Geri Dön

Fotopletismografi sinyali ile Bruksizm teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi

Development of a machine learning based method for the diagnosis of Bruxism with photoplethysmography signal

PDF İndir

  1. Tez No: 959377
  2. Yazar: ÖMER ERİŞ
  3. Danışmanlar: PROF. DR. MEHMET RECEP BOZKURT
  4. Tez Türü: Doktora
  5. Konular: Biyomühendislik, Biyoteknoloji, Elektrik ve Elektronik Mühendisliği, Bioengineering, Biotechnology, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 104

Özet

Uyku Bruksizmi (SB), bireyin farkında olmadan dişlerini sıkması veya gıcırdatması sonucu çene kaslarında anormal aktivitelere yol açan; hem dental hem de genel sağlık üzerinde olumsuz etkileri olabilen bir durumdur. Diş aşınması, çene eklemi bozuklukları, baş ağrısı ve uyku kalitesinde bozulma gibi çeşitli şikâyetlere neden olabilirken; tedavi edilmediği takdirde daha ciddi nöromüsküler ve psikolojik komplikasyonlara yol açabilmektedir. Bruksizmin erken teşhisi, neden olduğu olumsuz etkiler başlamadan önce önlem alınmasına olanak tanır. Ancak, bruksizmin kesin teşhisi için kullanılan polisomnografi (PSG), yüksek maliyeti, sınırlı erişilebilirliği ve uygulama zorlukları nedeniyle yaygın olarak kullanılamamaktadır. Bu durum, bruksizmin genellikle klinik muayene veya anket gibi subjektif değerlendirme yöntemleriyle“olası”ya da“muhtemel”olarak teşhis edilmesine yol açmaktadır. Oysa erken ve kesin teşhis, hem bireyin yaşam kalitesinin korunması hem de sağlık sistemine olan yükün azaltılması açısından büyük önem taşımaktadır. Bu tez çalışmasında, SB'nin noninvaziv, pratik ve yüksek doğrulukla teşhisini mümkün kılan; fotopletismogram (PPG) ve PPG'den elde edilen kalp atış hızı değişkenliği (HRV) verileri kullanılarak geliştirilen yapay zeka (AI) tabanlı bir teşhis modeli sunulmuştur. Bu kapsamda, 2013 yılına ait Sakarya Hendek Devlet Hastanesi Göğüs Hastalıkları Uyku Laboratuvarına ait kayıtlar retrospektif olarak incelenmiş; 12 uyku apnesi (SA) ve 5 uyku apnesi olmayan (Non-SA) olmak üzere toplam 17 bireye ait uyku kayıtları çalışmaya dahil edilmiştir. PSG kayıtları, Amerikan Uyku Tıbbı Akademisi (AASM) uyku evreleme kriterlerine göre uzman hekim tarafından etiketlenmiş; sadece“uyku”olarak belirlenen epoklar değerlendirmeye alınmıştır. Bu epoklardaki çene elektromiyogram (EMG) kayıtları, yine AASM kriterlerine göre uzman hekim tarafından“bruksizm”(fazik, tonik ve karma) ve“kontrol”(mikro uyarılma, solunum çabası ile ilişkili uyarılma - RERA ve periyodik bacak hareketleri - PLM) olarak etiketlenmiştir. Etiketlenen bu epokların senkronize PPG kayıtları alınarak 623 bruksizm ve 875 kontrol olmak üzere toplam 1498 veri elde edilmiştir. Veriler uygun filtre kullanılarak temizlenmiş; zaman domeninde karakteristik ve istatistiksel olmak üzere toplam 96 özellik çıkarılmıştır. Temel Bileşen Analizi (PCA) ile özellik sayısı 96'dan 47'ye düşürülmüştür. Ardından, Fisher özellik seçme yöntemi ile özelliklerin Fisher skorları hesaplanarak, en etkili