Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13091/1347
Title: Temporomandibular eklem bozukluklarının belirlenmesinde sinyal işleme ve yapay zeka tekniklerinin kullanılması
Other Titles: Determination of temporomandibular joint disorder by using signal processing and artificial intelligence techniques
Authors: Çunkaş, Mehmet
Taşkıran, Uğur
Keywords: Elektrik ve Elektronik Mühendisliği
Electrical and Electronics Engineering
Derin öğrenme
Deep learning
Sayısal işaret işleme
Digital signal processing
Temporomandibular eklem
Temporomandibular joint
Temporomandibular eklem hastalıkları
Temporomandibular joint disorders
Yapay sinir ağları
Artificial neural networks
Issue Date: 2019
Publisher: Konya Teknik Üniversitesi
Abstract: Temporomandibular Eklem (TME) alt çene kemiği (mandibula) kondil ile temporal kemikteki mandibularfossa arasında meydana gelen bir eklemdir. TME çok karmaşık hareketler yapabilme kabiliyetine sahiptir. Bu eklemde meydana gelen her türlü bozukluğa Temporomandibular Bozukluk (TMB) denir. TMB oldukça yaygın bir rahatsızlık olup genel nüfusun %75 inde görülmektedir. TMB teşhisinin klasik yöntemlerinden biri hekimin hasta bireyin klinik muayenesi esnasında eklem seslerinin steteskop vasıtasıyla dinlemesidir. Bu sesler; krepitasyon, kliking ve popping olarak üç sınıfa ayrılmıştır. Bu çalışmada yapay zekâ yöntemleriyle TME seslerini işleyerek sağlıklı ve hasta olarak sınıflandıran bir yöntem geliştirilmiştir. İlk aşamada seslerin kaydı için girişimsel olmayan (non-invasive) bir cihaz tasarlanmış ve hasta ve sağlıklı bireylere ait sesler kaydedilmiştir. Seslerin gürültüden arındırılması ve bilgi içermeyen bölümlerin atılması için ses verilerine sayısal sinyal işleme uygulanmış ve daha sonra her bir veriye ait 100 adet frekans tabanlı özellik çıkarımı yapılmıştır. Bu veriler Yapay Sinir Ağı (YSA) ile sınıflandırılmış ve %78 civarında başarı oranı elde edilmiştir. İkinci aşamada ses veri dizisinden istatiksel veriler çıkartılmıştır. Bu özellikler kullanılarak YSA ile sınıflandırma yapılmış ve %87-89 civarında ortalama bir başarı elde edilmiştir. Üçüncü aşamada ise derin öğrenme yöntemi kullanılarak sınıflandırma yapılmıştır. Seçilen verilere bir bant geçiren filtre uygulanmış, herhangi bir bilgi taşımayan yüksek frekans bant aralıkları örnekleme frekansı düşürülerek atılmıştır. Derin öğrenme ağlarının resim sınıflamadaki başarısı bilindiğinden işlenen veriler kısa zamanlı Fourier dönüşümü tabanlı spektrogram resim verilerine çevrilmiştir. Bu resim verilerine derin öğrenme algoritması uygulanmıştır. Parametre ve ağ yapısı ayarları yapılarak ağın tutarlılığı arttırılmıştır. Derin öğrenme ağının sınıflandırma başarısı tutarlı olarak %90'nın üzerine çıkarılmıştır. Sonuçlar karşılaştırıldığında derin öğrenmeye dayalı sınıflandırma yönteminin önceki iki yönteme göre daha başarılı olduğu görülmüştür.
Tempromandibular Joint (TMJ) is the joint between lower jaw bone (mandible) condyle and mandibular fossa of temporal bone. TMJ has ability to perform complex movements. Any health problem arising from TMJ is called Temporomandibular Joint Disorder (TMD). TMD is a frequent health problem and %75 of the population may suffer from some degree of TMD. One of the classical diagnose method of TMD is listening TMJ sound during the clinical examination of the patient by the dentist using a stethescope. TMD sound are grouped into three main categories known as crepitation, clicking and popping. In this study, a method is developed to classify the TMJ sounds as healthy and not-healthy by using artificial intelligience techniques. First a non-invasive device is designed and TMJ sounds of healthy and non-healthy people are recorded. In first phase, to remove noise and insignificant parts digital signal processing is applied to sound data and then 100 frequency based features are extracted from each data set. Data is classified by an Artificial Neural Network (ANN) and a success rate of around 78% is obtained. In second phase, statistical features are extracted from sound data set. Extracted features are used to classify the sound data set by means of ANN. A success rate of around %87 to 89 is obtained. In the third phase deep learning methods are used for classification. A band pass filter is applied to chosen data and insignificant parts of the higher frequency parts are removed by decreasing sampling rate. Known success of deep learning methods classifying picture data direct the transforming of sound data to spectrogram picture data by using Short Time Fourier Transform. Deep learning algorithms are applied to picture data. Parameter and network structure adjustments are made to increase the network consistency. The success rate of deep learning algorithm is regularly increased over 90%. If the results are compared, it is observed that classification method based on deep learning is more successful then previous two methods.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=vjszP7PzV0HebcjFEvDfwMC_vBBFcJDk95yEYYsBHgr-aX9ks4J1wapXBfVRmvAq
https://hdl.handle.net/20.500.13091/1347
Appears in Collections:Tez Koleksiyonu

Files in This Item:
File SizeFormat 
584877.pdf4.29 MBAdobe PDFView/Open
Show full item record

CORE Recommender

Page view(s)

150
checked on Feb 6, 2023

Download(s)

60
checked on Feb 6, 2023

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.