تشخیص خودکار، پیوسته و غیرتهاجمی درد و شدت آن جهت ارزیابی و مدیریت درد در مراکز بالینی لازم است. به همین منظور راه حلی پیشنهاد شده که به کد کردن واحدهای کنشی چهره مرتبط با درد می پردازد و معادل رویکرد مبتنی بر توصیف چهره است. اما بروز این جلوه ها در چهره افراد مختلف متنوع است. یکی از عوامل ایجاد تنوع را می توان سبک هر فرد در بروز جلوه دانست. بازشناسی این جلوه ها در عمل نیازمند سامانه هایی است که مستقل از فرد آموزش دیده باشند. در این سامانه ها، تنوعات بین فردی عامل ایجاد فاصله بین توزیع نمونه های آموزش و آزمون است که نتیجه آن کاهش تعمیم دهی روش یادگیرنده است. در این مقاله در راستای کاهش فاصله بین این دو توزیع، نگاشت و بردار انتقال سبک برای بهبود تشخیص درد و شدت آن به کار گرفته شده اند. نتایج بر روی دادگان UNBC-McMaster که از نوع خودانگیخته است بررسی شده است. نتایج نشان داد که روش های انتقال سبک پیشنهادی قادر اند در شرایطی که داده تطبیق مناسب یا محدود از فرد جدید در دسترس باشد، کارآیی بازشناسی را افزایش دهند.

مقالة حاضر به تشخیص هویت و عملکرد نیروها و شخصیت های دیوی با اصالت بابِلی و آرامی در کیش مانوی می پردازد و می کوشد آنها را در اندرکنش با اسطوره های کافرکیشی و یهودی بازشناسد. در اینجا، هم به انگاره ها و چهره های اهریمنی آتالیا، ایدرا، اَتْنَبیش، هوبابیش، وزبیش، اُهْیا، و لِوْیاتین و هم به گروه های غولان، ایرها، نِفیل ها و فرشتگان هبوط کرده پرداختیم تا نشان دهیم دیوشناسی مانوی تا چه حدّ به سنّت های آرامی و به ویژه به کتاب حنوخ و کتاب غولان یهودی وابسته است. در جستار حاضر، نه تنها کلان فرشتگان بزرگ مانوی یعنی رُفائیل و میخائیل و گبرائیل و سَرائیل را باز خواهیم شناخت، بلکه به نقش آفرینی اینان به سرداریِ پادشاه افتخار در برابر یورش غولانی خواهیم پرداخت که بر اساس داستان آفرینش مانوی به زمین گریختند. مقاله نشان می دهد بازسازی کتاب غولانِ مانی به شدت به بررسی های دیوشناسانه وابسته است.مقالة حاضر به تشخیص هویت و عملکرد نیروها و شخصیت های دیوی با اصالت بابِلی و آرامی در کیش مانوی می پردازد و می کوشد آنها را در اندرکنش با اسطوره های کافرکیشی و یهودی بازشناسد. در اینجا، هم به انگاره ها و چهره های اهریمنی آتالیا، ایدرا، اَتْنَبیش، هوبابیش، وزبیش، اُهْیا، و لِوْیاتین و هم به گروه های غولان، ایرها، نِفیل ها و فرشتگان هبوط کرده پرداختیم تا نشان دهیم دیوشناسی مانوی تا چه حدّ به سنّت های آرامی و به ویژه به کتاب حنوخ و کتاب غولان

