Estimación de parámetros basada en aprendizaje profundo para modelado de histéresis pulmonar

• Autores: Stella, Joaquín; Evangelista, Carolina Alejandra; Riva, Diego Alejandro; Puleston, Pablo Federico
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; histéresis respiratoria; ventilación mecánica; modelo Vaiana Rosati; perceptrón multi-capa (MLP); respiratory hysteresis; mechanical ventilation; Vaiana Rosati model; multi-layer perceptron (MLP)
• Institución: Universidad Nacional de La Plata

La histéresis respiratoria, diferencia de recorrido en la curva presión-volumen entre inspiración y espiración en cada ciclo respiratorio, es un fenómeno que se acentúa ante ciertas enfermedades. Para poder estudiar éstas y analizar estrategias de control ventilatorio, es de interés modelar este aspecto de la fisiología respiratoria. En este trabajo se explora un modelo analítico general de histéresis, surgido en la literatura para representar la relación entre fuerzas aplicadas y correspondientes desplazamientos en diversas estructuras y materiales. Se obtuvo una expresión del modelo que puede corresponderse con la salida de una red neuronal de arquitectura perceptrón multicapa. Luego, usando datos de pacientes reales, se ajustaron los parámetros del modelo recurriendo a una metodología de estimación de parámetros basada en aprendizaje profundo, logrando preliminarmente errores menores a 8 % e hiperparámetros de entrenamiento para obtener mejores ajustes. Esta metodología de estimación de parámetros representa un aporte significativo al modelado de histéresis respiratoria y podría aplicarse a otros campos.
Respiratory hysteresis, the difference in the pressure-volume curve between inspiration and expiration in each respiratory cycle, is a phenomenon that becomes significant in certain diseases. In order to study such effect and analyze ventilatory control strategies, it is useful to model this aspect of respiratory physiology. This work explores the use of a general analytical hysteresis model, which has emerged in the literature to represent the relationship between applied forces and corresponding displacements in various structures and materials. A model expression was obtained that can be matched to the output of a multilayer perceptron neural network. Then, using data from real patients, the model parameters were adjusted using a deep learning-based parameter estimation method, with errors less than 8% as well as training hyperparameters to obtain better fits. This parameter estimation method represents a significant contribution to the modeling of respiratory hysteresis and could be applied to other fields.
Sociedad Argentina de Informática e Investigación Operativa
Instituto de Investigaciones en Electrónica, Control y Procesamiento de Señales