biyobelirteçlerin belirlenmesi amacıyla farklı veri setleri oluşturulmuştur. Dört farklı makine öğrenmesi algoritması (destek vektör makinesi - SVM, k en yakın komşu - kNN, Ensemble ve Sinir Ağları - NN) kullanılarak, 5-kat çapraz doğrulama ve hiperparametre optimizasyonu uygulanmış; bruksizm - kontrol ikili sınıflandırma modelleri geliştirilmiştir. Modellerin performansı, daha önce görülmemiş test verileri üzerinde doğruluk, duyarlılık, özgüllük, F-ölçümü, Kappa ve alıcı işletim karakteristiği (ROC) eğrisi altındaki alan (AUC) ölçütleri ile değerlendirilmiştir. Veri seti hem SA ve hem de Non-SA bireyleri içerdiğinden, sınıflandırma başarısının bu duruma bağlı olup olmadığı analiz edilmiştir. Tüm verilerde %92,8 doğruluk ve 0,9727 AUC, sadece SA'lı bireylerde %92,3 doğruluk ve 0,9722 AUC, sadece Non-SA'lı bireylerde ise %92,9 doğruluk ve 0,9705 AUC elde edilmiştir. Bu sonuçlar, modelin SA durumunda bağımsız olarak yüksek performans gösterdiğini ortaya koymuştur. PCA sonrası 47 özellikli veri seti ile oluşturulan Ensemble modelinde %92,4 doğruluk ve 0,9676 AUC elde edilmiştir. Bu performans, 96 özellikli tüm veri setiyle elde edilen sonuçlara çok yakındır ve PCA veri setinin tüm veriyi %100 temsil ettiğini göstermektedir. PCA sonrasında özelliklerin Fisher skorları hesaplatılmış ve en yüksek Fisher skor değerine sahip özellikten başlayarak özellik sayısını her defasında bir artırarak 47 farklı veri seti elde edilmiştir. Bu veri setlerinde yapılan sınıflandırmalar sonucunda, 33 özelliğin kullanıldığı modelde %92,7 doğruluk ve 0,9685 AUC ile en yüksek başarı elde edilmiştir. Bununla birlikte, sadece 15 özelliğin kullanıldığı modelde %92 doğruluk ve 0,9691 AUC ile oldukça yakın bir başarı sağlanmıştır. Özellik sayısının 10'a düşürüldüğü durumda %91,1 doğruluk ve 0,96 AUC; yalnızca bir özelliğin (86 numaralı) kullanıldığı durumda ise %89,1 doğruluk ve 0,9374 AUC elde edilmiştir. Modellerin bireyden bağımsız performansını test etmek amacıyla Birini Dışarıda Bırak (LOO) yöntemi kullanılmıştır. Her birey sırasıyla testte, diğer bireyler eğitimde kullanılarak oluşturulan modellerin performansları; sınıflandırma başarısının bireylere özgü olmadığını ve genellenebilir olduğunu doğrulamıştır. Ayrıca, kontrol grubunun içerdiği üç farklı uyarılma türü (mikro uyarılma, RERA ve PLM uyarılma) ayrı ayrı analiz edilmiş; 47 özellikli modelde bruksizm, mikro uyarılmadan %93, RERA'dan %89,3 ve PLM uyarılmadan %87 doğruluk ile ayırt edilebilmiştir. Sonuçlar, PPG ve HRV kullanılarak geliştirilen AI destekli modellerin; yüksek doğrulukla, erken, güvenilir ve kullanıcı dostu bir şekilde bruksizmi teşhis etmede etkili olabileceğini göstermektedir. Bu yaklaşım, mevcut teşhis sistemlerine önemli bir alternatif sunmakta ve sağlıkta fırsat eşitliğini destekleme potansiyeline sahiptir. Ayrıca, bu çalışma PPG tabanlı bruksizm teşhisine yönelik literatürdeki ilk çalışma olması bakımından da önemli bir katkı sunmakta; gelecekte yapılacak çalışmalara ışık tutması beklenmektedir.

