Maestría en Ciencias de los Datos y Analítica · 2025
Patrones espacio–acústicos en sonidos respiratorios multicanal : integración de procrustes, clustering y modelos supervisados en pacientes con EPOC
Auscultation is a fundamental tool for assessing respiratory conditions; however, its interpretation is limited by examiner subjectivity and by the strong influence that recording location exerts on the acoustic properties of lung sounds. This work proposes a multichannel analysis strategy aimed at characterizing the spatial organization of respiratory sounds in patients with COPD and evaluating the relative contribution of different thoracic regions to the detection of adventitious events. Using simultaneous recordings from seven chest locations in the ICBHI 2017 dataset, a collection of respiratory segments was constructed and described through spectral and cepstral features. Multichannel configurations were projected into low dimensional spaces and aligned using Procrustes analysis, enabling comparable geometric representations across subjects and breathing cycles. An unsupervised clustering scheme applied to these representations revealed recurrent spatial patterns associated with different distributions of wheezes and crackles. In addition, supervised Random Forest models were trained for adventitious sound detection, incorporating feature-importance analyses and channel-ablation experiments to examine the contribution of each thoracic region. The results indicate that multichannel spatial information contains structured patterns that can be leveraged both to group thoracic configurations and to enhance the interpretability of classification models, contributing to more robust and explainable representations of pulmonary acoustics
Full text 75 pages with text
Read the full thesis Record in the repository
Contents
- LISTA DE FIGURASp. 4
- LISTA DE TABLASp. 5
- RESUMENp. 6
- ABSTRACTp. 7
- INTRODUCCIÓNp. 8
- PLANTEAMIENTO DEL PROBLEMAp. 9
- JUSTIFICACIÓNp. 10
- OBJETIVOSp. 11
- GENERALp. 11
- ESPECÍFICOSp. 11
- MARCO CONCEPTUALp. 12
- ANALISIS Y CLASIFICACION DE SONIDOS RESPIRATORIOSp. 12
- AUSCULTACIÓN Y SONIDOS RESPIRATORIOSp. 14
- DESCRIPTORES DE AUDIO PARA LA CARACTERIZACIÓN ACÚSTICAp. 21
- MULTIDIMENSIONAL CLÁSICO (MDS) Y ANÁLISIS DE PROCRUSTESp. 24
- MODELOS SUPERVISADOSp. 27
- DISEÑO METODOLÓGICOp. 29
- 1. ENTENDIMIENTO DEL PROBLEMAp. 29
- 2. ENTENDIMIENTO DE LOS DATOSp. 30
- 3. PREPARACIÓN DE LOS DATOSp. 32
- 4. MODELADO DE DATOSp. 36
- 5. EVALUACIÓNp. 43
- RESULTADOS Y DISCUSIÓNp. 44
- EXTRACCIÓN DE CARACTERISTICASp. 47
- ALINEAMIENTO GEOMETRICOp. 36
- MODELADO SUPERVISADOp. 41
- INTEGRACIÓN DEL ANÁLISIS SUPERVISADO Y NO SUPERVISADOp. 64
- CONCLUSIONESp. 68
- REFERENCIASp. 70
- ANEXOSp. 75
- A. ORIGEN DE LOS DATOSp. 75
- B. SCRIPTS UTILIZADOSp. 75
- Figura 1: Grafica de onda seno para mostrar amplitud y frecuenciap. 15
- Figura 2: Espectro de frecuenciap. 15
- Figura 3: Ejemplo de alineamiento Procrustesp. 26
- Figura 4: Ejemplo de segmentación de una señal de audiop. 33
- Figura 5: Extracción de descriptor acústico en 3 bandas espectralesp. 34
- Figura 6: Proceso seguido para la extracción y la transformación de datosp. 36
- Figura 7: Proceso de algoritmo de alineamiento a referencia centroidep. 39
- Figura 8: Proceso de estimación de k referencias centroidesp. 41
- Figura 9: Histogramas de duración de eventos acústicos wheezep. 45
- Figura 10: Histograma de duración de eventos acústicos cracklep. 45
- Figura 11: Distribución de eventos por región torácicap. 47
- Figura 12: Espectrograma de 2 canales respiratorios en donde ocurren cracklesp. 48
- Figura 13: Proyección con PCA de las en un espacio linealp. 48
- Figura 14: Mapa de calor de correlación de variablesp. 49
- Figura 15: Escalamiento multidimensional sobre el conjunto de 74368 segmentos individualesp. 50
- Figura 16: Distribución del Stress normalizado para distancia logarítmica absolutap. 51
- Figura 17: Distribución del Stress normalizado para distancia euclideanap. 51
- Figura 18: Segmento multicanal procesado por escalamiento dimensionalp. 52
- Figura 19: Alineamiento promedio de todo el conjunto de datos, configuraciones con D<0.25p. 53
- Figura 20:Alineamiento promedio de todo el conjunto de datos, configuraciones con D>0.25p. 53
- Figura 21: Grafica del codo para inercia promediop. 54
- Figura 22: Muestras de clúster 0 alineadasp. 55
- Figura 23: Muestras de clúster 1 alineadasp. 56
- Figura 24:Muestras de clúster 2 alineadasp. 56
- Figura 25: Muestras de clúster 3 alineadasp. 57
- Figura 26: Muestras de clúster 4 alineadasp. 57
- Figura 27: Muestras de clúster 5 alineadasp. 58
- Figura 28: Distribución de eventos por clústerp. 59
- Figura 29: Distribución de eventos por clúster y región torácicap. 60
- Figura 30: Importancia de características tipo descriptor_canalp. 63
- Tabla 1: Descripción de los datosp. 30
- Tabla 2: Descriptores para cada banda de frecuenciap. 34
- Tabla 3: Descriptores MFCCp. 34
- Tabla 4: Conteo de eventos por región torácicap. 46
- Tabla 5: Tamaño y compactación de cada clústerp. 58
- Tabla 6: Métricas de desempeño para el modelo globalp. 61
- Tabla 7: Importancia por cada región torácica para el modelo globalp. 62
- Tabla 8: Top 10 de importancia promedio de descriptores para el modelo globalp. 62
- Tabla 9: Diferencias en rendimiento para pruebas de ablaciónp. 63
- Tabla 10: Rendimiento del modelo global en cada clústerp. 65
- Tabla 11: Características más importantes para la predicción de wheezes en el modelo global por clústerp. 65
- Tabla 12: Rendimiento de los modelos entrenados por cada clústerp. 66
- Tabla 13: Top 5 características para cada modelo de cada clústerp. 67