نهج تعلم عميق جديد للتعرف على الانفعالات الوجهية: تطبيق على كشف الاستجابات العاطفية لدى الأفراد المسنين المصابين بمرض الزهايمر

تُعدّ التعبيرات الوجهية شكلاً حاسماً من أشكال التواصل غير اللفظي، حيث تُعبّر عن طيف واسع من المشاعر. وقد أدّت التطورات الحديثة في الذكاء الاصطناعي ورؤية الحاسوب إلى تطوير أساليب تعلم عميق، وخاصة الشبكات العصبية التلافيفية (Convolutional Neural Networks)، التي أثبتت كفاءة عالية في التعرف على المشاعر الوجهية. يقدم هذا البحث إطار عمل متقدم يُدعى EmoNeXt لتمييز المشاعر الوجهية (FER)، والذي يُبنى على بنية مُعدّلة من ConvNeXt ويُضفي عدة ابتكارات رئيسية. يدمج EmoNeXt شبكات تحويل مكاني (Spatial Transformer Networks) لتمكين النموذج من التركيز على المناطق الأكثر تعبيرًا في الوجه، بالإضافة إلى كتل الضغط والتمكين (Squeeze-and-Excitation Blocks) لتعزيز الاعتماديات القناة، وتمثيل ترويض الانتباه الذاتي (Self-Attention Regularization Term) الذي يشجع على تعلّم متجهات مميزة ومختصرة. تم تقييم EmoNeXt أولًا على مجموعة بيانات FER2013، ثم تم التحقق من فعاليته وموثوقيته على مجموعتين أخريين شائعتين في المعايير البحثية، وهما AffectNet و CK+، وذلك لتوضيح قوته وقدرته على التعميم في سياقات واقعية ووضعية مختلفة. علاوةً على ذلك، أجرينا دراسة تحليلية شاملة (Ablation Study) لتحليل وقياس مساهمة كل تحسين، وتم التأكيد على تأثيرها الإيجابي على أداء النموذج. وأخيرًا، يستعرض هذا البحث تطبيق EmoNeXt في التعرف على المشاعر لدى كبار السن المصابين بمرض الزهايمر، مُبرزًا الحاجة الملحة إلى دقة عالية في التعرف على المشاعر لتحسين رعاية المرضى. تُظهر نتائجنا الإمكانات الكبيرة لـ EmoNeXt كأداة قيّمة لتعزيز التواصل العاطفي في البيئات الصحية، خاصةً لدى المرضى المصابين بأمراض تدهور عصبي.