Diagnóstico automatizado de auscultación pulmonar pediátrica

Autores
López Pérez, Jorge I.; Taire, Damián L.; Delrieux, Claudio
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En este trabajo se investiga la implementación de redes neuronales profundas en la clasificación de sonidos respiratorios, una tarea determinante para el diagnóstico de enfermedades pulmonares. Para esta labor, se emplea la arquitectura VGG-16, reconocida por su eficacia en la clasificación de imágenes, la cual ha sido adaptada para procesar datos de audio. Se realizaro la recopilación y preprocesamiento del conjunto de datos de sonidos respiratorios, utilizando coeficientes cepstrales de frecuencia de Mel (MFCC´s) como entrada de la red. Los resultados obtenidos revelan un rendimiento significativo, con una precisión del 78% en la clasificación de sonidos respiratorios. Este resultado resalta el potencial de las redes neuronales convolucionales pre entrenadas en el campo mé- dico. Sin embargo, persisten desafíos por superar, como la necesidad de conjuntos de datos más amplios y una comprensión más profunda de los resultados para su implementación clínica efectiva.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Diagnóstico de patologías respiratorias
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/177125

id SEDICI_846aea89aed62b562d78eca51bc009ff
oai_identifier_str oai:sedici.unlp.edu.ar:10915/177125
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Diagnóstico automatizado de auscultación pulmonar pediátricaLópez Pérez, Jorge I.Taire, Damián L.Delrieux, ClaudioCiencias InformáticasRedes neuronales profundasSonidos respiratoriosArquitectura VGG-16Coeficientes cepstrales en frecuencia de Mel (MFCC´s)Diagnóstico de patologías respiratoriasEn este trabajo se investiga la implementación de redes neuronales profundas en la clasificación de sonidos respiratorios, una tarea determinante para el diagnóstico de enfermedades pulmonares. Para esta labor, se emplea la arquitectura VGG-16, reconocida por su eficacia en la clasificación de imágenes, la cual ha sido adaptada para procesar datos de audio. Se realizaro la recopilación y preprocesamiento del conjunto de datos de sonidos respiratorios, utilizando coeficientes cepstrales de frecuencia de Mel (MFCC´s) como entrada de la red. Los resultados obtenidos revelan un rendimiento significativo, con una precisión del 78% en la clasificación de sonidos respiratorios. Este resultado resalta el potencial de las redes neuronales convolucionales pre entrenadas en el campo mé- dico. Sin embargo, persisten desafíos por superar, como la necesidad de conjuntos de datos más amplios y una comprensión más profunda de los resultados para su implementación clínica efectiva.Sociedad Argentina de Informática e Investigación Operativa2024-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf51-59http://sedici.unlp.edu.ar/handle/10915/177125spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/18551info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:47:49Zoai:sedici.unlp.edu.ar:10915/177125Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:49.389SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Diagnóstico automatizado de auscultación pulmonar pediátrica
title Diagnóstico automatizado de auscultación pulmonar pediátrica
spellingShingle Diagnóstico automatizado de auscultación pulmonar pediátrica
López Pérez, Jorge I.
Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Diagnóstico de patologías respiratorias
title_short Diagnóstico automatizado de auscultación pulmonar pediátrica
title_full Diagnóstico automatizado de auscultación pulmonar pediátrica
title_fullStr Diagnóstico automatizado de auscultación pulmonar pediátrica
title_full_unstemmed Diagnóstico automatizado de auscultación pulmonar pediátrica
title_sort Diagnóstico automatizado de auscultación pulmonar pediátrica
dc.creator.none.fl_str_mv López Pérez, Jorge I.
Taire, Damián L.
Delrieux, Claudio
author López Pérez, Jorge I.
author_facet López Pérez, Jorge I.
Taire, Damián L.
Delrieux, Claudio
author_role author
author2 Taire, Damián L.
Delrieux, Claudio
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Diagnóstico de patologías respiratorias
topic Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Diagnóstico de patologías respiratorias
dc.description.none.fl_txt_mv En este trabajo se investiga la implementación de redes neuronales profundas en la clasificación de sonidos respiratorios, una tarea determinante para el diagnóstico de enfermedades pulmonares. Para esta labor, se emplea la arquitectura VGG-16, reconocida por su eficacia en la clasificación de imágenes, la cual ha sido adaptada para procesar datos de audio. Se realizaro la recopilación y preprocesamiento del conjunto de datos de sonidos respiratorios, utilizando coeficientes cepstrales de frecuencia de Mel (MFCC´s) como entrada de la red. Los resultados obtenidos revelan un rendimiento significativo, con una precisión del 78% en la clasificación de sonidos respiratorios. Este resultado resalta el potencial de las redes neuronales convolucionales pre entrenadas en el campo mé- dico. Sin embargo, persisten desafíos por superar, como la necesidad de conjuntos de datos más amplios y una comprensión más profunda de los resultados para su implementación clínica efectiva.
Sociedad Argentina de Informática e Investigación Operativa
description En este trabajo se investiga la implementación de redes neuronales profundas en la clasificación de sonidos respiratorios, una tarea determinante para el diagnóstico de enfermedades pulmonares. Para esta labor, se emplea la arquitectura VGG-16, reconocida por su eficacia en la clasificación de imágenes, la cual ha sido adaptada para procesar datos de audio. Se realizaro la recopilación y preprocesamiento del conjunto de datos de sonidos respiratorios, utilizando coeficientes cepstrales de frecuencia de Mel (MFCC´s) como entrada de la red. Los resultados obtenidos revelan un rendimiento significativo, con una precisión del 78% en la clasificación de sonidos respiratorios. Este resultado resalta el potencial de las redes neuronales convolucionales pre entrenadas en el campo mé- dico. Sin embargo, persisten desafíos por superar, como la necesidad de conjuntos de datos más amplios y una comprensión más profunda de los resultados para su implementación clínica efectiva.
publishDate 2024
dc.date.none.fl_str_mv 2024-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/177125
url http://sedici.unlp.edu.ar/handle/10915/177125
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/18551
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
51-59
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616341415264256
score 13.070432