عنوان

استخراج ویژگی‌های مرتبط با خواب‌آلودگی با استفاده از پردازش تصاویر نقاط نشانه صورت، در طی فعالیت با رایانه

۳۴۵۳پ

فارسی

استخراج ویژگی‌های مرتبط با خواب‌آلودگی با استفاده از پردازش تصاویر نقاط نشانه صورت، در طی فعالیت با رایانه

[پایان نامه]

Extracting sleep related characteristics through facial landmark image processing in computer tasks

علوم توان بخشی و سلامت اجتماعیUniversity of Social Welfare and Rehabilitation Science

۱۴۰۰

۸۲ص.

پیوست

19

03

۱۴۰۰/۱۰/۱۵

هدف: خواب یکی از مهمترین چرخه‌های طبیعی بدن است که کیفیت آن می‌تواند تاثیرات فراوانی بر جنبه‌های متفاوت زندگی فرد داشته باشد. تشخیص سطح خواب‌آلودگی می‌تواند بر بهبود سلامت، امنیت و خلاقیت فرد و سازمان موثر باشد. با این وجود، روشی موجود نیست که به موازات ثبت سطح خواب آلودگی افراد خللی بر تمرکز وی وارد نکند. در این پژوهش ابتدا ویژگی‌های مرتبط با خواب‌آلودگی با استفاده از پردازش نقاط نشانه صورت شرکت‌کنندگان در پژوهش استخراج و سپس با تغییرات مقیاس خواب کارولینسکا مقایسه شدند و مدل پیش‌بینی کننده طراحی شد.روش‌ها: در این پژوهش کاربردی، از بین کارکنان یک شرکت تبلیغات اینترنتی، 12 نفر به روش نمونه‌گیری تصادفی انتخاب شدند. جهت تعیین شرایط جسمانی افراد از مقیاس تصویری و جهت تعیین سطح خواب‌آلودگی از مقیاس خواب کارولینسکا استفاده شد. تغییرات حالت‌های صورت توسط نرم‌افزار Affectiva، با بررسی جابجایی نقاط نشانه صورت ثبت شد. به ازای هر یک از نمرات مقیاس خواب کارولینسکا میانگین و بیشینه نمرات نیز محاسبه شدند و سپس تجزیه و تحلیل داده‌ها با استفاده از نرم‌افزار SPSS نسخه 26 انجام گرفت.یافته‌ها: با میانگین سنی 27.1 سال و روزانه 10.3 ساعت فعالیت، اطلاعات شرکت‌کنندگان در پژوهش‌ ثبت شد. 67 درصد آزمودنی مرد، تمامی شرکت‌کنندگاه دارای مدرک تحصیلی کارشناسی و کارشناسی ارشد (50 درصد ارشد) ، 75 درصد برنامه نویس و 25 درصد مدیر سایت بودند. 478 نمره از مقیاس خواب کارولینسکا به دست آمد که نمره 5 (نه خواب‌آلود و نه هشیار) بالاترین فراوانی را داشت. مدل پیش‌بینی‌کننده نمره خواب کارولینسکا گروه میانگین با ضریب تعیین 0.23 عملکرد بهتری در مقایسه با گروه بیشینه (0.18) داشت.نتیجه‌گیری: نتایج به دست آمده نشان می‌دهند که در هر دو گروه میانگین و بیشینه نمرات، بیشتر حالت‌های صورت دارای ارتباط معنادار ضعیفی با نمرات خواب هستند. در این پژوهش مدل پیش‌بینی‌کننده‌ای ارائه شده است که بدون دخالت آزمونگر، تجهیزات و کاهش تمرکز کارمندان، با ثبت تصاویر از طریق رایانه، سطح خواب‌آلودگی کاربر را محاسبه می‌کند. اما به علت ارتباط نه چندان قوی، عدم اتکا به مقیاس‌های خوداظهاری، استفاده از روش‌ها و سنجش‌های دقیق‌تر پیشنهاد می‌شود.واژگان کلیدی: خستگی، خواب‎‌آلودگی، حالت‌های صورت، مدل پیش‌بینی‌کننده

Objectives: Sleep is one of the most important natural cycles of the body, the quality of which can have many effects on different aspects of a person's life. Diagnosing the level of drowsiness can improve the health, security, and creativity of the individual and the organization. However, there is no method that does not interfere with the concentration of people while recording their drowsiness level. In this study, an attempt has been made to first extract the characteristics related to drowsiness by processing the facial markings of computer users and then compare them with the changes in the Karolinska Sleep Scale (KSS).Methods: Among the employees of an Internet advertising company, 12 people were selected by random sampling. The visual scale (VAS) was used to determine the physical well-being of individuals and the KSS was used to determine the level of drowsiness. Changes for the two groups of mean and maximum scores of facial expressions were recorded by Affectiva software, by examining the displacement of facial marking points. Data correlation was analyzed using SPSS software version 26 and two predictive models were designed.Results: The information of the study participants, with an average age of 27.1 years and 10.3 hours of activity per day was recorded. The subjects were 67% male, 50% of them had a master's degree, and 75% were programmers. 478 KSS scores were obtained, with a score of 5 (neither drowsy nor conscious) having the highest frequency. Karolinska's sleep predictor model based on mean had a higher coefficient of determination.Conclusion: The results show that in both groups of mean and maximum scores, most facial expressions have a weak correlation with sleep scores. Although in this study, a predictive model for diagnosing drowsiness without the intervention of examiners, equipment and reducing employee concentration was analyzed through computer image recording, but due to the weak correlation, the importance of image processing and lack of reliance on self-reported scales, more accurate methods and measurements are suggested.Keywords: Fatigue, Drowsiness, Facial expression, Predictive model

خواب‎‌آلودگی

Fatigue

حافظی مشهدی، صدف

Hafezo. Sadaf

جفرپیشه، امیر سالار

اسکویی زاده، رضا

ایران

دانشگاه علوم توان بخشی و سلامت اجتماعی

20221003

D

TF

279226

a

Y