Objective: The purpose of this study is to determine how ear measurements using machine learning approaches effect sex estimation. Material and Methods: Biometric features are used in forensics to detect or verify individuals. In this study, the effect of ear measurements on one of the biometric characteristics on sex estimation was investigated. Anthropometric landmarks on the faces of 345 persons were identified for this purpose, and a data set of 36 characteristics was created by measuring distances between these landmarks. Unlike many other studies in the field of image processing, measurements obtained on biometric front face, side face, and ear images, as well as a data set containing age information, were compared in the literature, as were different machine learning approaches and accuracy rates. Results: As a result of the findings, an artificial neural networkbased sex estimate approach that appears to be consistent with the data set was developed. Two different artificial neural network models with the same structural features were built and trained. The first model uses all the data set's features as input parameters, whereas the second model does not. After ear measurements were included, the model's classification accuracy increased from 82.6% to 92.2%. Conclusion: When combined with other anthropometric parameters, ear measurements, one of the biometric characteristics, have been demonstrated to improve the success rate of sex estimation.
Keywords: Sex estimation; face biometrics; machine learning algorithms; artificial neural networks; artificial intelligence
Amaç: Bu çalışmanın amacı, makine öğrenmesi yöntemleri kullanarak yapılan kulak ölçümlerinin cinsiyet tahminine ne kadar etki ettiğini incelemektir. Gereç ve Yöntemler: Adli alanda kişilerin tespit edilmesi ya da doğrulanması amacıyla biyometrik özelliklerden faydalanılmaktadır. Çalışmada, biyometrik ölçümlerden biri olan kulak ölçümlerinin cinsiyet tahminine etkisi incelenmiştir. Bu amaçla 345 kişiye ait görüntüden uzman tarafından belirlenen antropometrik noktalara göre noktalar arasındaki mesafe ölçümleri milimetrik olarak kaydedilerek 36 özniteliğe ait ölçümlerin yer aldığı bir veri seti oluşturulmuştur. Literatürde görüntü işleme alanında yapılan birçok çalışmadan farklı olarak biyometrik ölçümlerin yapılarak oluşturulduğu ön yüz, yan yüz ve kulak ölçümleri ile yaş bilgisinin yer aldığı veri seti farklı makine öğrenmesi yöntemleri uygulanarak doğruluk oranları karşılaştırılmıştır. Bulgular: Analizler sonucunda, veri setine uyumlu olduğu görülen yapay sinir ağları yöntemi ile cinsiyet sınıflandırması yapılmıştır. Aynı yapı özelliklerine sahip iki farklı yapay sinir ağı modeli oluşturularak eğitilmiştir. İlk modelde veri setinde yer alan tüm öznitelikler giriş parametresi olarak kullanılırken, ikinci modelde kulak ölçümlerine ait özniteliklere yer verilmemiştir. Kulak ölçümlerinin dâhil edilmesi ile modelin sınıflandırma doğruluk oranı %82,6'dan %92,2'ye yükselmiştir. Sonuç: Biyometrik özelliklerden biri olan kulak ölçümlerinin diğer antropometrik özellikler ile kullanıldığında kişinin cinsiyetinin tahmin edilmesinde başarı oranını artırdığı görülmüştür.
