمندان دچار مشکلات بسیاری شدهاست.
در این پژوهش، به منظور تشخیص خودکار حالات چهره در خانه هوشمند سلامت، ویژگیهای چهره برای شناسایی چهره و نقاط مهم آن استخراج میشود. به منظور بهینهسازی سیستم تشخیص با استفاده از الگوریتم تحلیل مؤلفه اصلی به کاهش ابعاد داده پرداخته میشود. برای دستهبندی و تشخیص حالات چهره از ماشین بردار پشتیبان فازی استفاده می-شود. روشهای فازی از آن جهت که دادهها را به صورت کیفی بررسی میکنند که دستهبندی ماشین-بردار پشتیبان را منطقیتر کرده و سبب افزایش دقت سیستم میگردد. درانتهای این پژوهش، آزمایشاتی بررسی میشود که نتایج این آزمایشات صحت روش پیشنهادی را تایید میکند.
مقدمه
دامنه سیستم خودکار خانههای هوشمند به ویژه خانه هوشمند سلامت، بسیار گسترده میباشد. اغلب این سیستمها برروی حوزه سلامت تمرکز کرده و به دنبال ارائه روشی جهت خودکاریسازی مراقبت و سلامت بیماران و سالمندان میباشند. هدف اصلی سیستم خودکار خانه هوشمند سلامت، تصمیمگیری براساس رفتار و فعالیت انسانها میباشد. در حوزه اینترنت اشیاء و ارتباط وسایل هوشمند، ایجاد بستری جهت مطالعه خودکار رفتار انسانها ضروری میباشد. سیستمهای تشخیص خودکار حالات چهره در زمینههایی چون مراقبت از بیماران و سالمندان توسط روباتها و یا سیستمهای خودکار هوشمند کاربرد وسیعی دارند. ارائه روشی بهینه که براساس پردازش تصاویر ویدئویی بوده و بهصورت خودکار حالات چهره را تشخیص دهد دارای اهمیت بسیاری است.
به منظور تشخیص خودکار حالات چهره در خانه هوشمند سلامت، ویژگیهای چهره برای شناسایی چهره و نقاط مهم آن استخراج میشود. به منظور بهینهسازی سیستم تشخیص با استفاده از الگوریتم تحلیل مؤلفه اصلی به کاهش ابعاد داده پرداخته میشود. برای دستهبندی و تشخیص حالات چهره از ماشین بردار پشتیبان فازی استفاده میشود. روشهای فازی از آن جهت که دادهها را به صورت کیفی بررسی میکنند، دستهبندی ماشینبردار پشتیبان را منطقیتر کرده و سبب افزایش دقت سیستم میگردد. در شکل 1 طرح کلی سیستم شناسایی حالات چهره در خانههای هوشمند سلامت نشان داده شدهاست.
شکل -1 طرح تشخیص حالات چهره با روش پیشنهادی در خانه هوشمند سلامت
پیشینه پژوهش
خواجا1 و همکاران - - 2016، یک روش جهت تشخیص احساسات انسان با بهرهگیری از تحلیل تصاویر چهره پیشنهاد دادهاند. با استفاده از اجزای صورت مانند چشم، بینی و لبها میتوان حالات چهره را تشخیص داد و همچنین با استفاده از قطعهبندی تصاویر و استخراج منطقه مطلوب و استخراج ویژگیها و با به کارگیری تحلیل مؤلفه اصلی به تشخیص حالات چهره پرداخته شدهاست.[
لیو2 وهمکاران - 2016 - ، به بررسی تکنولوژیهای نظارتی افراد سالمند و بیماران در خانههای هوشمند پرداختهاند. هدف از پژوهش آنها که به صورت مروری نیز بوده است، بررسی سطوح تکنولوژی در نگهداری از سالمندان و تکنولوژیهای خانه هوشمند سلامت بوده است. در این بررسی بیان شدهاست که تکنولوژیهای خانه هوشمند سلامت میتوانند به خوبی در شناسایی بیماریهای مربوطه ریه کمک نمایند
آلم3 و همکاران - 2017 - ، به شناسایی فعایتهای جزئی با استفاده از شناسایی فعالیتهای کلی پرداختهاند. روشهای شناسایی فعالیتها با یکدیگر ترکیب شده و ساختاری برای شناسایی رفتار، سلامت فیزیکی و نظارت بر سلامت افراد سالمند طراحی شدهاست. در این مقاله اطلاعات از مرکز انجمن بازنشستگان جمعآوری شدهاست.
سیویتارس - 2017 - 4، در این مقاله 700 فعالیت وجود داشته است که 150 فعالیت غیرعادی بوده و بهطور رضایتبخشی تشخیص داده شدهاند. تمرکز اصلی این پژوهش، مراقبت از سالمندان میباشد، و با طراحی و استفاده از روشهای جدید با استفاده از تصاویر دوربینهای نظارتی به شناسایی فعالیتهای غیرعادی پرداخته شدهاست. در این طرح از سنسورها و اطلاعات واقعی برای شناسایی اتفاقات غیرعادی در فعالیتهای روزانه انسانها استفاده شدهاست
پایگاه داده
در این پژوهش، از پایگاه داده Cohn-Kanade استفاده خواهدشد. این پایگاه داده شامل 593 تصویر چهره در 6 حالت شاد، عصبانی، غمگین، متعجب، ترسیده و منزجر میباشد. در شکل 2 نمونهای از تصاویر پایگاه داده مشاهده میشود. تمامی تصاویر در مقیاس خاکستری بوده و با شرایط یکسان میباشند.
