ระบบแสดงอาการของผู้ป่วยติดเชื้อไวรัสโคโรนา – 19 ด้วยการเคลื่อนไหวนิ้วมือผ่านเทคโนโลยีปัญญาประดิษฐ์
Article Sidebar
เผยแพร่แล้ว:
ธ.ค. 30, 2021
คำสำคัญ:
ไวรัสโคโรน่า-19 ปัญญาประดิษฐ์ การตรวจจับวัตถุ
Main Article Content
บทคัดย่อ
ในปัจจุบันมีการระบาดของไวรัสโคโรน่า -19 ทำให้ประชาชนได้รับเชื้อและเจ็บป่วยด้วยโรคนี้เป็นจำนวนมาก จนทำให้บุคลากรทางการแพทย์ทำงานอย่างหนักและไม่สามรถดูแลผู้ป่วยได้อย่างทั่วถึง โดยที่อาการป่วยของแต่ละคนก็แตกต่างกันออกไป งานวิจัยนี้นำเสนอระบบแสดงอาการของผู้ป่วยติดเชื้อไวรัสโคโรนา – 19 ด้วยการเคลื่อนไหวนิ้วมือผ่านเทคโนโลยีปัญญาประดิษฐ์ โดยระบบนี้จะทำการรับข้อมูลการชูนิ้วมือ 1-5 จากกล้องเว็บแคม ระยะไม่เกิน 2 เมตร จากนั้นใช้เทคโนโลยีปัญญาประดิษฐ์ในการประมวลผลจำนวนนิ้วมือของผู้ป่วย แล้วแสดงลักษณะอาการตามที่กำหนดไว้ออกทางหน้าต่างแสดงผล เพื่อป้องกันไม่ให้บุคลกรทางการแพทย์เข้ามาสัมผัสใกล้ชิดกับผู้ป่วยโดยตรงอีกทั้งยังช่วยติดตามอาการของผู้ป่วยเป็นระยะ จากการทดลองพบว่า เมื่อทดลองกับนิ้วมือข้างขวา ได้ค่าความแม่นยำเฉลี่ยอยู่ที่ 88.80% และทดลองกับนิ้วมือข้างซ้ายได้ค่าความแม่นยำเฉลี่ยอยู่ที่ 88.00% โดยมีผู้ตอบแบบสอบถามความพึงพอใจของผู้ใช้ระบบอยู่ในเกณฑ์พึงพอใจมากถึงพึงพอใจมากที่สุด ตามลำดับ
Article Details
รูปแบบการอ้างอิง
สุขสุคนธ์ เ., จันภิรมย์ เ. ., ช่างอุดม ศ. ., เจษฎาประสิทธิ์ ภ. ., & บุญริ้ว ธ. . (2021). ระบบแสดงอาการของผู้ป่วยติดเชื้อไวรัสโคโรนา – 19 ด้วยการเคลื่อนไหวนิ้วมือผ่านเทคโนโลยีปัญญาประดิษฐ์. วารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลตะวันออก, 14(2), 8–16. สืบค้น จาก https://li01.tci-thaijo.org/index.php/researchjournal2rmutto/article/view/251829
ประเภทบทความ
บทความวิจัย
เอกสารอ้างอิง
Shi F., Wang J., Shi J. and etc. 2021. Review of artificial intelligence techniques in imaging data acquisition segmentation and diagnosis for COVID-19. IEEE Reviews in Biomedical Engineering. 14: 1-12.
Tachaphetpiboont S. and Amornraksa T. 2006. Multi-modal tracking of faces for video communications. Computer vision and pattern recognition. 1-5.
Suksukont A. 2021. Face detection and objects on eyes boundary using color model with image processing. Rajamangala University of Technology Tawan-ok Research Journal. 14(1): 42-53. (in Thai)
Xiao J., Li S. and Xu Q. 2019. Video-Based Evidence Analysis and Extraction in Digital Forensic Investigation. Deep Learning: Security and Forensics Research Advances and Challenges. 7: 5432-5442.
Saini A. and Biswas M. 2019. Object detection in underwater image by detecting edges using adaptive thresholding. International Conference on Trends in Electronics and Informatics (ICOEI). 628-632.
Raghunandan A., Mohana, Raghav P. and H. V. Ravish Aradhya. 2018. Object detection algorithms for video surveillance applications. International Conference on Communication and Signal Processing (ICCSP). 563-568.
Ju T.F., Lu W.M., Chen K.H. and Guo J. 2014. Vision-based moving objects detection for intelligent automobiles and a robustness enhancing method. IEEE International Conference on Consumer Electronics – Taiwan. 75-76.
Mane S. and Mangale S. 2018. Moving object detection and tracking using convolutional neural networks. International Conference on Intelligent Computing and Control Systems (ICICCS). 1809-1813.
