En este trabajo se realizó un análisis de anormalidades en señales acústicas de pulmón. La metodología incluyó el uso de coeficientes cepstrales de la escala Mel (MFCC), Mapas Auto-Organizados (SOM) y el algoritmo de agrupamiento K-means. Los modelos obtenidos con los mapas son conocidos como redes neuronales artificiales, que pueden ser entrenados en una forma supervisada o no supervisada. Ambos tipos de entrenamiento fueron usados para comparar el uso de este tipo de herramientas computacionales en estudios de señales respiratorias. Los resultados mostraron un 85 % de acierto en la clasificación, cuando fue implementado un entrenamiento supervisado. Al realizar tareas de agrupamiento con entrenamiento no supervisado fue encontrado que el número de grupos más adecuado es de tres. En general, los modelos SOM pueden ser usados en este tipo de señales como una estrategia útil en sistemas de diagnóstico, encontrando información en los datos y realizando clasificación para sistemas de apoyo a decisión.
I. INTRODUCCIÓN
Las Enfermedades Respiratorias Crónicas (ERC) son un problema crítico de salud pública en los países en desarrollo [1, 2]. El diagnóstico de este tipo de enfermedades puede suponer un reto para el personal médico cuando éste cuenta con recursos limitados (como las regiones rurales alejadas de las grandes ciudades), haciendo que el proceso de diagnóstico varíe en función del acceso a la atención médica de cada paciente [3]. De este modo, las nuevas herramientas tecnológicas pueden contribuir a los clínicos y médicos en las tareas de diagnóstico, aportando información adicional. Además, para el diagnóstico de las enfermedades respiratorias, los métodos tradicionales para evaluar las funciones pulmonares se basan en la auscultación. Las desventajas de estos métodos están relacionadas con el uso del estetoscopio, ya que es un proceso subjetivo que depende de las características del estetoscopio y de las capacidades del médico [4, 5].
Los sistemas de apoyo a la toma de decisiones por ordenador se utilizan habitualmente en el ámbito biomédico por la información que pueden aportar en la asignación de diagnósticos [6]. Esta información es útil para el personal médico cuando se necesita ayuda adicional. La mayoría de estos sistemas aprovechan los datos almacenados previamente, llevando a cabo un procedimiento conocido como minería de datos [7], en el que se prefieren las Redes Neuronales Artificiales debido a su flexibilidad para tratar cualquier tipo de datos.
Las Redes Neuronales Artificiales (RNA) son herramientas matemáticas para el modelado en problemas de clasificación de alta dimensión. Las RNA establecen una relación no lineal entre las variables de entrada y las salidas conocidas en un sistema de aprendizaje supervisado [8]. Otras aplicaciones de las RNA se desarrollan en un aprendizaje no supervisado, conocido como tareas de clustering.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Aplicación clínica y perspectivas de los cuidados prenatales inteligentes y la recuperación posparto
Artículo:
Influencias de diferentes entrenamientos de altura de caída en la cinemática y la rigidez de las extremidades inferiores durante el salto de caída repetitivo
Artículo:
Estudio de los Receptores de Citotoxicidad Natural en Pacientes con VIH/SIDA y Cáncer: Un Estudio Transversal
Artículo:
Sensor compuesto cúbico con fotodiodos para el seguimiento de la orientación solar
Artículo:
Revisión y comparación de técnicas de medición tridimensional de formas de alto rango dinámico
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.