Anahtar Kelimeler: Cinsiyet tahmini; yüz biyometrisi; makine öğrenmesi algoritmaları; yapay sinir ağları; yapay zekâ
- Shan C. Learning local binary patterns for gender classification on real-world face images. Pattern Recognit Lett. 2012;33(4):431-7. [Crossref]
- Metlek S, Kayaalp K. Derin öğrenme ve destek vektör makineleri ile görüntüden cinsiyet tahmini [Image gender prediction with deep learning and support vector machines]. Düzce Üniversitesi Bilim ve Teknol Derg. 2020;8:2208-28. [Crossref]
- Patil V, Vineetha R, Vatsa S, Shetty DK, Raju A, Naik N, et al. Artificial neural network for gender determination using mandibular morphometric parameters: a comparative retrospective study. Cogent Eng. 2020;7(1):1-12. [Crossref]
- Alunni V, Jardin Pd, Nogueira L, Buchet L, Quatrehomme G. Comparing discriminant analysis and neural network for the determination of sex using femur head measurements. Forensic Sci Int. 2015;253:81-7. [Crossref] [PubMed]
- Jain AK. Biometric recognition: how do I know who you are? Image Analysis and Processing-ICIAP. 2005:19-26. [Crossref]
- Nabiyev V. Kulak biyometrisine göre kimlik tespiti. 2. Mühendislik ve Teknoloji Sempozyumu Bildiriler Kitabı. 2009:277-87. [Link]
- Eser S. Yapay Sinir Ağları ile Yüz Sezimi ve Takibi, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2006. [Cited: Jan 20, 2023]. Available from: [Link]
- Yenisarı E. Kulak biyometrisi kullanarak görüntü işlem tabanlı kimlik tespiti [Yüksek lisans tezi]. Denizli: Pamukkale Üniversitesi; 2015.
- Kaçar Ü, Kırcı M, Güneş EO, İnan T. DVM ile kulak biyometrisi sınıflandırmasında TBA, DAA ve AOVY'nın performansının karşılaştırılması. 2015 23rd Signal Processing and Communications Applications Conference, SIU 2015-Proceedings IEEE. 2015:15-8. [Crossref]
- Lei J, Zhou J, Abdel-Mottaleb M. Gender classification using automatically detected and aligned 3D ear range data. Proceedings-2013 International Conference on Biometrics, ICB. 2013:1-7. [Crossref] [PMC]
- Yaman D, Eyiokur Fİ, Sezgin N, Ekenel HK. Age and gender classification from ear images. IWBF 2018-Proc. 2018 6th Int. Work. Biometrics Forensics. 2018:1-7. [Crossref]
- Verma R, Bhardwaj N, Singh PD, Bhavsar A, Sharma V. Estimation of sex through morphometric landmark indices in facial images with strength of evidence in logistic regression analysis. Forensic Sci Int Reports. 2021;4:100226. [Crossref]
- Özçakır FC, Çamurcu AY. Birliktelik kuralı yöntemi için bir veri madenciliği yazılımı tasarımı ve uygulaması [A data mining software design and application for association rule technique]. Istanbul Commer Univ J Sci. 2007;12(2):21-37. [Link]
- Şenol A, Canbay Y, Kaya M. Trends in outbreak detection in early stage by using machine learning approaches. Bilişim Teknol Derg. 2021;14(4):355-66. [Link]
- Auricular Acupuncture [Internet]. [Cited: May 19, 2023]. Anthropometry of The Outer Ear. Available from: [Link]
- Tıp Terimleri Sözlüğü [İnternet]. [Erişim tarihi: 19 Mayıs 2023]. Erişim linki: [Link]
- Sezgin N. Dijital Ortamda İnsan Yüzlerindeki Yaşa Bağlı Değişimlerin Metrik Olarak İncelenmesi, Doktra Tezi, İstanbul Üniversitesi, Adli Tıp Enstitüsü, 2017. [Cited: Jan 18, 2023]. Available from: [Link]
- Tunç A, Ülger İ. Veri madenciliği uygulamalarında özellik seçimi için finansal değerlere binning ve five number summary metotları ile normalizasyon işleminin uygulanması. XVIII. Akademik Bilişim Konferansı. Adnan Menderes Üniversitesi. 2016:1-8. [Link]