Özet (Çeviri)

Bruxism is a jaw muscle activity that can occur during sleep or wakefulness and is characterized by the habit of grinding or clenching the teeth and/or a thrusting movement that displaces the jaw forward or sideways. It is of significant clinical importance due to its potential to cause or exacerbate dental damage, temporomandibular joint disorders, muscle fatigue, orofacial pain, headaches, and sleep disruption. Left untreated, this can lead to more serious complications such as irreversible tooth wear, musculoskeletal strain, chronic pain, and psychological distress. Given its multifactorial nature and complex etiology, early and accurate diagnosis of sleep bruxism is essential for effective intervention and prevention of long-term health consequences. Polysomnography (PSG), which enables the definitive diagnosis of bruxism, is the gold standard in the diagnosis of many sleep disorders other than bruxism, too. In diagnosis with PSG, the individual must sleep throughout the night under expert control with a large number of electrodes connected to the body. Because the individual is not in a home environment and many electrodes are connected to the body, the sleep disorder may show different characteristics and cause errors in diagnosis. PSG is available in sleep laboratories. The number of sleep laboratories is limited, and bed capacities are low. Therefore, appointments are scheduled for later dates. In addition, since sleep laboratories are generally used to diagnose life-threatening conditions such as sleep apnea (SA), individuals with sleep bruxism cannot be referred to sleep laboratories for definitive diagnosis. Thus, individuals with bruxism receive a possible or probable diagnosis through clinical examination and patient history. Although bruxism is not a life-threatening sleep disorder such as SA, it can affect the quality of life and general health of the person. When left untreated, it can lead to increased physical damage in the long term and trigger other life-threatening disorders. Therefore, diagnosing bruxism early and starting treatment as soon as possible is important. Developing practical systems that enable the diagnosis of bruxism with high accuracy will make it possible to diagnose bruxism before dental or general health problems caused by bruxism occur, improve the quality of life of individuals, and make equal opportunity in health possible. Sleep disorders can affect each other. Bruxism that can be diagnosed early will prevent the emergence of other disorders, too. Considering all these, this thesis aims to develop an artificial intelligence (AI)-based model to diagnose bruxism accurately. For this purpose, photoplethysmogram (PPG), which can be easily obtained from the body without causing discomfort to the individual, was used. Considering that using more than one signal would increase classification success, the heart rate variability (HRV) signal obtained from PPG, which is practical to obtain, was preferred as the second signal. Thus, developing two-signal diagnostic models with a single signal obtained from the body was possible. The data in the study were obtained from the PSG records of individuals admitted to the sleep laboratory with suspected SA. In this context, the data of 17 individuals, 12 with SA and five without sleep apnea (Non-SA), were retrospectively analyzed. PSG recordings containing 33 channels of data are in 30-second epochs. An expert physician analyzed electromyogram (EMG), electrooculogram (EOG), and electroencephalogram (EEG) data in the recordings according to the American Academy of Sleep Medicine (AASM) criteria, and each epoch was labeled as“sleep”or“awake.”After discarding waking episodes, only sleep episodes were evaluated. An expert doctor labeled the jaw EMG recordings in these episodes according to the AASM bruxism criteria, and bruxism data were obtained. Similarly, EEG arousals were labeled according to AASM criteria, and control data were obtained. The control data consists of micro-arousals, respiratory effort- related arousals (RERA), and periodic leg movement (PLM) arousals. PPG data at the time intervals of the labeled data were obtained; a PPG data set consisting of bruxism and controls was obtained. The data set consists of 623 bruxism and 875 control labeled PPG data. Signal processing steps were then performed on these data. First, artifacts were cleaned from the data using an appropriate filter. Then, HRV was obtained from the filtered PPG signal. We extracted 38 characteristics and 29 statistical features from PPG and 29 statistical features from HRV. The aim was to better characterize the signals by keeping the number of features high. With the Principal Component Analysis (PCA) method, the database with 96 features could be represented 100% with 47 features. Thus, dimension reduction was possible. Fisher scores, which express the association level of 47 features with the result label, were calculated using the Fisher feature selection algorithm. According to Fisher's scores, the features were ranked from highest to lowest. Starting with the feature with the highest Fisher score and increasing the number of features one by one, 47 different data sets were obtained. Classification models were created using four machine learning methods: Support vector machine (SVM), k-nearest neighbor (kNN), Ensemble, and Neural Network (NN). It was aimed to identify the model that offers high performance with the minimum number of features. While creating the models, 5-fold cross-validation and hyperparameter optimization were performed. Classification performances of the models were evaluated using accuracy, sensitivity, selectivity, precision, F-score, Kappa, and area under the ROC curve (AUC) performance criteria. The Leaving-One-Out (LOO) method was used to observe whether the performances obtained in the models were independent of the individuals in the data set used. Bruxism-Micro-arousal, bruxism-RERA, and bruxism-PLM arousal classifications were also designed to see how well the micro-arousal, RERA, and PLM arousal labels in the control data could be distinguished from the bruxism labels. Of the 17 individuals in the study, 12 had SA, and five were Non-SA. We performed bruxism-control classification separately for individuals with and Non-SA and observed whether the performance obtained was generalizable. All labeling in the study was performed by a specialist physician who had previously worked in a sleep laboratory and experienced sleep staging (sleep-awake) and bruxism-arousal labeling. Evaluation of the labelings by more than one expert may increase the reliability of the study. In addition, the performance of machine learning models can improve as the sample size increases. Larger datasets can increase the generalizability of the model. We tried to minimize the adverse effects of sample size by performing LOO and 5-fold cross-validation. According to the performance results obtained: The bruxism data were successfully discriminated from the control data both in the whole dataset (92,8% accuracy, 0,9727 AUC) and when the data of SA (92,3% accuracy, 0,9722 AUC) and Non-SA (92,9% accuracy, 0,9708 AUC) individuals were considered separately. The performance values obtained with SA and Non-SA datasets confirmed the performance of the classification obtained using the whole dataset. An accuracy of 92,8% and an AUC of 0,9727 before PCA (96 features) and an accuracy of 92,4% and an AUC of 0,9676 after PCA (47 features) were achieved. These results confirmed that the dataset obtained with PCA is 100% representative. When only one feature (number 86) was used, the SVM method achieved 89,1% accuracy and 0,9374 AUC. Among 47 features, the Ensemble method achieved the highest performance using 33 features with 92,7% accuracy and 0,9685 AUC value. Close to the highest performance, the Ensemble model with only 15 features achieved 92% accuracy and 0,9691 AUC value. In addition, the Ensemble model with fewer features (10 features) could perform high-performance classification with 91,1% accuracy and 0,96 AUC. Between the LOO method and the models where each individual is used as test data, the accuracy rates vary between 78,8% and 97,1%, and the AUC value varies between 0,88 and 1. The performance results confirm that the classification success is independent of the individuals. Bruxism could be classified as having 93% accuracy with micro-arousal, 89,3% accuracy with RERA, and 87% accuracy with PLM arousal. These findings show that bruxism can be successfully classified regardless of the different labels of the control data and that the bruxism-control classification is generalizable for each label. The results showed that AI-assisted models developed using PPG and HRV can be effective in early, reliable, and user-friendly diagnosis of bruxism with high classification performance. This approach will provide an important alternative to existing diagnostic systems and support equal opportunities in health. This study is also important as it is the first study in the literature to propose using PPG in diagnosing bruxism and is expected to shed light on future studies.

