• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería Electrónica
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5516
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorOrtega Cadrazco, Juan Manuel.-
    dc.date.accessioned2022-12-16T17:18:28Z-
    dc.date.available2022-03-20-
    dc.date.available2022-12-16T17:18:28Z-
    dc.date.issued2022-
    dc.identifier.citationOrtega Cadrazco, J. M. (2021). Detección y clasificación de enfermedades respiratorias mediante sonido pulmonar aplicando inteligencia artificial [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5516es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/5516-
    dc.descriptionLas enfermedades pulmonares son consideradas actualmente un agravante en aumento a la salud humana a nivel mundial. Debido alerta de pandemia emitida por la organización mundial de la salud (OMS), y el aumento de cuadros clínicos respiratorios a nivel nacional se hace evidente el atraso tecnológico en el campo médico nacional e internacional para el análisis y estudio de sonidos respiratorios en pacientes, teniendo como método principal a nivel nacional la auscultación de tórax por medio de estetoscopio análogo con un margen de análisis y diagnóstico que pone en riesgo la salud pública. La inteligencia artificial es un método que puede generar mejores análisis y diagnóstico de enfermedades respiratorias por medio de sonido pulmonar, y para ello se hará uso de herramientas matemáticas de cómputo para estudiar una base de datos de sonidos respiratorios de acceso abierto para analizar y clasificar estos sonidos en enfermedades y obtener una base de datos computarizada apta para la identificación y clasificación de sonidos respiratorios. Los sonidos respiratorios de la base de datos adquirida serán estudiados frecuencial mente con herramientas matemáticas de cómputo como Wavelet para separar su espectro en niveles frecuenciales y buscar características de frecuencia y tiempo que evidencien una anomalía respiratoria como una sibilancia, roncus, crepitantes, frote pleural entre otros o la ausencia de estos. Cuando se hallan identificado las anomalías frecuenciales y temporales en la forma de onda de los sonidos respiratorios se procederá a clasificarlos y etiquetarlos con las enfermedades asociadas a dichas características, para luego crear imágenes de tiempo y frecuencia conocidas como espectrogramas de wavelet e ingresarlas a una red neuronal convolucional (CNN) la cual generará una clasificación de categorías o clases de enfermedades respiratorias y dará una validación en un porcentaje cercano al 100% por medio del entrenamiento y aprendizaje de la red neuronal, y con ello tener una herramienta de identificación y clasificación de sonidos respiratorios computarizada para aportar al estudio y la modernización de los diagnósticos de las enfermedades pulmonares.es_CO
    dc.description.abstractEl autor no proporciona la información sobre este ítem.es_CO
    dc.format.extent102es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona- Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectEl autor no proporciona la información sobre este ítem.es_CO
    dc.titleDetección y clasificación de enfermedades respiratorias mediante sonido pulmonar aplicando inteligencia artificial.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2021-12-20-
    dc.relation.referencesReiriz Palacios, Julia (2015), “Sistema respiratorio: Anatomía”, Infermera Virtual, Col·legi Oficial Infermeres I Infermers Barcelona, https://www.infermeravirtual.com/files/media/file/97/Sistema%20respiratorio.pdf?1 358605430es_CO
    dc.relation.referencesRevista Digital, MedlinePlus, “Enfermedad pulmonar”, https://medlineplus.gov/spanish/ency/article/000066.htmes_CO
    dc.relation.referencesSarkar, M., Madabhavi, I., Niranjan, N., & Dogra, M. (2015). Auscultation of the respiratory system. Annals of thoracic medicine, 10(3), 158–168. https://doi.org/10.4103/1817-1737.160831 https://www.thoracicmedicine.org/text.asp?2015/10/3/158/160831es_CO
    dc.relation.referencesRevista Digital, Empendium, “Ruidos respiratorios”, https://empendium.com/manualmibe/compendio/chapter/B34.I.1.31es_CO
    dc.relation.referencesEnciclopedia Digital, Wikipedia, “MATLAB”, https://es.wikipedia.org/wiki/MATLABes_CO
    dc.relation.referencesRuiz Salazar, Jeferson; Orejuela Caicedo, David, A. (2016), “Implementación de la transformada wavelet sobre un sistema embebido para el pre-procesamiento de señales unidimensionales no estacionarias”, Universidad de san buenaventura, Cali, http://bibliotecadigital.usbcali.edu.co/bitstream/10819/4278/1/Implementacion_tran sformada_wavelet_ruiz_2016.pdfes_CO
    dc.relation.referencesFraiwan, Mohammad; Fraiwan, Luay; Khassawneh, Basheer; Ibnian, Ali (2021), “A dataset of lung sounds recorded from the chest wall using an electronic stethoscope”, Mendeley Data, V3, doi: 10.17632/jwyy9np4gv.3, https://data.mendeley.com/datasets/jwyy9np4gv/3es_CO
