Presentation Information
[P-87]Development of a Deep Learning–Based Method for Bruxism Subtype Classification Using Masticatory Muscle EMG and Tooth-Contact Sounds
*Yoshihiro Shiroyama1, Koka Kamada2, Hajime Minakuchi3, Haruna Miki1, Sunao Hara4, Takuo Kuboki1 (1. Department of Oral Rehabilitation and Regenerative Medicine, Okayama University Graduate School of Medicine, Dentistry and Pharmaceutical Sciences, 2. Graduate School of Environmental, Life, Natural Science and Technology, Okayama University, 3. Medical Development Division, Academic Research Assembly, Okayama University, 4. Faculty of Environmental, Life, Natural Science and Technology, Okayama university)
【目的】
現行のブラキシズム（Brux）評価方法では、歯の接触の有無を客観的に評価できず、歯への機械的負荷の定量化は困難である。本研究ではBrux識別手法確立を目指して、咀嚼筋筋電図と歯の接触音の深層学習によるBrux識別に関する妥当な生体情報について検討した。
【方法】
本研究に自発的に参加の意思を示した被験者13名（男性7名、女性6名、年齢30.9±8.6歳）に同意を得て、シールドルームにてタッピング（tapp）クレンチング(clen)、グラインディング(grin)、歯を接触させないタッピング様運動(non-tap)、唾液嚥下(swal)、安静状態（rest）を同一順序で行わせた。咬筋皮膚上と顎下部から筋電図情報を、外耳から音声情報を記録し、同期したこれらの情報を1kHz、48kHzのデジタルデータに変換した。
評価は、1) 時刻ごとの推定器性能、2) Brux様運動の検出性能について行った。まず、1) 1名の検者がラベリングした①咬筋単独、②咬筋＋音、③咬筋＋舌骨上筋群、④咬筋＋舌骨上筋群＋音のデータセットを、筋電信号はメル周波数ケプストラム係数に、音声信号はメルスペクトログラムに変換した。その後、推定時刻t秒に対してその前後2秒を含む4秒間データに対し、それぞれ多層パーセプトロン、Convolutional Neural Networkにて解析し、Late fusion方式での融合解析モデルにて、6運動の確率分布を0.05秒毎に推定した。この推定運動のうち実際にその運動だった割合（適合率）、ある運動のうちその運動と推定できたものの割合（再現率）からなるF1値（2×適合率×再現率/適合率＋再現率）を算出した。
2）抽出した運動のうちtapp、clen、grin以外をNon-Brux（NB）とし、閾値（0.5以上）に基づき各運動を検出した。検出の成否は一致度（IoU）で判定し、結果を基に得られたF1値を比較した。
【結果と考察】
推定器性能、Brux様運動検出性能のいずれにおいても、咬筋単独、咬筋と舌骨上筋群に音声情報を統合解析することで、F1値の平均値は有意に上昇した（p=0.01、 0.03、 0.00、 0.02、 t-test）。以上より音声情報を統合解析することで、Bruxにおける歯の接触を客観的に識別できる可能性が示された。
現行のブラキシズム（Brux）評価方法では、歯の接触の有無を客観的に評価できず、歯への機械的負荷の定量化は困難である。本研究ではBrux識別手法確立を目指して、咀嚼筋筋電図と歯の接触音の深層学習によるBrux識別に関する妥当な生体情報について検討した。
【方法】
本研究に自発的に参加の意思を示した被験者13名（男性7名、女性6名、年齢30.9±8.6歳）に同意を得て、シールドルームにてタッピング（tapp）クレンチング(clen)、グラインディング(grin)、歯を接触させないタッピング様運動(non-tap)、唾液嚥下(swal)、安静状態（rest）を同一順序で行わせた。咬筋皮膚上と顎下部から筋電図情報を、外耳から音声情報を記録し、同期したこれらの情報を1kHz、48kHzのデジタルデータに変換した。
評価は、1) 時刻ごとの推定器性能、2) Brux様運動の検出性能について行った。まず、1) 1名の検者がラベリングした①咬筋単独、②咬筋＋音、③咬筋＋舌骨上筋群、④咬筋＋舌骨上筋群＋音のデータセットを、筋電信号はメル周波数ケプストラム係数に、音声信号はメルスペクトログラムに変換した。その後、推定時刻t秒に対してその前後2秒を含む4秒間データに対し、それぞれ多層パーセプトロン、Convolutional Neural Networkにて解析し、Late fusion方式での融合解析モデルにて、6運動の確率分布を0.05秒毎に推定した。この推定運動のうち実際にその運動だった割合（適合率）、ある運動のうちその運動と推定できたものの割合（再現率）からなるF1値（2×適合率×再現率/適合率＋再現率）を算出した。
2）抽出した運動のうちtapp、clen、grin以外をNon-Brux（NB）とし、閾値（0.5以上）に基づき各運動を検出した。検出の成否は一致度（IoU）で判定し、結果を基に得られたF1値を比較した。
【結果と考察】
推定器性能、Brux様運動検出性能のいずれにおいても、咬筋単独、咬筋と舌骨上筋群に音声情報を統合解析することで、F1値の平均値は有意に上昇した（p=0.01、 0.03、 0.00、 0.02、 t-test）。以上より音声情報を統合解析することで、Bruxにおける歯の接触を客観的に識別できる可能性が示された。