Kim W. J. and Kweon I. O. 2011. Moving object detection and tracking from moving camera. International Conference on Ubiquitous Robots and Ambient Intelligence (URAI). 758-759.
Heo B., Yun K. and Choi J. Y. 2017. Appearance and motion based deep learning architecture for moving object detection in moving camera. IEEE International Conference on Image Processing (ICIP). 1827- 1831.
Lee K. B. and Shin H. S. 2019. An application of a deep learning algorithm for automatic detection of unexpected accidents under bad CCTV monitoring conditions in tunnels. International Conference on Deep Learning and Machine Learning in Emerging Applications (Deep-ML). 7-11.
Sopasoap S. and Srinonchat J. 2016. Detection technique of the obstruction area in face recognition system based on YCbCr images. The 8th conference of electrical engineering network of Rajamangala University of Technology. 557-560. (in Thai)
Yang G. and Huang T.S. 2004. Human Face Detection in Complex Background. Pattern Recognition. 27(1): 53-63.
Kotropoulos C. and Pitas I. 2007. Rule-Based Face Detection in Frontal Views. Conference of Acoustics Speech and Signal Processing. 4: 2537-2540.
Chetverikov D. and Lerch A. 2003. Multiresolution Face Detection. Theoretical Foundations of Computer Vision. 69: 131-140.
Graf H.P., Chen T., Petajan E. and Cosatto E. 2005. Locating Faces and Facial Parts. Workshop Automatic Face and Gesture Recognition. 41-46.
Sakai T., Nagao M. and Fujibayashi S. 1999. Line Extraction and Pattern Detection in a Photograph. Pattern Recognition. 1: 233-248.
Tachaphetpiboont S. and Amornraksa T. 2006. Multi-modal tracking of faces for video communications. Computer vision and pattern recognition. 1-5.
Suksukont A. 2021. Face detection and objects on eyes boundary using color model with image processing. Rajamangala University of Technology Tawan-ok Research Journal. 14(1): 42-53. (in Thai)
Xiao J., Li S. and Xu Q. 2019. Video-Based Evidence Analysis and Extraction in Digital Forensic Investigation. Deep Learning: Security and Forensics Research Advances and Challenges. 7: 5432-5442.
Saini A. and Biswas M. 2019. Object detection in underwater image by detecting edges using adaptive thresholding. International Conference on Trends in Electronics and Informatics (ICOEI). 628-632.
Raghunandan A., Mohana, Raghav P. and H. V. Ravish Aradhya. 2018. Object detection algorithms for video surveillance applications. International Conference on Communication and Signal Processing (ICCSP). 563-568.
Ju T.F., Lu W.M., Chen K.H. and Guo J. 2014. Vision-based moving objects detection for intelligent automobiles and a robustness enhancing method. IEEE International Conference on Consumer Electronics – Taiwan. 75-76.
Mane S. and Mangale S. 2018. Moving object detection and tracking using convolutional neural networks. International Conference on Intelligent Computing and Control Systems (ICICCS). 1809-1813.
Kim W. J. and Kweon I. O. 2011. Moving object detection and tracking from moving camera. International Conference on Ubiquitous Robots and Ambient Intelligence (URAI). 758-759.
Heo B., Yun K. and Choi J. Y. 2017. Appearance and motion based deep learning architecture for moving object detection in moving camera. IEEE International Conference on Image Processing (ICIP). 1827- 1831.
Lee K. B. and Shin H. S. 2019. An application of a deep learning algorithm for automatic detection of unexpected accidents under bad CCTV monitoring conditions in tunnels. International Conference on Deep Learning and Machine Learning in Emerging Applications (Deep-ML). 7-11.
Sopasoap S. and Srinonchat J. 2016. Detection technique of the obstruction area in face recognition system based on YCbCr images. The 8th conference of electrical engineering network of Rajamangala University of Technology. 557-560. (in Thai)
Yang G. and Huang T.S. 2004. Human Face Detection in Complex Background. Pattern Recognition. 27(1): 53-63.
Kotropoulos C. and Pitas I. 2007. Rule-Based Face Detection in Frontal Views. Conference of Acoustics Speech and Signal Processing. 4: 2537-2540.
Chetverikov D. and Lerch A. 2003. Multiresolution Face Detection. Theoretical Foundations of Computer Vision. 69: 131-140.
Graf H.P., Chen T., Petajan E. and Cosatto E. 2005. Locating Faces and Facial Parts. Workshop Automatic Face and Gesture Recognition. 41-46.
Sakai T., Nagao M. and Fujibayashi S. 1999. Line Extraction and Pattern Detection in a Photograph. Pattern Recognition. 1: 233-248.