تشخیص خواب آلودگی در موارد زیادی از جمله کاهش تصادفات جاده ای اهمیت دارد. در این مقاله، الگوریتم های جدیدی به منظور تعیین مکان مردمک ها و دایره های عنبیه، لب ها و تشخیص وضعیت باز و بسته بودن چشم ها ارائه می شود که در نهایت بر اساس آنالیز چهره (باز و بسته بودن چشم ها و دهان) میزان سطح خواب آلودگی فرد تعیین می شود. در بیشتر روش های مبتنی بر آنالیز چهره با استفاده از یک پارامتر، خواب آلودگی فرد تشخیص داده شده است. روش های معدودی وجود دارند که از چندین پارامتر برای تشخیص خواب آلودگی استفاده می کنند و آنها نیز مبتنی بر داده های آموزشی و روشنگرهای مادون قرمزند. استفاده طولانی مدت از این روشنگر ها موجب آسیب شبکیه چشم می شود. بنابراین در این مقاله از روشنگرهای مادون قرمز استفاده نخواهد شد. همچنین با ترکیب چند پارامتر خواب آلودگی و عوامل محیطی، میزان سطح خواب آلودگی با دقت بالایی بدون نیاز به داده های آموزشی و سخت افزار خاص تعیین می شود. روش پیشنهادی به منظور تشخیص خواب آلودگی شامل 4 مرحله تشخیص ناحیه چهره، تعیین معیارهای خواب آلودگی به کمک چشم ها، تعیین معیار خواب آلودگی به وسیله دهان و تشخیص میزان سطح خواب آلودگی شخص است. مراحل مختلف روش پیشنهادی با روش های پیشین در شرایط متفاوت نوری و محیطی به وسیله مجموعه داده هایIMM ، HCE، CVL و 30 فیلم گرفته شده از 15 نفر مقایسه شده اند. در نهایت نیز قابلیت تشخیص سطح خواب آلودگی به وسیله روش پیشنهادی در 15 فرد خواب آلوده به طور موفقیت آمیز ارزیابی شده است. بدین صورت که در ابتدا وضعیت باز و بسته بودن چشم ها و دهان به ترتیب 94.3% و 95.1% درست تشخیص داده شده اند. سپس میزان سطح خواب آلودگی شخص در حالت های مختلف پلک زدن عادی، پلک زدن تند، صحبت کردن عادی، خمیازه کشیدن و بسته بودن طولانی مدت چشم ها مشخص شده است. در نهایت نیز اگر میزان سطح خواب آلودگی به دست آمده از حد آستانه 95% تجاوز کند، به شخص هشدار داده می شود.

هدف این پژوهش تعیین اثربخشی آموزش جلوه های چهره ای هیجان های بنیادی بر کاهش نشانه های اختلال رفتار زودآغاز بود. روش پژوهش شبه تجربی و طرح پیش آزمون و پس آزمون با یک گروه بود. جامعه مورد پژوهش تمام دانش آموزان دارای اختلال رفتار زودآغازی محصل در مدارس ابتدایی شهر تهران بودند. پس از غربالگری در مدرسه، تعداد 17 نفر از این دانش آموزان با روش نمونه برداری هدفمند و با استفاده از ملاک های تشخیصی اختلال رفتاری با فرم گزارش معلم برای سنین 18-6 سال آزمون آشنباخ انتخاب شدند. آموزش جلوه های چهره ای هیجان های بنیادی به مدت 10 جلسه و هر جلسه 30 دقیقه به دانش آموزان ارائه شد. ابزار مورد استفاده جهت ارزیابی و تشخیص اختلال رفتار، آزمون آشنباخ (آشنباخ و رسکورلا، 2001) بود که به وسیله معلمان در دو مرحله پیش آزمون و پس آزمون انجام شد و به منظور آموزش جلوه های چهره ای هیجان ها از جورچین آهن ربایی چهره استفاده شد. برای تحلیل داده ها از آزمون tوابسته استفاده شد و نتایج تحلیل نشان داد که بین پیش آزمون و پس آزمون تفاوت معناداری وجود دارد و نشانه های اختلال رفتار در اثر این آموزش کاهش معناداری یافته اند. همچنین یافته ها نشان داد که آموزش ها می تواند با افزایش توانایی کودکان برای بازشناسی هیجان های چهره ای مخاطب، به درک بهتر آن ها از قصدهای فرد مقابل کمک کند و درنتیجه نشانه های اختلال رفتار را کاهش دهد.

