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

Resumen

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.