    dc.relation.referencesMondragón, Francisco J., Pérez-Meana, Héctor M., Calderón, Gustavo, & Jiménez, Jonathan. (2021). Clasificación de sonidos ambientales usando la transformada wavelet continua y redes neuronales convolucionales. Información tecnológica, 32(2), 61-78. https://dx.doi.org/10.4067/S0718-07642021000200061es_CO
    dc.relation.referencesGarcía, Sánchez, Eugenio. (2019). “Introducción a las redes neuronales de convolución. Aplicación a la visión por ordenador”. Universidad Zaragoza. https://zaguan.unizar.es/record/87398/files/TAZ-TFG-2019-3085.pdfes_CO
    dc.relation.referencesRevista Digital. Codificando Bits. (2021). “Reconocimiento Facial con Machine Learning: FaceNet y one-shot learning”. https://www.codificandobits.com/blog/reconocimiento-facial-machine-learning/es_CO
    dc.relation.referencesRevista digital, Opinión & Salud. Edición número 3509. ISSN: 2619-2144. info@opinionysalud.com. https://www.opinionysalud.com/2019/04/12/aumentan enfermedades-respiratorias-en-colombia/es_CO
    dc.relation.referencesShanthakumari, G., & Priya, E. (2022). Interpretation of lung sounds using spectrogram-based statistical features doi:10.1007/978-981-16-4625-6_81 Retrieved from www.scopus.comes_CO
    dc.relation.referencesSankararaman, S. (2022). Untangling the graph based features for lung sound auscultation. Biomedical Signal Processing and Control, 71 doi:10.1016/j.bspc.2021.103215es_CO
    dc.relation.referencesZhiguo Zhang, Mark A. Kon, Interpolatory filter banks and interpolatory wavelet packets, Journal of Computational and Applied Mathematics, Volume 374, 2020, 112755, ISSN 0377-0427, https://doi.org/10.1016/j.cam.2020.112755.es_CO
    dc.relation.referencesDavid R. Bull, Fan Zhang, Chapter 6 - Filter-banks and wavelet compression, Editor(s): David R. Bull, Fan Zhang, Intelligent Image and Video Compression (Second Edition), Academic Press, 2021, Pages 183-224, ISBN 9780128203538, https://doi.org/10.1016/B978-0-12-820353-8.00015-3es_CO
    dc.relation.referencesD.C.J. Howell, SIGNS OF RESPIRATORY DISEASE | Lung Sounds, Editor(s): Geoffrey J. Laurent, Steven D. Shapiro, Encyclopedia of Respiratory Medicine, Academic Press, 2006, Pages 35-41, ISBN 9780123708793, https://doi.org/10.1016/B0-12-370879-6/00355-0.es_CO
    dc.relation.referencesMei, S., Geng, Y., Hou, J., & Du, Q. (2022). Learning hyperspectral images from RGB images via a coarse-to-fine CNN. Science China Information Sciences, 65(5) doi:10.1007/s11432-020-3102-9es_CO
    dc.relation.referencesLeonardo Piñeyro, Alberto Pardo, Marcos Viera, Structure verification of deep neural networks at compilation time, Journal of Computer Languages, Volume 67, 2021, 101074, ISSN 2590-1184, https://doi.org/10.1016/j.cola.2021.101074.es_CO
    dc.relation.referencesAmeya D. Jagtap, Yeonjong Shin, Kenji Kawaguchi, George Em Karniadakis, Deep Kronecker neural networks: A general framework for neural networks with adaptive activation functions, Neurocomputing, Volume 468, 2022, Pages 165 180, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2021.10.036.es_CO
    dc.relation.referencesang, W., Ma, J., Xu, C., Zhang, Y., Ding, Y., Yu, S., . . . Liu, Y. (2022). Low rank sparse feature selection for image classification. Expert Systems with Applications, 189 doi:10.1016/j.eswa.2021.115685es_CO
    dc.relation.referencesNeha Sharma, Vibhor Jain, Anju Mishra, An Analysis Of Convolutional Neural Networks For Image Classification, Procedia Computer Science, Volume 132, 2018, Pages 377-384, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2018.05.198es_CO
    dc.relation.referencesYao, J., Wang, D., Hu, H., Xing, W., & Wang, L. (2022). ADCNN: Towards learning adaptive dilation for convolutional neural networks. Pattern Recognition, 123 doi:10.1016/j.patcog.2021.108369es_CO
    dc.relation.referencesRevista del Instituto Nacional de Enfermedades Respiratorias. (2021). “Nuevas perspectivas en la evaluación automatizada de los sonidos respiratorios”. Volumen 14. Número 4. Instituto Nacional de Enfermedades Respiratorias.es_CO
    dc.relation.referencesKim, Y., Hyon, Y., Jung, S.S. (2021). Respiratory sound classification for crackles, wheezes, and rhonchi in the clinical field using deep learning. Sci Rep 11, 17186. https://doi.org/10.1038/s41598-021-96724-7es_CO
    dc.relation.referencesRevista Digital de Salud, El Útil. (2021). “Sonidos respiratorios anormales: Tipos y causas”. https://elutil.com/salud/sonidos-respiratorios-anormales-tipos-y causas/es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Ingeniería Electrónica

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Ortega_2021_TG.pdfOrtega_2021_TG3,15 MBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.