- Albayrak AS, Yılmaz ŞK. Veri madenciliği: karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama [Data mining: decision tree algorithms and an application on ise data]. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilim Fakültesi Derg. 2009;14(1):31-52. [Link]
- Filiz Z, Yaprak B. A Study on classifying parenting styles through discriminant analysis. J Theory Pract Educ. 2009;5(2):195-209. [Link]
- Bilgin M. Gerçek veri setlerinde klasik makine öğrenmesi yöntemlerinin performans analizi [Classical machine learning methods on real datasets performance analysis]. Breast. 2017;2(9):683-8. [Link]
- Tantuğ AC. Metin sınıflandırma [Text classification]. Türkiye Bilişim Vakfı Bilgi Bilim ve Mühendisliği Derg. 2012;5(2):1-12. [Link]
- Khehra BS, Pharwaha APS. Classification of clustered microcalcifications using MLFFBP-ANN and SVM. Egypt Informatics J. 2016;17(1):11-20. [Crossref]
- Kılınç D, Borandağ E, Yücalar F, Tunali V, Şimşek M, Özçift A. KNN algoritması ve R dili ile metin madenciliği kullanılarak bilimsel makale tasnifi [Classification of scientific articles using text mining with kNN algorithm and R language]. Marmara Fen Bilim Derg. 2016;28(3):89-94. [Crossref]
- Barkana BD, Saricicek I, Yildirim B. Performance analysis of descriptive statistical features in retinal vessel segmentation via fuzzy logic, ANN, SVM, and classifier fusion. Knowledge-Based Syst. 2017;118:165-76. [Crossref]
- Bin Alam MS, Patwary MJA, Hassan M. Birth Mode Prediction Using Bagging Ensemble Classifier: A Case Study of Bangladesh. 2021 International Conference on Information and Communication Technology for Sustainable Development, ICICT4SD. 2021:95-9. [Crossref]
- Ashour AS, Guo Y, Hawas AR, Xu G. Ensemble of subspace discriminant classifiers for schistosomal liver fibrosis staging in mice microscopic images. Health Inf Sci Syst. 2018;6(1):21. [Crossref] [PubMed] [PMC]
- Burke HB, Goodman PH, Rosen DB, Henson DE, Weinstein JN, Harrell FE Jr, et al. Artificial neural networks improve the accuracy of cancer survival prediction. Cancer. 1997;79(4):857-62. [Crossref] [PubMed]
- Acı Çİ, Çırak A. Türkçe haber metinlerinin konvolüsyonel sinir ağları ve Word2Vec kullanılarak sınıflandırılması [Turkish news articles categorization using convolutional neural networks and Word2Vec]. Bilişim Teknol Derg. 2019;12(3):219-28. [Crossref]
- Karaca BK, Akşahin MF, Öcal R. EEG tutarlılık analizi ile multipl skleroz hastalığının belirlenmesi. Tıp Teknolojileri Kongresi. 2019:235-8. [Link]
- Özmen-Akyol S. Estimating breast cancer class using artificial neural network and logistic regression methods. Eskişehir Türk Dünyası Uygul ve Araştırma Merk Bilişim Derg. 2022;3(1):26-31. [Crossref]
- Çılgın C, Ünal C, Alıcı S, Akkol E, Gökşen Y. Metin sınıflandırmada yapay sinir ağları ile bitcoin fiyatları ve sosyal medyadaki beklentilerin analizi [In text classification, bitcoin prices and analysis of expectations in social media with artificial neural networks]. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilim Derg. 2020;4(1):106-26. [Crossref]
- Özyurt F, Avcı E. İmge sınıflandırması için yeni öznitelik çıkarım yöntemi: ADD-TDA Algısal özet fonksiyonu tabanlı evrişimsel sinir ağ (ADD-TDA-ESA) [A new feature extraction method for ımage classification: DWT-SVD perceptual hash -based convolutional neural network (DWT-SVD-CNN)]. Türkiye Bilişim Vakfı Bilgi Bilim ve Mühendisliği Derg. 2019;12(1):30-8. [Link]
- Tokgöz GK, Tekbıyık K, Kurt GK, Yarkan S. A Comparison on Energy Detector and CNN-based Detector. 2020 28th Signal Processing and Communications Applications Conference, SIU. 2020. [Crossref]
.: Process List