การประยุกต์ใช้ปัญญาประดิษฐ์ในการตรวจจับการกระตุกของกล้ามเนื้อใบหน้า

นภธร พูลเพียร

ผู้แต่ง

นภธร พูลเพียร Durakit bundit university

คำสำคัญ:

Artificial intelligence; Facial muscle twitching; Computer vision; Neuromuscular screening; Deep learning

บทคัดย่อ

การกระตุกของกล้ามเนื้อใบหน้าเป็นสัญญาณเชิงสรีรวิทยาที่มีลักษณะเป็นการเคลื่อนไหวขนาดเล็กและเกิดขึ้นในช่วงเวลาสั้น ซึ่งยากต่อการตรวจจับด้วยสายตามนุษย์ งานวิจัยนี้มีวัตถุประสงค์เพื่อทบทวนวรรณกรรมอย่างเป็นระบบเกี่ยวกับการประยุกต์ใช้ปัญญาประดิษฐ์ในการวิเคราะห์การเคลื่อนไหวของใบหน้า และเสนอกรอบแนวคิดเชิงวิศวกรรมสำหรับระบบคัดกรองความผิดปกติทางระบบประสาท โดยดำเนินการตามแนวทาง PRISMA จากการคัดเลือกบทความจำนวน 320 บทความ พบว่ามีบทความที่ผ่านเกณฑ์และนำมาวิเคราะห์จำนวน 35 บทความ

ผลการศึกษาพบว่าแบบจำลอง Convolutional Neural Networks (CNN) ถูกใช้งานมากที่สุดคิดเป็นประมาณร้อยละ 60 รองลงมาคือ Long Short-Term Memory (LSTM) ร้อยละ 25 และแบบจำลองแบบผสมผสาน CNN-LSTM ร้อยละ 15 โดยมีค่าความแม่นยำเฉลี่ยอยู่ในช่วง 82–86%, 78–84% และ 88–92% ตามลำดับ อย่างไรก็ตาม มากกว่าร้อยละ 70 ของงานวิจัยยังใช้ชุดข้อมูล micro-expression เช่น CASME II และมีเพียงส่วนน้อยที่ได้รับการทดสอบในสภาพแวดล้อมจริง งานวิจัยนี้จึงเสนอกรอบแนวคิดของระบบคัดกรองที่ประกอบด้วย 6 ขั้นตอนหลัก โดยมุ่งเน้นการใช้งานในระดับ screening system มากกว่าการวินิจฉัยทางการแพทย์

เอกสารอ้างอิง

Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. PLOS Medicine, 6(7), e1000097.

Khor, H. Q., See, J., Phan, R. C. W., & Lin, W. (2019). Dual-stream shallow networks for facial micro-expression recognition. Image and Vision Computing, 81, 1–11.

Li, X., Hong, X., Moilanen, A., Huang, X., Pfister, T., Zhao, G., & Pietikäinen, M. (2018). Towards reading hidden emotions: A comparative study of micro-expression spotting and recognition methods. IEEE Transactions on Affective Computing, 9(4), 563–577.

Wang, Y., See, J., Phan, R. C. W., & Oh, Y. H. (2020). Efficient spatio-temporal networks for micro-expression recognition. Pattern Recognition, 107, 107468.

Yan, W.-J., Li, X., Wang, S.-J., Zhao, G., Liu, Y.-J., Chen, Y.-H., & Fu, X. (2014). CASME II: An improved spontaneous micro-expression database and baseline evaluation. PLOS ONE, 9(1), e86041.

Davison, A. K., Lansley, C., Costen, N., Tan, K., & Yap, M. H. (2018). SAMM: A spontaneous micro-facial movement dataset. IEEE Transactions on Affective Computing, 9(1), 116–129.

Pfister, T., Li, X., Zhao, G., & Pietikäinen, M. (2011). Recognising spontaneous facial micro-expressions. Proceedings of the IEEE International Conference on Computer Vision (ICCV), pp. 1449–1456.

Liong, S. T., See, J., Wong, K., & Phan, R. C. W. (2016). Less is more: Micro-expression recognition from video using apex frame. Signal Processing: Image Communication, 62, 82–92.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.

Donahue, J., Hendricks, L. A., Rohrbach, M., Venugopalan, S., Guadarrama, S., Saenko, K., & Darrell, T. (2017). Long-term recurrent convolutional networks for visual recognition and description. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4), 677–691.

Wu, H. Y., Rubinstein, M., Shih, E., Guttag, J., Durand, F., & Freeman, W. T. (2012). Eulerian video magnification for revealing subtle changes in the world. ACM Transactions on Graphics, 31(4), Article 65.

Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in software engineering. Keele University Technical Report.

Tranfield, D., Denyer, D., & Smart, P. (2003). Towards a methodology for developing evidence-informed management knowledge. British Journal of Management, 14(3), 207–222.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.