Viele Menschen knirschen nachts mit den Zähnen [1], was zu unerholsamen Schlaf, Überanstrengung der Kiefermuskulatur sowie Beschädigung der Zähne durch das gewaltsame Aufeinanderpressen und die Abreibung während dem Knirschen führen kann. In dieser Masterarbeit wird untersucht, welche Methoden des maschinellen Lernens [2] am besten geeignet sind, um Zähneknirschen mittels Elektromyographie-Sensoren (EMG) zu erkennen. Das Ziel ist die Einbettung einer geeigneten Methode in ein System, welches dem Nutzer akustisches Feedback bei nächtlichem Zähneknirschen gibt, um eine Abgewöhnung zu ermöglichen und somit den Schlafkomfort auf lange Sicht zu verbessern.
Zu den Aufgaben dieser Masterarbeit gehören unter Anderem:
- Literaturrecherche zu bestehenden Ansätzen des Biofeedbacks bei nächtlichem Zähneknirschen, Klassifikation von Zähneknirschen durch EMG-Daten, etc.
- Aufbau eines Testsystems zur Aufnahme von EMG-Kiefermuskulaturdaten mit Mikrocontrollern (Arduino)
- Vergleich verschiedener Methoden zur Erkennung von Zähneknirschen (entweder mittels Erhebung geeigneter Trainingsdaten in einer Studie oder per Transfer-Learning und Entwurf eines geeigneten Kalibrierungsalgorithmus)
- Validierung der Ergebnisse und Selektion der besten Klassifizierungsmethode
[1]: Ohayon, Li and Guilleminault: Risk Factors for Sleep Bruxism in the General Population
[2]: Pedregosa, Varoquaux, Gramfort, Michel, Thirion: Scikit-learn: Machine Learning in Python
Bei Interesse wenden Sie sich bitte an Matthias Kissel (matthias.kissel@tum.de) und schildern kurz Ihre Motivation.