Clasificación de la disfunción temporomandibular con algoritmos de aprendizaje supervisado

Abstract

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.