Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas

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 Leonardo, Delrieux, Claudio
Formato: Articulo
Lenguaje:Español
Publicado: 2025
Materias:
Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Diagnóstico de patologías respiratorias
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Deep neural networks
Respiratory sounds
VGG-16 architecture
Diagnosis of respiratory diseases
Mel-frequency cepstral coefficients (MFCCs)
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/178018
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-178018
record_format dspace
spelling I19-R120-10915-1780182025-05-06T17:17:49Z http://sedici.unlp.edu.ar/handle/10915/178018 Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas Automated diagnosis of pediatric pulmonary auscultation using deep neural networks López Pérez, Jorge I. Taire, Damián Leonardo Delrieux, Claudio 2025-04 2025-04-08T14:01:28Z es Ciencias Informáticas Redes neuronales profundas Sonidos respiratorios Arquitectura VGG-16 Diagnóstico de patologías respiratorias Coeficientes cepstrales en frecuencia de Mel (MFCC´s) Deep neural networks Respiratory sounds VGG-16 architecture Diagnosis of respiratory diseases Mel-frequency cepstral coefficients (MFCCs) 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 realizaron 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 79% en la clasificación de sonidos respiratorios. Este resultado resalta el potencial de las redes neuronales convolucionales pre entrenadas en el campo médico. 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. This study investigates the implementation of deep neural networks in the classification of respiratory sounds, a crucial task for diagnosing pulmonary diseases. For this purpose, the VGG-16 architecture, renowned for its effectiveness in image classification, was adapted to process audio data. The respiratory sound dataset was collected and preprocessed using Mel-frequency cepstral coefficients (MFCCs) as input to the network. The results reveal significant performance, achieving 79% accuracy in classifying respiratory sounds. This outcome highlights the potential of pre-trained convolutional neural networks in the medical field. However, challenges remain, such as the need for larger datasets and a deeper understanding of the results for effective clinical implementation. Sociedad Argentina de Informática e Investigación Operativa Articulo Articulo 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
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
Diagnóstico de patologías respiratorias
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Deep neural networks
Respiratory sounds
VGG-16 architecture
Diagnosis of respiratory diseases
Mel-frequency cepstral coefficients (MFCCs)
spellingShingle Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Diagnóstico de patologías respiratorias
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Deep neural networks
Respiratory sounds
VGG-16 architecture
Diagnosis of respiratory diseases
Mel-frequency cepstral coefficients (MFCCs)
López Pérez, Jorge I.
Taire, Damián Leonardo
Delrieux, Claudio
Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
topic_facet Ciencias Informáticas
Redes neuronales profundas
Sonidos respiratorios
Arquitectura VGG-16
Diagnóstico de patologías respiratorias
Coeficientes cepstrales en frecuencia de Mel (MFCC´s)
Deep neural networks
Respiratory sounds
VGG-16 architecture
Diagnosis of respiratory diseases
Mel-frequency cepstral coefficients (MFCCs)
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 realizaron 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 79% en la clasificación de sonidos respiratorios. Este resultado resalta el potencial de las redes neuronales convolucionales pre entrenadas en el campo médico. 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 Articulo
Articulo
author López Pérez, Jorge I.
Taire, Damián Leonardo
Delrieux, Claudio
author_facet López Pérez, Jorge I.
Taire, Damián Leonardo
Delrieux, Claudio
author_sort López Pérez, Jorge I.
title Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
title_short Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
title_full Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
title_fullStr Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
title_full_unstemmed Diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
title_sort diagnóstico automatizado de auscultación pulmonar pediátrica usando redes neuronales profundas
publishDate 2025
url http://sedici.unlp.edu.ar/handle/10915/178018
work_keys_str_mv AT lopezperezjorgei diagnosticoautomatizadodeauscultacionpulmonarpediatricausandoredesneuronalesprofundas
AT tairedamianleonardo diagnosticoautomatizadodeauscultacionpulmonarpediatricausandoredesneuronalesprofundas
AT delrieuxclaudio diagnosticoautomatizadodeauscultacionpulmonarpediatricausandoredesneuronalesprofundas
AT lopezperezjorgei automateddiagnosisofpediatricpulmonaryauscultationusingdeepneuralnetworks
AT tairedamianleonardo automateddiagnosisofpediatricpulmonaryauscultationusingdeepneuralnetworks
AT delrieuxclaudio automateddiagnosisofpediatricpulmonaryauscultationusingdeepneuralnetworks
_version_ 1852545728608468992

Ejemplares similares