مجله دندانپزشکی

Mendeley  

Zotero  

Kalani H, Abbasi E. Application of support vector machine for detection of unilateral posterior crossbite in children based on surface electromyography signal. J Dent Med-tums 2025; 38 : 13
URL: http://jdm.tums.ac.ir/article-1-6338-fa.html

زمینه و هدف: بیماری کراس بایت خلفی یک اختلال شایع در سیستم دندان‌های شیری است که بر عملکرد جونده تأثیر می‌گذارد. بنابراین تشخیص و درمان زود هنگام دندان‌های کراس بایت برای جلوگیری از عوارض بیشتر دندانی و تضمین رشد مناسب فک بسیار مهم است. در این مطالعه یک سیستم تشخیصی معقول و کارآمد محاسباتی برای تشخیص ویژگی‌های بین کودکان با و بدون کراس بایت خلفی یک‌ طرفه در دندان شیری از طریق سیگنال الکترومایوگرافی سطحی ارائه شد.
روش بررسی: مطالعه حاضر یک مطالعه تجربی از نوع آزمایشگاهی است که در آن برای تشخیص بیماری کراس بایت از ترکیب روش ماشین بردار پشتیبان و سیگنال‌های الکترومایوگرام بهره گرفته شد. ایده اصلی روش ماشین بردار پشتیبان، یافتن ابر صفحه جداکننده بهینه است که حاشیه بین دو کلاس (وجود یا عدم وجود بیماری کراس بایت) در سیگنال الکترومایوگرام را به حداکثر برساند. در این پژوهش سیگنال الکترومایوگرام عضلات جونده در 40 کودک (4 تا 6 سال) در دو گروه سالم (20 نفر) و مبتلا به بیماری کراس بایت (20 نفر) طی دو توالی 20 ثانیه جویدن آدامس ثبت شد. سپس داده‌های خام پردازش و ویژگی‌های زمانی و فرکانسی آن‌ها استخراج شدند. در این پژوهش هجده ویژگی زمانی و نه ویژگی فرکانسی از سیگنال‌های عضلات استخراج شد. در انتها این ویژگی‌ها به عنوان ورودی به روش ماشین بردار پشتیبان برای طبقه بندی داده‌ها و تشخیص بیماری کراس بایت استفاده شد. به منظور یافتن بهترین روش ماشین بردار پشتیبان، از چهار نگاشت خطی، تابع پایه شعاعی، غیرخطی مرتبه 2 و غیر خطی مرتبه 3 بهره گرفته شد.
یافته‌ها: بر اساس نتایج پژوهش حاضر، بیماری کراس‌بایت تأثیر معنی داری بر سیگنال‌های الکترومایوگرام داشت. نتایج نشان دادند که این بیماری بیش از آن‌که بر فرکانس سیگنال الکترومایوگرام مؤثر باشد، بر دامنه آن تأثیر گذار است. بر این اساس، روش ماشین بردار پشتیبان با استفاده از ویژگی‌های زمانی سیگنال‌های الکترومایوگرام، توانست پیش ‌بینی دقیق‌تری از بیماری کراس‌بایت را ارائه دهد. نتایج نشان دادند که بهترین ویژگی استخراج شده برای پیش بینی بیماری کراس بایت، ویژگی زمانی مقدار میانگین مطلق با 95 درصد دقت می‌باشد. همچنین از بین چهار نگاشت استفاده شده در پژوهش حاضر برای روش ماشین بردار پشتیبان، نگاشت پایه شعاعی عملکرد بهتری داشت.
نتیجه‌گیری: مطالعه حاضر نشان داد که ترکیب سیگنال الکترومایوگرام و روش ماشین بردار پشتیبان می‌تواند در کاربردهای بالینی برای تشخیص کراس بایت خلفی یک طرفه کودکان مورد استفاده قرار گیرد. نتایج نشان داد که بیماری کراس بایت بر روی فعالیت الکترومایوگرام عضلات صورت تاثیر گذار می‌باشد. به عبارت دیگر با استخراج ویژگی از سیگنال الکترومایوگرام و ترکیب آن با روش‌های یادگیری ماشین می‌توان این بیماری را تا حد مناسبی پیش بینی کرد.