Makine öğrenme algoritmalarıyla alt çeneye bağlı kasların yorgunluk analizi ve bruksizm tanı yöntemlerinin geliştirilmesi
Machine learning algorithms in fatigue analysis of lower jaw muscles and development of bruxism diagnostic methods
- Tez No: 700206
- Danışmanlar: DOÇ. DR. SERKAN KURT
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 146
Özet
Bruksizm, çiğneme kaslarının kasılarak dişlerin gıcırdaması ve alt çenenin sıkılması olarak bilinir. Bruksizmden dolayı dişlerin aşınması, çene ağrısı ve çene kaslarında oluşan yorgunluk nedeniyle hastaların yaşam kalitesini olumsuz etkilenir. Teşhisi, konusunda uzmanlık ve klinik ortam gerektirmesiyle zor ve zaman alıcıdır. Teşhis genellikle uyku sırasında masseter kaslarının elektromiyografi aktivitesinin izlenmesiyle yapılır. Yüzey elektromiyografisi sinyallerinin kullanılması ekonomik ve pratik bir çözüm olmasına rağmen, çevresel etkilerden dolayı çene kaslarının yorgunluk ve parafonksiyonel hareketlerini elektromiyografi sinyalleri ile tespit etmek zordur. Bu tez çalışmasında hem elektromiyografi hem de akselerometre tabanlı olarak kaslardan elde edilen sinyallerin etkin bir şekilde filtrelenmesinde genişletilmiş Kalman filtre modeline dayalı yeni bir adaptif yöntem geliştirtirilmiştir. Elde edilen sinyallerin farklı genlik ve frekans özellikleri, sinyallerin dalgacık dönüşümleriyle Shannon Entropi özellikleri ve de otoregresyon analiziyle de regresyon katsayı özellikleri değerlendirilmiştir. Elde edilen bu özellikler, bruksizm esnasında ortaya çıkan çene sıkma ve diş gıcırdatma eylemlerine ek olarak ayrıca alt çenede oluşan kas yorgunluk durumları da dikkate alınarak belirlenmiştir. Bu özelliklerden sadece en etkili olanları yapay sinir ağlarıyla belirlenerek daha az özellikler ile bruksizm esnasında ortaya alt çene aktiviteleri ve kas yorgunlukları belirlenerek en etkili bruksizm tanılaması bu tez çalışmasında yapılabilmiştir. Dolayısıyla tanılama için beş farklı makine öğrenme algoritmaları ayrı ayrı kullanılarak alt çene aktiviteleri sınıflandırılmış, bu algoritmaların da birbirlerine göre performansları karşılaştırılmıştır. Bruksizmin en etkin tanılanmasında ayrıca hem eletromiyografi tabanlı hem de akselerometre tabanlı olmak üzere klinik bir ortama gereksinim kalmadan ev ortamında veri kaydına da olanak sağlayan, giyilebilir ve düşük maliyetli güvenilir bir sistem geliştirilmiştir.
Özet (Çeviri)
Bruxism is known as grinding of the teeth and clenching of the lower jaw by contraction of the chewing muscles. It negatively affects the quality of life of patients due to tooth wear, pain and fatigue in the jaw muscles. Diagnosis is difficult and time-consuming, requiring a clinical setting. The diagnosis of bruxism is usually made by monitoring the electromyographic activity of the masseter muscles during sleep. Although the use of surface electromyography signals is an economical and practical solution, it is difficult to detect fatigue and parafunctional movements of the jaw muscles with electromyography signals due to peripheral effects. In this thesis, by developing a new adaptive method based on the Extended Kalman Filter model for lower jaw muscles, different amplitude and frequency features for the effectiveness of bruxism diagnosis, Shannon entropy features with wavelet transforms of signals and regression coefficient features with autoregression analysis are obtained. These features are determined by considering the muscle fatigue conditions in the lower jaw, in addition to the jaw clenching and teeth grinding actions that occur during bruxism. Only the most effective of these features are determined by artificial neural networks and using lesser features could be made by determining lower jaw activities and muscle fatigue during bruxism. Therefore, for diagnosis, five different machine learning algorithms are used separately and mandibular activities are classified, and the performances of these algorithms are compared with each other. In the most effective diagnosis of bruxism, a wearable and low-cost system is developed that allows data recording in the home environment, based on electromyography and accelerometer-based, without the need for a clinical environment.
Benzer Tezler
- Multiobjective evolutionary feature subset selection algorithm for binary classification
İkili sınıflandırma için çok amaçlı evrimsel öznitelik alt kümesi seçimi algoritması
FİRDEVSİ AYÇA DENİZ KIZILÖZ
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET COŞAR
YRD. DOÇ. DR. TANSEL DÖKEROĞLU
- Periferik yayma sonuçlarının otomatik analizi için zeki denetimli sistem tasarımı
Intelligent controlled system design for automatic analysis of peripheral blood smears
ABDULLAH ELEN
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KAMİL TURAN
- Deep learning for digital pathology
Dijital patoloji için derin öğrenme
CAN TAYLAN SARI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Machine learning based design of gap waveguides
Makine öğrenmesi tabanlı boşluk dalga kılavuzu tasarımı
UĞUR ALKAŞI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER