Separación ciega de fuentes en el dominio de la frecuencia para la detección y extracción de estertores crepitantes simulados en sonidos pulmonares multicanales Public Deposited
Los estertores crepitantes (EC) son sonidos respiratorios adventicios que indican la presencia, tipo y grado de severidad de distintas enfermedades respiratorias, por lo que la detección automática de estos sonidos es de gran importancia clínica. Recientemente, se han explorado distintas técnicas de procesamiento para la detección de EC como la separación ciega de fuentes, o Blind Source Separation (BSS). La BSS, empleando un modelo de mezcla instantáneo, ha mostrado ser eficiente en la recuperación de los EC. Sin embargo, este modelo de mezcla no asemeja el comportamiento de filtrado del parénquima pulmonar. Es por esto que en este trabajo de tesis se empleó la BSS bajo un modelo de mezcla convolutivo para extraer EC de tipo fino y grueso de sonido respiratorio. Se utilizaron algoritmos del análisis por componentes independientes, o Independent Component Analysis (ICA), para recuperar fuentes de EC en escenarios de simulación propuestos y se planteó un método basado en la curtosis, el sesgo y un conteo de máximos locales en las bandas de frecuencia adecuadas para detectar automáticamente la presencia, el tipo y el número de EC en los componentes estimados mediante ICA. Entre los algoritmos empleados se encuentra una versión de ICA en el dominio del tiempo llamado Infomax, y una versión de ICA en el dominio de la frecuencia, llamado FICA. También, se emplearon dos algoritmos de ICA en cascada conformados por FICA en la primer etapa y por los algoritmos de Temporal Decorrelation Source Separation (TDSEP) y de Infomax, respectivamente, en una segunda etapa. Se emplearon dos enfoques de evaluación del desempeño de los algoritmos empleados mediante el índice señal a interferencia, o Signal to Interference Ratio (SIR), el primero basado en la recuperación de la fuente y el segundo con base en la estimación redundante de fuentes, es decir, falsos positivos. Estos índices muestran que FICA logró una mejor eficiencia en la BSS ya que recupera adecuadamente las características morfológicas y el contenido en frecuencia de las fuentes de EC simulados (i.e., un mayor índice SIR bajo el primer enfoque de evaluación) y, a diferencia del resto de los algoritmos, FICA no obtiene falsos positivos (i.e., un menor índice SIR bajo el segundo enfoque de evaluación). Dados los resultados obtenidos, se recomienda emplear FICA en el análisis de máximo tres mezclas para lograr una recuperación de fuentes óptima.
Relationships
| In Administrative Set: |
|---|
Descriptions
| Attribute Name | Values |
|---|---|
| Creador | |
| Contributors | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Keyword | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