شناسایی چهره انسان باپهپادها، برای کاربردهای مختلف، مانند نظارت، جستجوو امنیت ضروری است. روش های قبلی برای تشخیص و شناسایی چهره حساسیت بالایی به محدودیت هایی مانند، ارتفاع، زاویه و فاصله از چهره دارند. در این مقاله رویکرد جدیدی برای تشخیص و شناسایی چهره بایادگیری عمیق ارائه می شود. روش پیشنهادی در سه مرحله انجام می شود. در مرحله اول، با الگوریتم جستجوی انتخابی، ناحیه بندی تصاویر انجام می شود. در مرحله دوم، یک شبکه عمیق برای عملیات پالایش جعبه ها پیشنهاد می شودتا جعبه های هدف با دقت و سرعت بالایی شناساییشوند. درواقع، یک مسئله طبقه بندی دو کلاسه توسط یادگیری عمیقانجام می شود تا چهره ها مکان یابیشوند. در مرحله سوم، تصاویر مکان یابی شده به شبکه عمیق پیشنهادی آموزش داده می شوند تا شناسایی چهره ها انجام شود. در معماری روش پیشنهادی از خاصیت شبکه های عمیق پرکاربرد به صورت ترکیبی استفاده می شود و مقایسه کمی روش پیشنهادی با روش های جدید از نظر پیچیدگی محاسباتی نشان می دهد که آموزش مدل پیشنهادی نسبت به سایر روش ها زمان اجرای کمتری لازم دارد. به علاوه، ارزیابی روش پیشنهادی روی مجموعه داده DroneFace نشان می دهد که برای فاصله و ارتفاع مختلف نسبت به هدف، روش پیشنهادی میانگین نرخ تشخیص چهره 9/75 و میانگین نرخ شناسایی چهره 6/84 را دارد. بنابراین، روش پیشنهادی نسبت به روش های جدید در این حوزه دقت و کارایی بالاتری دارد و می تواند برای کاربردهای نظارتی و امنیتی استفاده شود.

روش های تشخیص چهره که مبتنی بر ساختار چهره هستند، روش های بدون نظارتی می باشند که نسبت به تغییرات خطی که در تصویر رخ می دهد نتایج مناسبی را تولید می کنند. PCA یک تبدیل خطی است که ابزار قدرتمندی برای تجزیه و تحلیل داده هایی است که دارای تغییرات خطی می باشند؛ ولی برای تغییرات غیرخطی چهره ناشی از تغییرات حالت، روشنایی و ژست در تصویر چهره، مطلوب نمی باشد. فیلتر گابور یکی از روش های مبتنی بر ویژگی است که می تواند برای رفع نقطه ضعف PCA مورد استفاده قرار گیرد.در این مقاله روشی جدید برای تشخیص چهره با ترکیب روش های PCA و گابور ارایه شده است. بدین صورت که پس از اعمال فیلتر گابور بر روی هر چهره موجود در بانک اطلاعاتی، تعدادی تصویر حاصل از فیلتر گابور به دست می آید. میانگین تصاویر حاصل از فیلتر گابور به عنوان یک تصویر جدید در نظرگرفته می شود؛ سپس از مولفه های اصلی به دست آمده از اعمال PCA بر روی تصاویر میانگین برای تشخیص چهره استفاده می گردد. روش پیشنهادی بر روی پایگاه های داده تصویر YaleB و ORL تحت شرایط مختلف بررسی گردید. نتایج به دست آمده نشان می دهد روش پیشنهادی نسبت به روش PCA بهتر عمل می کند.

از دست دادن صدا و حنجره یک معضل بزرگ برای افراد با اختلالات گفتاری است. این اتفاق عواقب جدی و منفی بر کیفیت زندگی فردی و گروهی این اشخاص به ویژه در محیط های کاری ایجاد می کند. توسعه ی یک سیستم هوشمند بر پایه ی سیگنال های الکترومایوگرام با قابلیت تشخیص گفتار (بدون استفاده از صوت) می تواند دریچه ی امیدبخشی برای افرادی که حنجره و صدای خود را بر اثر سرطان از دست داده اند باشد. اگر چه در این حوزه پژوهش هایی برای زبان های مختلف انجام شده اما برای زبان فارسی پژوهشی صورت نگرفته است. در این مقاله برای اولین بار، بازشناسی واژگان فارسی با استفاده از الکترومایوگرام عضلات چهره انجام پذیرفته است. بدین منظور سیگنال های sEMG از 8 عضله ی چهره ی 6 داوطلب هنگام بیان 12 کلمه ی زبان فارسی جمع آوری شده است. سپس ویژگی های MFL، VAR، DAMV، LTKE، IQR و Cardinality از هر کانال و هر پنجره از سیگنال استخراج گردیده و 432 ویژگی حاصل از هر سیگنال با استفاده از روش تحلیل مولفه ی اصلی به 49 ویژگی تقلیل یافته است. در نهایت به منظور بازشناسی 12 کلمه ی زبان فارسی، ویژگی ها به طبقه بندهای SVM، KNN و RF داده شده است. میانگین صحت طبقه بندی به ترتیب 16/83%، 91/81% و 97/78% به دست آمده است. ارزیابی نتایج این مقاله گویای آن است که با استفاده از سیگنال های EMG می توان کلمات محدود زبان فارسی را با صحت خوبی بازشناسی نمود.