RT info:eu-repo/semantics/bachelorThesis
T1 Análisis de señales de tos para detección temprana de enfermedades respiratorias
A1 Pérez Alonso, Diego Asay
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Deep Learning
K1 Tos
K1 Detector
K1 Enfermedades respiratorias
AB Antecedentes: La tos es un movimiento sonoro y convulsivo del aparato respiratorio. Hasta ahora, el análisis de la tos como síntoma informativo de la evolución de una enfermedad se limita a herramientas de medición subjetivas, o incómodos monitores de la tos. Otro limitante actual, se debe a que los métodos de procesamiento de audio implementados en dichos monitores no pueden hacer frente a entornos ruidosos, como en el caso en que el dispositivo de adquisición sea un smartphone que el paciente pueda llevar en su bolsillo.Objetivo: El objetivo de este Trabajo de Fin de Grado (TFG) es diseñar diseñar un sistema de “audición máquina” (Machine Hearing) mediante una arquitectura de aprendizaje profundo (Deep Learning) para realizar la detección de tos, así como la detección de enfermedades respiratorias con carácter temprano a partir de señales de audio ruidosas.Métodos: Para realizar el proyecto, se han utilizado señales de audio ruidosas de veinte pacientes con diferentes enfermedades respiratorias, 18433 señales de audio grabadas durante episodios de tos y 18433 señales de audio grabadas durante episodios sin tos. Dichas señales de audio son preprocesadas en tres pasos. Primero, se segmentan las señales de audio originales (señales de tos y no tos) para que todas tengan una duración de un segundo. En segundo lugar, se realiza un espectrograma logarítmico a cada audio para transformar las señales 1D temporales en imágenes (señales 2D) tiempo-frecuencia. Finalmente, se normalizan los datos para poder alimentar a una red neuronal convolucional (Convolutional Neural Network, CNN), que realiza automáticamente la extracción de características en los espectrogramas de los audios para identificar “firmas” espectrales o temporales. De esta forma en primer lugar se detecta si dicho audio contiene una tos o no, y en caso de que la contenga, se pasaría al diagnóstico de la enfermedad respiratoria.Resultados: El sistema de detección de audios con toses tiene una sensibilidad del 85,64% y una especificidad del 92,81 %. Con respecto a la detección temprana de enfermedades respiratorias, se ha alcanzado una tasa de acierto del 77,78% cuando el sistema diagnostica si un paciente tiene tos aguda o enfermedad pulmonar obstructiva crónica (Chronic Obstructive Pulmonary Disease, COPD), superando a los métodos más modernos.Conclusiones: Los resultados de este TFG allanan el camino para crear un dispositivo cómodo y no intrusivo, con una interrupción mínima en las actividades diarias, que pueda detectar con carácter temprano enfermedades respiratorias, beneficiando a pacientes, profesionales sanitarios y sistemas nacionales de salud.
YR 2019
FD 2019
LK http://uvadoc.uva.es/handle/10324/38797
UL http://uvadoc.uva.es/handle/10324/38797
LA spa
DS UVaDOC
RD 24-nov-2024