Detección Automática de Tos para la Monitorización de Pacientes con Enfermedad Pulmonar Obstructiva Crónica

• Daniel Sánchez Morillo ; F.Piras ^[1] ; A. Lara-Doña ^[2] ; M. Morales-González ^[3]
  1. [1] University of Mons

     University of Mons

     Arrondissement de Mons, Bélgica

     
  2. [2] Universidad de Cádiz

     Universidad de Cádiz

     Cádiz, España

     
  3. [3] Hospital Universitario Puerta del Mar

     Hospital Universitario Puerta del Mar

     Cádiz, España

     

  Mostrar afiliaciones +
• Localización: XXXVIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica. CASEIB 2020: Libro de actas / Roberto Hornero Sánchez (ed. lit.), Jesús Poza Crespo (ed. lit.), Carlos Gómez Peña (ed. lit.), María García Gadañón (ed. lit.), 2020, ISBN 978-84-09-25491-0, págs. 218-222
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • Los sonidos pulmonares han recibido en los últimos años una creciente atención por su potencial para la evaluación de ciertos trastornos respiratorios. Más concretamente, de entre los sonidos adventicios que se manifiestan en el curso de la enfermedad, la tos se ha mostrado como el síntoma más común en algunas enfermedades respiratorias. Sin embargo, y a pesar de su importancia, el proceso convencional de recogida de información para este síntoma ha estado sustentado en el uso de encuestas, con la consiguiente limitación de la subjetividad y el error humano. El objetivo de este trabajo era el desarrollo y prototipado de un sistema automático para la detección de episodios de tos, para su uso en pacientes con EPOC. Se implementó un sistema de bajo coste basado en la plataforma Raspberry Pi Zero y en el empleo de técnicas de aprendizaje automático aplicadas a la señal registrada por un sensor de aceleración digital colocado en el hueco supraesternal. Contando con la participación de 21 sujetos, se extrajeron características en el dominio tiempo-frecuencia y se evaluaron diversos clasificadores. Los mejores resultados se obtuvieron con un clasificador basado en el ensamblado de árboles de decisión (RUSBoost Tree), para el que se alcanzó una precisión en la detección del 89.8%. Los resultados demuestran que el sistema desarrollado tiene potencial para ser usado con pacientes reales en registros ambulatorios de larga duración.