Investigación y desarrollo de técnicas de procesado de señal e inteligencia artificial aplicadas a la recuperación de información biomédica a partir del análisis de señales sonoras respiratorias

Abstract

Las enfermedades pulmonares obstructivas representan un desafío global para la salud, causando una alta morbilidad, mortalidad y carga económica. La auscultación, método principal de evaluación respiratoria, es subjetiva, provocando diagnósticos erróneos y aumentando los costos sanitarios. Esta investigación se centra en mejorar la detección temprana mediante un enfoque de tres fases. En primer lugar, un método que combina características espectrales basadas en autoregresión y una Máquina de Vectores de Soporte detecta eventos de crepitación con una precisión del 80-100%. En segundo lugar, un cocleograma, que modela la selectividad de frecuencia del oído humano, supera otras representaciones tiempo-frecuencia, logrando un 85.1% de precisión en sibilancias y 73.8% en crepitaciones utilizando Redes Neuronales Convolucionales. Por último, la arquitectura Vision Transformer, combinada con el cocleograma, muestra promesa en la clasificación de sonidos respiratorios. A pesar de los desafíos en las bases de datos estandarizadas, las evaluaciones en el conjunto de datos ICBHI demuestran la efectividad de la metodología propuesta. Esta investigación contribuye al avance del procesamiento de señales y la inteligencia artificial, con el objetivo de mejorar la rapidez y precisión en la detección de enfermedades respiratorias, una necesidad crucial en la atención sanitaria global.

Obstructive lung diseases are a global health challenge, causing high morbidity, mortality, and economic burden. Auscultation, the primary method for respiratory assessment, is subjective, leading to misdiagnoses and increased healthcare costs. This research focuses on enhancing early detection using a three-phase approach. Firstly, a method combining autoregression-based spectral features and a Support Vector Machine detects crackle events with 80-100% accuracy. Secondly, a cochleogram, modeling human cochlear frequency selectivity, outperforms other time-frequency representations, achieving 85.1% accuracy in wheezes and 73.8% in crackles using Convolutional Neural Networks. Lastly, the Vision Transformer architecture, combined with the cochleogram, demonstrates promise in respiratory sound classification. Despite challenges in standardized databases, evaluations on the ICBHI dataset showcase the effectiveness of the proposed methodology. This research contributes to advancing signal processing and artificial intelligence, aiming to enhance the speed and accuracy of respiratory disease detection, a crucial need in global healthcare.