Clasificación de patrones de aceleración relacionados con el bruxismo nocturno
Ver / Descargar
Fecha
2016Autor(es)
Arango Arango, DavidDirector(es)
Vizcaya Guarín, PedroPublicador
Pontificia Universidad Javeriana
Facultad
Facultad de Ingeniería
Programa
Maestría en Ingeniería Electrónica
Título obtenido
Magíster en Ingeniería Electrónica
Tipo
Tesis/Trabajo de grado - Monografía - Maestría
COAR
Tesis de maestríaCompartir este registro
Citación
Documentos PDF
Resumen
En este proyecto se clasificaron movimientos de la boca capturados por una férula dental instrumentada con un acelerómetro de tres ejes. Los patrones fueron realizados en laboratorio, en un único sujeto, imitando movimientos relacionados con el bruxismo nocturno, y otras actividades que ocurren durante el sueño. El vector de características se construyó a partir del cepstro real de tramas de las señales y sus respectivas primeras diferencias. Con estos datos, se construyó un modelo de mezcla de Gaussianas para todas las señales de estudio, para posteriormente clasificar tramas de cada señal según el modelo. Las tramas individuales no pudieron separarse por este método, pero las agrupaciones de tramas presentaban distribuciones distintas que permitían la clasificación. Se utilizó la distancia de Kullback-Leibler como medida de divergencia entre distribuciones de referencia y de prueba, para luego clasificar mediante dos métodos. El primer método consistió en clasificar según la distancia mínima de la distribución de prueba a las de referencia. En el segundo, se utilizó una red neuronal cuyas entradas eran los vectores de distancias y sus rótulos.
Abstract
In this Project, movements of the mouth were captured by a dental splint instrumented with a three-axis accelerometer. The patterns were generated in a controlled environment, by a single subject, imitating movements related to sleep bruxism and other activities that occur during sleep. The feature vector was built with real cepstral coefficients and their respective first differences. With this data, a Gaussian mixture model was constructed for the whole set of signals, for their posterior classification using the same model. Individual signal frames could not be separated using this method, but groups of frames showed distinctive distributions that allowed their classification. As a measure of distance between reference and test distributions, Kullback-Leibler divergence was used, and later classified in two different ways. The first method consisted in classifying according to the minimum distance between the test distribution and the reference distributions. In the second method, a neural network was implemented, using the distance vectors and their targets as inputs.
Palabras clave
Modelo de mezcla de gaussianas (GMM)Distancia de Kullback-Leibler
Red neuronal
Bruxismo nocturno
Estadísticas Google Analytics