Resumen
Los trastornos temporomandibulares (TTM) son un conjunto de afecciones de la
articulaci´on temporomandibular y los m´usculos asociados. Estas afecciones se presentan
comunmente en la poblaci´on en general y repercuten en la calidad de vida de quien las
padece.
Este trabajo aborda la evaluaci´on de clasificaci´on de individuos sanos y con diagn´ostico
de TTM utilizando modelos de aprendizaje supervisado. Se extrajeron un total de
121 caracter´ısticas de 59 registros de movimientos mandibulares obtenidos mediante un
sistema de seguimiento de marcadores con una c´amara de profundidad.
Se utilizan 3 m´etodos de selecci´on de atributos para entrenar los modelos de clasificaci
´on. Siete clasificadores fueron entrenados con las selecciones de atributos, incluidos
tres basados en funciones de c´opula que modelan estructuras de dependencia. Se comparan
las actuaciones de estos clasificadores. Los resultados muestran un buen desempe˜no
para los clasificadores SVM y NN en las 4 m´etricas de desempe˜no obtenidas. Las funciones
c´opula muestran buenos resultados en la m´etrica sensibilidad, aunque no muestran
una diferencia estad´ısticamente significativa con los de modelos como NN, SVM o Naive
Bayes.
Abstract
Temporomandibular disorders (TMD) are a group of conditions that affect the temporomandibular
joint and associated muscles. These conditions occur commonly in the
general population and impact the quality of life of those who suffer from them.
This work addresses the classification of healthy individuals and those diagnosed
with TMD using supervised learning models. A total of 121 features were extracted
from 59 mandibular movement records obtained using a marker tracking system with
a depth camera.
Three feature selection methods are used to train the classification models. Seven
classifiers were trained with the attribute selections, including three based on copula
functions that model dependency structures. The performances of these classifiers are
compared. The results show good performance for the SVM and NN classifiers in the
4 performance metrics obtained. The copula functions show good results in metric
sensitivity, although they do not show a statistically significant difference with those of
models such as NN, SVM or Naive Bayes.
