Análisis bucodental empleando sensores inerciales mediante algoritmos de deep learning
DOI:
https://doi.org/10.37117/s.v27i2.1238Palavras-chave:
Cepillado dental, CNN-LSTM, Deep learning, Salud bucodental, Sensores inerciales.Resumo
La higiene bucodental continúa siendo un desafío de salud pública, especialmente en determinar la correcta técnica de cepillado durante la limpieza bucal. Frente a esta problemática, las tecnologías emergentes como los sensores inerciales y los algoritmos de inteligencia artificial ofrecen nuevas oportunidades para monitorear la actividad del cepillado dental. En la presente investigación se realizó un análisis empleando señales capturadas durante la ejecución de la actividad de cepillado bucal empleando sensores inerciales (acelerómetro y giroscopio) y modelos de aprendizaje profundo (CNN y LSTM). Se empleó una metodología mixta, de tipo aplicada y experimental. Se trabajó con una muestra de 57 participantes mayores de edad, clasificados en dos grupos de acuerdo al correcto cepillado. La recolección de las señales se la realizó mediante sensores MetaMotionR, acoplados a cepillos de uso personal. Los datos fueron procesados mediante técnicas de limpieza, codificación y escalado para su análisis con modelos CNN, LSTM y CNN+LSTM desarrollados en Python, para la recolección de datos se utilizó una aplicación móvil, llamada Metabase, dada por el fabricante. La fase cualitativa incluyó observación directa para complementar la interpretación de patrones de comportamiento. Los resultados obtenidos muestran una alta Recall (0.9876), accuracy (0.9882) y F1-score (0.9864), manifestando que un modelo de inteligencia artificial es capaz de distinguir/ clasificar los movimientos correctos e incorrectos. Se concluye que el sistema representa un paso preliminar en la incorporación de IA al monitoreo del cepillado dental. Sin embargo, se identifican limitaciones como la falta de una base de datos con patrones específicos de cepillado o sensores de presión, aspectos que deben abordarse en investigaciones futuras.
Downloads
Referências
Ahmad, W., Kazmi, M., & Ali, H. (2020). Human activity recognition using multi‑head CNN followed by LSTM. arXiv. https://arxiv.org/abs/2003.06327.
Akther, S., Saleheen, N., Saha, M., Shetty, V., & Kumar, S. (2021). mTeeth: Identifying brushing teeth surfaces using wrist‑worn inertial sensors. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(2), 1–25. https://doi.org/10.1145/3463494
Al‑Saffar, Z., Nguyen, T. T., & Harb, H. (2020). Human motion classification via inertial sensor data and machine learning: A systematic review. Sensors, 20(19), 5632. https://doi.org/10.3390/s20195632
Armas‑Vega, A., Parise‑Vasco, J. M., Díaz‑Segovia, M. C., Arroyo‑Bonilla, D. A., Cabrera‑Dávila, M. J., Zambrano‑Bonilla, M. C., … Viteri‑García, A. (2023). Prevalence of dental caries in schoolchildren from the Galapagos Islands: ESSO‑Gal cohort report. International Journal of Dentistry, 2023, 6544949. https://doi.org/10.1155/2023/6544949
Bevilacqua, A., MacDonald, K., Rangarej, A., Widjaya, V., Caulfield, B., & Kechadi, T. (2019). Human activity recognition with convolutional neural networks. arXiv. https://arxiv.org/abs/1906.01935.
Chen, C.-H., Wang, C.-C., & Chen, Y.-Z. (2021). Intelligent brushing monitoring using a smart toothbrush with recurrent probabilistic neural network. Sensors (Basel), 21(4), 1238. https://doi.org/10.3390/s21041238
Chen, X., Li, Y., Wang, Z., & Ho, K. L. (2021). Smart toothbrush with inertial sensors and an RPNN classifier for motion recognition. IEEE Transactions on Neural Networks and Learning Systems, 32(5), 2123–2134.
Hygiea, R., et al. (2022). BrushBuds: IMU-based brushing region detection. Conference Proceedings. https://doi.org/10.1145/3500000.
