DETECTION OF LETHAL AND INJURIOUS INSTRUMENTS BY ANALYZING THE FORMATION OF BLOOD PATTERNS WITH ARTIFICIAL INTELLIGENCE TECHNOLOGY

The original article was published on November 29, 2024. https://dergipark.org.tr/en/pub/gbd/article/1459747

Abstract

Bloodstain pattern analysis (BPA) is a forensic discipline in forensic science that examines and identifies bloodstains and investigates cause of bloodstains. There are many studies conducted under this forensic discipline. In these studies, depending on the characteristics such as the width, length and radial angle of the bloodstains, the type of lethal or injuring tools can also be determined. These determinations are made possible by the analysis of blood stains. Models have been developed with artificial neural networks and an attempt has been made to prepare the infrastructure of a program that will make suggestions for determining the direct type of lethal or injurious instrument from the formation patterns of blood stains. In the study, in the light of data obtained by Stubss in the study in 2012, findings were obtained that lethal or injurios tools could be identified with artificial networks based on the size and diameters of blood stains. As a result of the findings, using the Matlab program, the Artificial Neural Networks (ANN) model and blood stains fall angles training was carried out depending on the width and length information. Thanks to these fall angles, the falling angles were calculated by regression analysis depending on the width and length in different value ranges. The values obtained as a result of these calculations enabled us to make suggestions by creating a model that showed a 99% consistent distribution for the type of tool. It is possible to see blood stains at the scene of almost all incidents resulting in death or injury. Identifying the crime weapon from blood stains will contribute greatly to understanding and shedding light on the incident.

Keywords

• Bloodstain Pattern Analysis (BPA)
• Artificial Neural Networks (ANN)
• Regression Analysis

YAPAY ZEKÂ TEKNOLOJİSİ İLE KAN ŞEKİLLERİNİN OLUŞUMLARI ANALİZ EDİLEREK ÖLDÜRÜCÜ VE YARALAYICI ALETİN BELİRLENMESİ

The original article was published on November 29, 2024. https://dergipark.org.tr/en/pub/gbd/article/1459747

Erratum Note

DÜZELTME

Abstract

Kan lekesi model analizi (KLMA), adli bilimlerde kan lekelerinin incelendiği, tanımlandığı ve kan lekelerinin neden olduğunu araştıran bir adli disiplindir. Bu adli disiplin altında yapılan birçok araştırma bulunmaktadır. Yapılan bu çalışmaların içerisinde kan lekelerinin genişliği, uzunluğu ve radyal açı gibi özelliklerine bağlı olarak öldürücü veya yaralayıcı aletlerin cinsi de belirlenebilmektedir. Bu belirlemeler kan lekelerinin analiz edilmesi sayesinde mümkün olmaktadır. Yapay sinir ağları ile modeller geliştirilip kan lekelerinin oluşum şekillerinden öldürücü veya yaralayıcı aletin doğrudan cinsinin tespitine yönelik önermelerde bulunacak bir programın altyapısı hazırlanmaya çalışılmıştır. Yapılan çalışmada kan lekelerinin boyutları ve çaplarına bağlı kalınarak yapay sinir ağları ile öldürücü veya yaralayıcı alet tanımlamaları yapılacağı yönünde bulgular elde edilmiştir. Elde edilen bulgular neticesinde Matlab programı kullanarak Yapay Sinir Ağları (YSA) modeli ile genişlik ve uzunluk bilgilerine bağlı olarak kan lekeleri düşüş açıları eğitimi yapılmıştır. Bu düşüş açıları sayesinde farklı değer aralıklarındaki genişlik ve uzunluğa bağlı olarak düşme açıları da regresyon analizi ile hesaplanmıştır. Bu hesaplamalar sonucunda elde edilen değerler ile aletin cinsine yönelik %99 oranında tutarlı bir dağılım gösteren model çıkartılması sayesinde önermelerde bulunmamızı sağlamıştır. Ölüm ve yaralanma ile sonuçlanan hemen hemen bütün olaylarda olay yerinde kan lekesi görmek mümkündür. Kan lekelerinden suç aletinin tanımlanması olayı anlamaya ve aydınlatmaya büyük katkı sağlayacaktır.

