چهره در دوران کرونا

هدفونی برای ردیابی چهره

محققان دانشگاه کرنل هدفونی موسوم به C-Face ابداع کرده‌اند که قادر به شناسایی حالات چهره  بر اساس حالات گونه‌ها است. با کمک این روش تشخیص چهره می‌توان با حرکات چهره، صورتک‌های مجازی را به حرکت در آورد یا به دستگاه‌ها فرمان‌ داد و آن‌ها را کنترل کرد. چنین امکانی به ویژه در وضعیت فعلی که بسیاری از افراد نیاز به دورکاری و تماس‌های ویدیویی دارند بسیار مفید است. پدیدآورندگان این سیستم مدعی هستند که C-Face ساده‌تر و کاربرپسندتر از راهکارهای پوشیدنی است که پیش از این به منظور ردیابی حالات چهره عرضه‌ شده‌اند. در روش‌های پیشین عموما نیاز بود حس‌گرهایی به چهره متصل شوند و با وجود استفاده از تجهیزات زیاد، فقط حالات محدودی از چهره قابل شناسایی بودند. اما با C-Face حرکات چهره و احساس فرد به خوبی قابل پیاده‌سازی است. در این روش از شناسایی حرکات ماهیچه‌های صورت استفاده می‌شود و همین ویژگی سبب می‌شود که امکان شناسایی حرکات چهره از پشت ماسک هم فراهم گردد. C-Face شامل دو دوربین دیجیتال RGB بسیار کوچک است که در زیر هر گوش قرار می‌گیرند. این دوربین‌ها تغییرات چهره را که به سبب حرکات ماهیچه ایجاد می‌شود ثبت می‌کنند. یکی از یافته‌های مهمی که در این پروژه استفاده شده این است که کانتورهای چهره، اطلاعات خوبی از حالات چهره را در خود دارند. وقتی چهره حالتی را نشان می‌دهد، ماهیچه‌های چهره منبسط و منقبض شده و این، سبب کشیدگی و یا فشرده شدن پوست و ایجاد تنش‌هایی در ماهیچه‌های اطراف می‌شود.  تصاویر به‌دست آمده از دوربین‌ها با استفاده از بینایی کامپیوتر و یادگیری عمیق بازسازی می‌شوند. از آن‌جایی‌که داده‌های خام به‌دست آمده از دوربین‌ها دو بعدی هستند، شبکه عصبی با توانایی دسته‌بندی داده‌ها، حالات گونه‌ها را به حالات چهره ترجمه می‌کند. تصاویر گونه‌ها به حالات و موقعیت‌های دهان، چشم‌ها و ابروها ترجمه می‌شود که در تعیین حالت چهره بسیار اهمیت دارند. خطای متوسط این روش کمتر از ۰.۸ میلیمتر بوده است. یکی از کاربردهای C-Face استفاده از آن در واقعیت مجازی است. در حالت معمول وقتی از عینک واقعیت مجازی استفاده می‌کنیم امکان شناسایی حالات چهره وجود ندارد ولی C-Face قادر به شناسایی حالات چهره حتی در حین استفاده از عینک واقعیت مجازی است. از جمله محدودیت‌های این روش ظرفیت باتری آن است. این محققان بر روی روشی کار می‌کنند که مصرف برق کمتری داشته باشد. 

شکل۱ - محققان هدفونی طراحی کرده‌اند که قادر به ثبت حالات چهره افراد (سمت چپ) و انتقال دادن این حرکات به یک چهره مجازی (سمت راست) است. 

تشخیص کرونا از روی تصاویر چشم

شکل۲ - محققان مدعی‌اند با بررسی نواحی مختلف چشم به کمک هوش مصنوعی، می‌توان ابتلا به کووید۱۹ را تشخیص داد.

 محققان چینی روشی مبتنی بر هوش مصنوعی برای تشخیص کووید ۱۹ بر اساس تجزیه و تحلیل تصاویر چشم افراد پیشنهاد داده‌اند. آن‌ها مدعی‌اند با اسکن کردن تصاویر چشم هزاران نفر از افراد، می‌توان با دقت بیش از ۹۰ درصد ابتلا به کووید ۱۹ را تشخیص داد. آن‌ها در تحقیقی که منتشر کرده‌اند این روش را بسیار سریع‌تر از روش‌های رقیب می‌دانند، به‌طوری‌که در این روش، فرآیند بررسی نتایج، در کمتر از یک ثانیه اتفاق می‌افتد. در حال حاضر برای تشخیص ابتلا به بیماری کووید ۱۹ از روش‌هایی نظیر اسکن ریه یا نمونه‌برداری از بینی و حلق استفاده می‌شود. همه این روش‌ها زمان‌بر هستند و برای اجرای آن‌ها به افراد کارآزموده‌ای نیاز است. دستیابی به سیستمی که بتواند تشخیص ابتلا به بیماری کووید۱۹ را با بررسی چند عکس انجام دهد در هزینه و زمان صرفه‌جویی زیادی خواهد کرد. با این‌حال، تحقیقات این گروه در مراحل ابتدایی است و چشم‌پزشکان و متخصصان هوش مصنوعی معتقدند برای حصول اطمینان از دقت این راهکار باید پژوهش‌های بیشتری صورت گیرد. در این روش برای هر داوطلب از پنج عکس چشم که با استفاده از دوربین‌های معمولی گرفته شده‌ بودند استفاده شده است. بر اساس این تحقیق،  از میان ۳۰۳ داوطلبی که تصاویر چشم آن‌ها مورد بررسی قرار گرفت، ۱۰۴ نفر مبتلا به کووید ۱۹ بوده‌اند.  ابتلا به انواع ویروس کرونا از جمله کرونای جدید موسوم به کووید ۱۹ اثراتی بر چشم می‌گذارد که سبب التهاب غشای شفاف چشم شده و عارضه‌ای موسوم به «چشم صورتی» را ایجاد می‌کند. از سوی دیگر چشم‌ها راهی برای نفوذ ویروس‌هایی نظیر کرونا محسوب می‌شوند. هرچند این عارضه یکی از نشانه‌های بالقوه ابتلا به ویروس کرونا است، اما به گفته یکی از متخصصان چشم از مرکز ملی چشم سنگاپور، کمتر از ۵ درصد ابتلا به کووید۱۹ با این نشانه‌ها گزارش شده است. او که خود در زمینه استفاده از یادگیری عمیق در حوزه چشم‌پزشکی تجربه دارد معتقد است هوش مصنوعی برای شناسایی کووید۱۹  بر اساس تعداد محدودی از تصاویر چشم عملکرد خوبی ندارد. این متخصص چشم پزشکی بر این باور است که جامعه آماری این تحقیق بسیار کوچک‌تر از آن است که بتوان به نتایج حاصل از آن اعتماد کرد و برای نتیجه‌گیری موثق، به دست‌کم ده برابر این تعداد افراد یعنی به هزاران نفر نیاز داریم.