Liang, Y., Li, D., Deng, D., Chu, C. H., & Cheng, L. (2025). AI‑driven dental caries management strategies: From clinical practice to education. International Dental Journal. Advance online publication. https://doi.org/10.1111/idj.12567
Lira, S., Gómez, F., & Castillo, R. (2023). Impact of preventive orientation on oral hygiene habits in school-aged children. Journal of Preventive Dentistry, 15(1), 45–58.
López‑Pérez, C. (2021). Innovaciones tecnológicas para la salud bucodental: Perspectivas en países en desarrollo [Tesis doctoral, Universidad de Quito].
Mattila, M., et al. (2023). IoT‑based oral hygiene monitoring: challenges and opportunities. Sensors, 23(2), 18.
Mejía, G., Torres, L., & Brenes, J. (2022). Incorrect toothbrushing technique as a risk factor for periodontal disease in adolescents. Latin American Journal of Oral Health, 7(2), 98–107.
MbientLab. (2024). MetaMotionR - Wireless IMU sensor. https://mbientlab.com/store/metamotionr/.
Nanni, L., et al. (2021). Review on sensors and deep learning for gesture recognition using IMUs. Sensors, 21(4), 1238. https://doi.org/10.3390/s21041238.
Organización Mundial de la Salud. (2022). World oral health report 2022: Convening the evidence for oral health through life course. Ginebra: OMS.
Palanisamy, R. (2024). Artificial‑intelligence‑based smart toothbrushes for oral health and plaque control: A narrative review. Diagnostics, 13(1), Article 5. https://doi.org/10.3390/diagnostics13010005.
Parise-Vasco, J. M., Viteri-García, A., & Cabrera-Dávila, M. J. (2020). Prevalence and incidence of dental caries associated with the effect of tooth brushing and fluoride varnishing in schoolchildren at Galapagos Islands, Ecuador: Protocol of the EESO‑Gal study. Medwave, 20(6), e7974.
Shetty, V., Kumar, S., Akther, S., & Saleheen, N. (2021). Evaluating brushing performance with wrist‑worn inertial sensors: The mTeeth model. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(2), 1–25. https://doi.org/10.1145/3463494.
Sun, Q., Yang, Z., Yu‑wei, L., & Choudhury, R. R. (2021). EarSense: Earphones as a teeth activity sensor. Proceedings of CHI Conference. https://doi.org/10.1145/3411764
Tao, W., Chen, H., et al. (2021). Attention‑based sensor fusion for human activity recognition using IMU signals. arXiv. https://arxiv.org/abs/2112.11224
Timmers, R., et al. (2020). mHealth approach for real‑time brushing feedback. JMIR mHealth and uHealth, 8(6), e17347. https://doi.org/10.2196/17347
Topol, E. J. (2019). Deep medicine: How artificial intelligence can make healthcare human again. New York, NY: Basic Books.
Wang, Y., Hong, F., Jiang, Y., Bao, C., & Guo, Z. (2024). ToMoBrush: Dental health sensing using a sonic toothbrush. Proceedings on arXiv. Retrieved from https://arxiv.org/abs/2402.01933.
Zhang, M., Zhang, M., Chen, Y., & Li, M. (2021). IMU data processing for Inertial AidedNavigation: A Recurrent Neural Network Based Approach. arXiv. https://arxiv.org/abs/2103.14286.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Ing. Luis Oswaldo Betancourt Safla, Msc. Carlos Alfredo Silva Villafuerte
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
El Copyright posee el propósito de proteger tanto la propiedad intelectual de los autores como sus resultados. El comité editorial de la Revista Sinapsis se compromete con los autores a proteger, defender y preservar tanto su trabajo como su reputación, y toma muy en serio las acusaciones de infracción, plagio, disputas éticas y fraude. Si un autor se da cuenta de un posible plagio, copia de resultados, fraude o infracción, le rogamos que se comunique con la mayor brevedad posible con el comité editorial de la revista Sinapsis.
CC BY-NC-ND: esta licencia permite a los reutilizadores copiar y distribuir el material en cualquier medio o formato solo sin adaptarlo, solo con fines no comerciales y siempre que se le atribuya al creador.
Términos de Licencia:
Reconocimiento: debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial: no puede utilizar el material con fines comerciales.
No Derivada: si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
El autor esta en la obligación de seguir las exigencias según lo instruido en la licencia ubicada en el enlace: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Facebook
