پروژه متلب تشخیص افسردگی با استفاده از روش های پردازش تصویر
در این مقاله روشی برای پردازش تصاویر ویدیویی ارائه شده است. روش کار بدین ترتیب می باشد که ابتدا ویدیو وارد محیط پردازش شده و سپس به صورت مجموعه فریم های همسایه در نظر گرفته می شود و یک دیکشنری از آن ساخته شده و به مدل اضافه می شود و در نهایت داده ها برای دسته بندی دو کلاس که شامل افسردگی بودن و یا نبودن می باشد تصمیم گیری می شود. در زیر بلوک دیاگرام مربوط به نحوه انجام این کار قرار داده شده است.
افسردگی نوعی اختلال روانپزشکی شدید است که از عملکرد طبیعی فرد در کار و زندگی روزمره جلوگیری می کند. در حال حاضر ، تشخیص افسردگی مستلزم مشارکت گسترده متخصصان بالینی است. توجه بسیاری را به توسعه یک سیستم اتوماتیک برای تشخیص کارآمد و قابل اعتماد افسردگی جلب کرده است. تحت تأثیر افسردگی ، اختلال رفتاری مبتنی بر بینایی به راحتی قابل مشاهده است. در این مقاله یک روش جدید برای کشف تجزیه و تحلیل رفتار غیرکلامی مبتنی بر بینایی منطقه صورت برای تشخیص خودکار افسردگی ارائه شده است. توصیف کنندگان ویژگی های پویا از زیر حجم های منطقه صورت استخراج می شوند و از کدگذاری پراکنده برای سازماندهی ضمنی توصیف کنندگان ویژگی استخراج شده برای تشخیص افسردگی استفاده می شود. برای بهبود بیشتر دقت تشخیص مبتنی بر بینایی ، از نقشه های افتراقی و همجوشی تصمیم استفاده می شود. رویکرد یکپارچه در پایگاه داده افسردگی AVEC2013 آزمایش شده است و بهترین نتایج بصری مبتنی بر تصویری میانگین / ریشه میانگین خطای مربع حاصل شده است.
Automated Depression Diagnosis Based on Facial Dynamic Analysis and Sparse Coding
Depression is a severe psychiatric disorder preventing a person from functioning normally in both work and daily lives. Currently, diagnosis of depression requires extensive participation from clinical experts. It has drawn much attention to develop an automatic system for efficient and reliable diagnosis of depression. Under the influence of depression, visual-based behavior disorder is readily observable. This paper presents a novel method of exploring facial region visual-based nonverbal behavior analysis for automatic depression diagnosis. Dynamic feature descriptors are extracted from facial region subvolumes, and sparse coding is employed to implicitly organize the extracted feature descriptors for depression diagnosis. Discriminative mapping and decision fusion are applied to further improve the accuracy of visual-based diagnosis. The integrated approach has been tested on the AVEC2013 depression database and the best visual-based mean absolute error/root mean square error results have been achieved.
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد