การพยากรณ์น้ำหนักผู้ป่วยติดเตียงผ่านอุปกรณ์ไคเนคโดยใช้กระบวนการปรับปรุงภาพด้วยตัวกรองแบบมัธยฐานร่วมกับโครงข่ายประสาทเทียม
คำสำคัญ:
ไคเนค, โครงข่ายประสาทเทียม, การประมวลผลภาพบทคัดย่อ
การสั่งจ่ายยาเพื่อรักษาผู้ป่วยติดเตียงจำเป็นต้องคำนวณปริมาณยาที่จะให้ผู้ป่วย โดยอ้างอิงจากน้ำหนักของผู้ป่วย ปัจจุบัน การหาค่าน้ำหนักของผู้ป่วยติดเตียงพบปัญหาหลายประการ เช่น กรณีการเคลื่อนย้ายผู้ป่วยไปชั่งน้ำหนัก อาจส่งผลให้ผู้ป่วยบาดเจ็บเพิ่มขึ้น การใช้เตียงที่สามารถชั่งน้ำหนักได้ ซึ่งมีราคาสูง ก็ส่งผลให้ต้นทุนในการรักษาเพิ่มขึ้น และการคาดคะเนน้ำหนักจากรูปร่างของผู้ป่วยก็มีความคลาดเคลื่อนสูง งานวิจัยนี้จึงนำเสนอวิธีพยากรณ์น้ำหนักผู้ป่วยติดเตียงผ่านไคเนค โดยใช้กระบวนการปรับปรุงภาพด้วยตัวกรองแบบมัธยฐานร่วมกับโครงข่ายประสาทเทียม ซึ่งทดสอบกับบุคคลทั่วไปแทนผู้ป่วยติดเตียงจำนวน 100 คน โดยแบ่งข้อมูลสำหรับการฝึกสอนโครงข่ายประสาทเทียม ทดสอบ และตรวจสอบความถูกต้อง เป็น 70% 15% และ 15% ตามลำดับ ออกแบบสถาปัตยกรรมของโครงข่ายประสาทเทียมทั้งหมด 18 รูปแบบ จากการทดสอบ พบว่า โครงข่ายประสาทเทียมที่เหมาะสมในการนำไปใช้พยากรณ์น้ำหนักมีจำนวนนิวรอนในชั้นซ่อนเท่ากับ 3 วิธี ใช้การฝึกสอนโครงข่ายโดยอาศัย Levenberg-Marquardt algorithm และฟังก์ชันกระตุ้นเป็น tan-sigmoid transfer function โดยมีค่า R และ RMSE เท่ากับ 0.93393 และ 5.92 ตามลำดับ
References
Microsoft Co., 2011, Xbox 360 Kinect Sensor, United States of America, pp. 1-18.
Kaenchan, S., Mongkolnam, P., Watanapa, B. and Sathienpong, S., 2013, “Automatic Multiple Kinect Cameras Setting for Simple Walking Posture Analysis,” International Computer Science and Engineering Conference (ICSEC), Nakhon Pathom, pp. 245-249.
Berger, K., Ruhl, K., Brummer, C., Schroder, Y., Scholz, A. and Magnor, M., 2011, “Markerless Motion Capture using Multiple Color-Depth Sensors,” 16th International Workshop on Vision, Modeling, and Visualization (VMV 2011), 4-6 October 2011, Berlin, Germany.
Darina, K., Alexander R., Miroslav C. and Vladimír T., 2017, “Utilisation of Kinect Sensors for the Design of a Human-robot Collaborative Woekcell,” Advances in Science and Technology Research Journal, 11 (4), pp. 270-278.
Kongsro, J., 2014, “Estimation of Pig Weight Using a Microsoft Kinect Prototype Imaging System,” Computers and Electronics in Agriculture, 109 (1), pp. 32-35.
Pezzuolo, A., Guarino, M., Sartori, L. González, L. and Marinello, F., 2018, “On-barn Pig Weight Estimation Based on Body Measurements by a Kinect v1 Depth Camera,” Computers and Electronics in Agriculture, 148 (1), pp. 29-36.
Wongtrairat, W., Sopon, T. and Wongsuthavas, S., 2016, “Weight Estimation of Native Cow by Image Processing,” Engineering, Science, Technology and Architecture Conference 2016, Nakhon Ratchasima, pp. 682-685. (In Thai).
Samperio, E., Lidón, I., Rebollar, R., Castejón-Limas, M. and Álvarez-Aparicio, C., 2021, “Lambs’ Live Weight Estimation Using 3D Images,” Animal, 15 (8), pp. 1-7.
Kavalerov, B., Kilin, G. and Suslov, A., 2020, “Neural Network Architecture Choice for Modelling Various Configuration Power System,” International Conference on Innovation Energy 2020 (IE 2020), Perm, Russia, pp. 1-7.
Chen, Y., Lei, T., Yao, S. and Wang, H., 2020, “PM2.5 Prediction Model Based on Combinational Hammerstein Recurrent Neural Networks,” Mathematics, 8 (12), pp. 1-23.
Chaisuwan, T., Suksawang, P. and Mekparyup, J., 2020, “Development of Tournament Selection of Genetic Algorithm for Forecasting Rainfall with Artificial Neural Network,” Princess of Naradhiwas University Journal, 12 (3), pp. 245-261. (In Thai).
Prapaporn, W., 2019, "An Analysis on Material Quantity Relationship of Reinforced Concrete Buildings between Multiple Linear Regression and Artificial Neural Network," Naresuan University Engineering Journal, 14 (1), pp. 84-102.
Pattajarukul, B., 2013, Fundamentals of Digital Image Processing, Se-Education, Bangkok, p. 384.
Sibi, P., Joned, S. and Siddarth, P., 2013, “Analysis of Different Activation Functions Using Back Propagation Neural Networks,” Journal of Theoretical and Applied Information Technology, 47 (3), pp. 1264-1268.
The MathWorks, Inc., 2004, Neural Network Toolbox User’s Guide, Massachusetts, pp. 1-846.
Katemukda, N., 2021, "Regression Analysis Applying for Defection Rescreening of Microelectronics Product," Ladkrabang Engineering Journal, 38(4), pp. 42-50.
Lei, S., Zhang, H., Wang, K. and Su, Z., 2019, “How Training Data Affect the Accuracy and Robustness of Neural Networks for Image Classification,” International Conference on Learning Representations, New Orleans, Louisiana, pp. 1-14.
Buntam, D., Permpoonsinsup, W. and Surin, P., 2020, “The Application of a Hybrid Model Using Mathematical Optimization and Intelligent Algorithms for Improving the Talc Pellet Manufacturing Process,” Symmetry, 12 (10), pp. 1-18.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2022 มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาของบทความที่ตีพิมพ์ในวารสาร Science and Engineering Connect ในทุกรูปแบบ รวมถึงข้อความ สมการ สูตร ตาราง ภาพ ตลอดจนภาพประกอบในรูปแบบอื่นใด เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี การนำเนื้อหา ไม่ว่าจะในรูปแบบใด ของบทความไปใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษรก่อนเท่านั้น
