fa کاربرد روش ماشین بردار پشتیبان برای تشخیص بیماری کراس بایت خلفی یک طرفه در کودکان بر اساس سیگنال الکترومایوگرام اطفال Pediatric dentistry تحقیقی Research <div style="text-align: justify;"><strong>زمینه و هدف:</strong> 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.<br> <strong>روش بررسی: </strong>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.<br> <strong>یافته‌ها: </strong>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.&nbsp;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.<br> <strong>نتیجه‌گیری: </strong>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.</div> <div style="text-align: justify;"><strong>Background and Aims:</strong> Posterior crossbite is a common malocclusion disorder in the primary dentition that affects masticatory function. Therefore, early detection and treatment of crossbite teeth is essential to prevent further dental complications and guarantee proper jaw development. This study investigated a reasonable and computationally efficient diagnostic system for detecting characteristics between children with and without unilateral posterior crossbite in the primary dentition using the surface electromyography (sEMG) activity of masticatory muscles.<br> <strong>Materials and Methods:</strong> The present study was an experimental in vitro study that used sEMG signals and support vector machine (SVM) to develop artificial intelligence systems capable of decoding muscle activity for diagnosing the crossbite. The core idea of SVM is to find the optimal separating hyperplane that maximizes the margin between two classes (presence or absence of crossbite disease) in the sEMG signal. In this study, 40 children (4&nbsp; to 6 years old) were selected and divided into unilateral posterior crossbite (UPCB) (n=20) and normal occlusion (n=20) groups. The sEMG activity of the bilateral masticatory muscles was recorded during two 20-s gum-chewing sequences. Then, the time domain and frequency domain features had been obtained. In this study, eighteen time domain features and nine frequency domain features were employed. Finally, these features were used as inputs to the SVM method for data classification and crossbite disease diagnosis. In this paper, four kernel functions of SVM including linear, 2nd order polynomial, 3rd order polynomial and radial basis function were considered.<br> <strong>Results:</strong> Based on the obtained results, the crossbite disease had a significant effect on the EMG signals. The results demonstrated that this disease affected the amplitude of the signal more than the frequency. Therefore, using the time features of EMG signals, the SVM method was able to provide a more accurate prediction of crossbite disease. The findings indicated that the mean absolute value feature achieved a 95% accuracy in predicting posterior crossbite. Finally, the results revealed that the RBF method could exhibit superior performance.<br> <strong>Conclusion:</strong> The proposed method can be utilized in clinical applications for diagnoses of unilateral posterior crossbite. The findings of the study showed an influence of crossbite on the electrical activity of the temporal and masseter muscles. Therefore, the crossbite problem can be&nbsp; reasonably diagnosed by an&nbsp;appropriate learning strategy using EMG signals.</div> مال اکلوژن, الکترو‌مایوگرام, یادگیری ماشین, پیش بینی Malocclusion , Electromyography, Machine learning, Prediction 0 0 http://jdm.tums.ac.ir/browse.php?a_code=A-10-1522-2&slc_lang=fa&sid=1 Hadi Kalani هادی کلانی kalani@sadjad.ac.ir Yes Assistant Professor, Department of Mechanical Engineering, Mechanics and Industries School, Sajjad University, Mashhad, Iran استادیار گروه آموزشی مهندسی مکانیک، دانشکده صنایع و مکانیک، دانشگاه سجاد، مشهد، ایران Elham Abbasi الهام عباسی elhamabbasi.ro@gmail.com No Doctor, School of Medicine, Mashhad Azad University of Medical Sciences, Mashhad, Iran پزشک عمومی، دانشگاه آزاد علوم پزشکی واحد مشهد، مشهد، ایران