Diagnóstico automatizado de auscultación pulmonar pediátrica

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 imáge...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	López Pérez, Jorge I., Taire, Damián L., Delrieux, Claudio
Formato:	Objeto de conferencia
Lenguaje:	Español
Publicado:	2024
Materias:	Ciencias Informáticas Redes neuronales profundas Sonidos respiratorios Arquitectura VGG-16 Coeficientes cepstrales en frecuencia de Mel (MFCC´s) Diagnóstico de patologías respiratorias
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/177125
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-177125
record_format	dspace
spelling	I19-R120-10915-1771252025-03-06T20:07:03Z http://sedici.unlp.edu.ar/handle/10915/177125 Diagnóstico automatizado de auscultación pulmonar pediátrica López Pérez, Jorge I. Taire, Damián L. Delrieux, Claudio 2024-08 2024 2025-03-06T13:54:40Z es Ciencias Informáticas Redes neuronales profundas Sonidos respiratorios Arquitectura VGG-16 Coeficientes cepstrales en frecuencia de Mel (MFCC´s) Diagnóstico de patologías respiratorias 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 Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 51-59
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Ciencias Informáticas Redes neuronales profundas Sonidos respiratorios Arquitectura VGG-16 Coeficientes cepstrales en frecuencia de Mel (MFCC´s) Diagnóstico de patologías respiratorias
spellingShingle	Ciencias Informáticas Redes neuronales profundas Sonidos respiratorios Arquitectura VGG-16 Coeficientes cepstrales en frecuencia de Mel (MFCC´s) Diagnóstico de patologías respiratorias López Pérez, Jorge I. Taire, Damián L. Delrieux, Claudio Diagnóstico automatizado de auscultación pulmonar pediátrica
topic_facet	Ciencias Informáticas Redes neuronales profundas Sonidos respiratorios Arquitectura VGG-16 Coeficientes cepstrales en frecuencia de Mel (MFCC´s) Diagnóstico de patologías respiratorias
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.
format	Objeto de conferencia Objeto de conferencia
author	López Pérez, Jorge I. Taire, Damián L. Delrieux, Claudio
author_facet	López Pérez, Jorge I. Taire, Damián L. Delrieux, Claudio
author_sort	López Pérez, Jorge I.
title	Diagnóstico automatizado de auscultación pulmonar pediátrica
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
publishDate	2024
url	http://sedici.unlp.edu.ar/handle/10915/177125
work_keys_str_mv	AT lopezperezjorgei diagnosticoautomatizadodeauscultacionpulmonarpediatrica AT tairedamianl diagnosticoautomatizadodeauscultacionpulmonarpediatrica AT delrieuxclaudio diagnosticoautomatizadodeauscultacionpulmonarpediatrica
_version_	1847925338784399360

Diagnóstico automatizado de auscultación pulmonar pediátrica

Ejemplares similares