Benzer Tezler

  1. Tez No

    361070

    PPG (fotopletismografi) sinyalleri ile biyometrik tanımlama sistemi

    Biometric recognition system with PPG (photoplethysmography) signals

    AHMET REŞİT KAVSAOĞLU

    Doktora

    Türkçe

    Türkçe

    2014

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET RECEP BOZKURT

    DOÇ. DR. KEMAL POLAT

  2. Tez No

    787840

    Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti

    AI-based blood pressure detection with electrocardiography signal

    DERYA KANDAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED KÜRŞAD UÇAR

  3. Tez No

    490123

    Remote monitored non-invasive photoplethysmography

    Uzaktan izlenen invazif olmayan fotopletismografi

    MEHMET MERKEPÇİ

    Doktora

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiGaziantep Üniversitesi

    Elektrik-Elektronik Eğitimi Ana Bilim Dalı

    PROF. DR. NURAN DOĞRU

  4. Tez No

    483852

    Obstrüktif uyku apne teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi

    Developing a new method for obstructive sleep apnea diagnosis based on machine learning

    MUHAMMED KÜRŞAD UÇAR

    Doktora

    Türkçe

    Türkçe

    2017

    BiyoistatistikSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET RECEP BOZKURT

  5. Tez No

    612508

    Egzersiz esnasında toplanan fotopletismografi sinyallerinden kalp atım hızı ve ventilasyon hızı değişkenlerinin ayrıştırılması

    Separation of heart rate and ventilation rate variables from photopletismography signals collected during exercise

    BERKANT AYDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilim ve TeknolojiMarmara Üniversitesi

    Beden Eğitimi ve Spor Ana Bilim Dalı

    DOÇ. DR. ADİL DENİZ DURU

Geri Dön