چکیده:
سابقه و هدف: تعیین میزان انحراف از مزاج پایه هر فرد یکی از مراحل اولیه تشخیص بیماری و صحت افراد در طب سنتی ایران است. اما این مزاجسنجی وابستگی زیادی به بیمار و پزشک دارد. هدف از این تحقیق، یافتن روش و ابزاری پایا و روا بود که تا حد امکان بتواند سنجش مزاج را از حالت ذهنی (سوبژکتیو) به حالت عینی (آبژکتیو) تبدیل کند.
مواد و روشها: این مطالعه در زمستان سال ۱۳۹۸ در سلامتکده طب سنتی بهشت، وابسته به دانشگاه علوم پزشکی ایران (ایران، تهران) انجام شد. در این تحقیق ۳۴ داوطلب از پرسنل پس از اخذ رضایت کتبی زیر نظر یک پزشک متخصص طب ایرانی با فرم استانداردشدۀ مجاهدی، مزاجسنجی شدند و همزمان از محل لمس نبض، پشت دست و کل صورت با استفاده از دوربین حرارتی مدل T۲ شرکت ULIRVISION تصاویر حرارتی گرفته و مقدار دمای موضع ثبت شد.
یافتهها: با استخراج دوازده ویژگی مرتبط با نحوه توزیع حرارت در ناحیه مورد نظر در تصاویر حرارتی ذکر شده، یک الگوریتم مبتنی بر الگوریتم ژنتیک و طبقهبندیکننده Adaboost طراحی شد و مشاهده شد که هفت ویژگی از این ویژگیها بیشترین تاثیر را در طبقه بندی دارند و صحت ۸۵/۶ درصد و حساسیت ۶۶/۷ درصد و ویژگی ۹۱/۷ درصد به دست آمد.
نتیجهگیری: در این مقاله نشان داده شد که تصویربرداری حرارتی تطابق معنیداری با فرم استانداردشده دارد و میتواند بهعنوان ابزاری پایا برای ارزیابی مزاج خشک/ تر مورد استفاده قرار گیرد.
Background and Purpose: Mizaj (Temperament) identification is an important stage of diagnosis in Persian Medicine (PM). This study aimed to evaluate thermal imaging as a reliable tool that can be used instead of subjective assessments.
Materials and Methods: This study was conducted in the winter of 2020 at the Behesht Traditional Medicine Health Clinic (Tehran, Iran). The Mizaj (Temperament) of 34 participants was assessed by a PM specialist using Mojahedi Mizaj standardized Questionnaire (MMQ). Also thermal images of the wrist at the radial pulse location, the back of the hand, and their whole face were recorded by a thermography camera model T2 (ULIRVISION Co.) and the temperatures of regions of interest were measured.
Results: Twelve thermal features were extracted and a classifying algorithm was designed based on a genetic algorithm and an Adaboost classifier. By selecting 7 of the 12 features that had the most impact on the classification, the mean accuracy of 85.6%, sensitivity of 66.7%, and specificity of 91.7% were obtained.
Conclusions: The thermal imaging was significantly consistent with MMQ and can be used as a reliable tool for evaluating dry/wet Mizaj (Temperament).