Keywords

• Kan Lekesi Model Analizi (KLMA)
• Yapay Sinir Ağları (YSA)
• Regresyon Analizi

References

1. Ataseven, B. (2013). Yapay Sinir Ağları ile Öngörü Modellemesi. Öneri Dergisi, 10(39), ss.101-115.
2. Aşıcıoğlu, F. (2004). Kan Lekesi Model Analizi. Adli Tıp Dergisi. (18) ss.12-22.
3. Ayrancıoğlu, C.A. (2014). Sentetik Kan ile Modelleme Yoluyla Oluşturulacak Olan Kan Lekelerinin Şekillerini Etkileyen Faktörlerin Deneysel Analizi. (Yayınlanmış Yüksek Lisans Tezi).Adli Tıp Enstitüsü, İstanbul Üniversitesi.
4. Bevel T, Gardner RM. (2002). Bloodstain Pattern Analysis: With an Introduction to Crime Scene Reconstruction. Boca Raton. CRC Press Inc.
5. Bevel,T. ve Gardner, R. M. (2008). Bloodstain Pattern Analysis: With an Introduction to Crime Scene Reconstruction, Boca Raton. CRC Press Inc.
6. Boonkhong, K. Karnjanadecha, M. Aiyarak, P. (2010). Impact Angle Analysis Of Bloodstains Using A Simple İmage Processing Technique. Songklanakarin Journal Science Technologl 32(2), ss.169–173.
7. Buck, U.,et.al.,(2011). 3D Bloodstain Pattern Analysis: Ballistic Reconstruction Of The Trajectories Of Blood Drops And Determination Of The Centres Of Origin Of The Bloodstains, Forensic Science International 206, ss.22–28.
8. Çakıcı, M. Oğuzhan, A. Özdil, T. (2015). İstatistik. Ekin Yayınları, Bursa.

9. Hortoğlu, M.B. (2016). Suç Mahallelerinde Kan Varlığının Tespitinde Kullanılan Bir Kemilüminesant Bileşik Olan Luminolun İn-Vitrositotoksik Ve Genotoksik Etkilerinin Araştırılması. (Yayınlanmış Yüksek Lisans Tezi) Fen Bilimleri Enstitüsü, Bursa Üniversitesi.
10. James, S.H. Edel, C.F. (1997). Bloodstain Pattern Interpretation. Eckert WG Ed.Introduction to Forensic Siences. CRC Press Inc., ss.167-232.
11. James, S.H, Kish, P.E ve Sutton, (2005). TP., Principles of Bloodstain Pattern Analysis. Theory and Practice. Boca Raton. CRC Press Inc.Ss.572.
12. James, S.H. Eckert W.G. (1998).Interpretation of Bloodstain Evidence at Crime Scenes,Boca Raton, New York. Ss.322.
13. Kalteh, A.M. Berndtsson, R. (2007). Interpolating Monthly Precipitation By Self-Organizing Map (SOM) And Multilayer Perceptron (MLP), Hydrological Sciences Journal, 52(2), ss.305-317.
14. Kızılöz., Ö.İ. (2006). Kan Lekesi Modeline Göre Kanın Yükseklik Ve Düşme Açısının Hesaplanması.(Yayınlanmış Yüksek Lisans Tezi). Sağlık Bilimleri Enstitüsü, Ankara Üniversitesi. Ss.56.
15. Laber, P. K. Taylor M. Owens G. Osborne N. Curran J. (2014). Reliability Assessment of Current Methods in Bloodstain Pattern Analysis NCJR
16. Md Shawkat Ali, N. J. Shoumy, S. Khatun., (2016). Non-invasive Blood Glucose MeasurementPerformance Analysis through UWB Imaging. 3rd International Conference on Electronic Design (ICED), ss.513-516.
17. Millington J. (2023). The Introduction to BPA Training Course. Erişim Tarihi:03.01.2023, www.spattered.co.uk.
18. Mramor, K. (2007). No Splash On The Moon, University of Ljubljana, Faculty of Mathematics and Physics, Department of Physics, Ljubljana. Ss.12.
19. Özkişi H., Topaloğlu M., (2017). Fotovoltaik hücrenin verimliliğinin yapay sinir ağı ile tahmini Bilişim Teknolojileri Dergisi, 10(3), ss.247-253.
20. Pizzola, P.A. Roth, S. Deforest, P.R. (1986). Blood Droplet Dynamics-I. J. Forensic Science. 31(1): 36-49.
21. Pizzola, P.A, Roth, S. Deforest, P.R. (1986). Blood Droplet Dynamics-II. J. Forensic Science. 31(1): 50-65.
22. Ravivarma, N., (2021). Development of an Artificial Intelligence Method for the Analysis of Bloodstain Patterns. (Published Master Thesis). Jackson College of Graduate Studies, University of Central Oklahoma.
23. Shoumy, N. J. (2016) Feature Extraction for Neural Network Pattern Recognition for Bloodstain Analysis, International Journal of Applied Engineering Research, 11(15), ss. 8583-8589.
24. Stubbs, F., (2012). Blood Pattern Analysis on a Suspects Clothing when using a Punching Action Versus Different Weapons, Forensic and Crime Science, Staffordshire University.
25. Yapraklı, T.Ş. Erdal H.(2016). Firma Başarısızlığı Tahminlemesi: Makine Öğrenmesine Dayalı Bir Uygulama. International Journal of Informatics Technologies, 9(1), ss.21-31.