Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Clasificación de patoloǵıas mediante análisis acústico de la voz Y. Sabuco Garćıa 1, D. Ruiz Fernández 1,2 1 Escuela Politécnica Superior, Universidad de Alicante, Alicante, España, ysg4@alu.ua.es 2 Escuela Politécnica Superior, Universidad de Alicante, Alicante, España, druiz@gcloud.ua.es Resumen Son múltiples los factores que intervienen en el acto de la fonación, por tanto, la voz puede evidenciar la presencia de enfermedades de diversa ı́ndole. El desarrollo de nuevos sistemas diagnósticos basados en el análisis de la voz puede ofrecer ventajas como la sencillez y la inocuidad. En este trabajo, se presenta un método de detección de sujetos pa- tológicos a partir de la señal acústica de la voz mediante el conjunto de caracteŕısticas ComParE de openSMILE y el modelo de ensemble Bagging. 1. Introducción La voz es enerǵıa acústica que ha sido convertida por las cuerdas vocales a partir de enerǵıa aerodinámica que genera el aparato respiratorio [1]. Dada la gran cantidad de actores involucrados en la generación de la voz, directa o indirectamente, ésta puede ser el signo de enfermedades a diferentes niveles del organismo. Técni- cas diagnósticas basadas en el análisis de voz podŕıan ofrecer ventajas como la inocuidad y la sencillez. Como consecuencia a esta cuestión, existen en la literatura múltiples estudios que analizan caracteŕısticas median- te el análisis de la señal acústica a través modelos de inteligencia artificial con el fin de detectar e identificar patoloǵıas. En este sentido, se pueden encontrar referen- cias relacionadas con la detección de voces patológicas [2, 3] o la identificación de enfermedades como el cáncer de laringe [4], nódulos en laringe, edema de Reinke y parálisis de la laringe [2, 5], COVID-19 [6] o esclerosis lateral amiotrófica [7]. Uno de los factores limitantes en esta ĺınea de investi- gación es la disponibilidad de las bases de datos y las diferencias que hay entre ellas. En ocasiones, las tareas vocales registradas o las frecuencias de muestreo son diferentes en función de la base de datos y la catego- rización de las patoloǵıas es muy dispar [8, 9]. Entre las bases de datos más utilizadas se encuentran la base de datos Massachusetts Eye and Ear Infirmary (MEEI) [10, 8, 2, 3, 4], la base de datos Saarbruecken Voice Database (SVD) [11, 8, 3, 12] y la base de datos Arabic Voice Pathology Database Samples (AVPD)[13, 14, 5]. En cuanto a los modelos elegidos para la detección e identificación de patoloǵıas por la voz, son numerosas las técnicas de inteligencia artificial utilizadas para la clasificación de enfermedades, se recurre tanto a mo- delos de aprendizaje profundo [12, 3, 4], como a otras técnicas de machine learning [7, 3, 2, 6]. Algo similar a la elección de los modelos ocurre con respecto al análisis de la señal acústica, son diversos los algoritmos y parámetros calculados en el dominio temporal, frecuencial y cepstral que se pueden extraer y, a d́ıa de hoy, no existe consenso con respecto a qué carácteristicas son las más propicias para el objetivo que se presenta. Entre los más utilizados en el domi- nio temporal se encuentran parámetros de frecuencia como la frecuencia fundamental y el jitter, parámetros de intensidad como el shimmer y parámetros de ruido como el Harmonic to Noise Ratio (HNR), Normaliced Noise Energy (NNE) o Noise to Harmonic Ratio (NHR) [7, 4]. Mientras que en el dominio cepstral, los coeficien- tes basados en la percepción del habla Mel Frequency Cepstral Coefficients (MFCC) son utilizados habitual- mente [8, 12, 2]. Recientemente, han aparecido diversos estudios que han hecho uso de openSMILE [3, 6, 9]. Concretamente, el conjunto de caracteŕısticas ComParE [15] es capaz de extraer un total de 6373 de modo automático. Son pocos los estudios que hayan utilizado este conjunto para la detección e identificación de patoloǵıas a través de la voz pese a las ventajas que puede suponer hacer uso de esta herramienta, que obtiene de una manera rápida y de un modo estandarizado tantas caracteŕısticas. El único estudio encontrado que hace uso de este sistema para detección de voces patológicas, construye un conjunto de caracteŕısticas con las tareas vocales /a/,/i/ y /u/ en diferentes todos y utiliza el modelo de aprendizaje supervisado Support Vector Machine (SVM)[16]. En este trabajo, el objetivo será detectar voces patólogi- cas mediante la combinación de un método de extracción de caracteŕısticas y un método de inteligencia artificial que no se ha utilizado antes para este propósito. Se uti- lizará la base de datos SVD, prestando especial atención en las limitaciones que se conocen acerca de ésta. La extracción de caracteŕısticas será mediante el conjunto de datos ComParE de openSMILE y el método de en- semble Bagging. 2. Materiales y métodos En el siguiente apartado se procederá a explicar la me- todoloǵıa llevada a cabo para preparar el conjunto de datos, extraer y pre-procesar las caracteŕısticas, entre- nar y validar el modelo de clasificación. En la siguiente figura se muestra un resumen de la metodoloǵıa: XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica 22–24 Noviembre 2023 ISBN: 978-84-17853-76-1 524 Figura 1. Metodoloǵıa 2.1. Base de datos Saarbruecken Voice Database es una base de datos abier- ta, distribúıda por el Instituto de Fonética de la Univer- sidad del Sarre, que posee en torno a 2000 sesiones donde se recopilaron grabaciones de las tareas vocales de los fonemas /a/, /i/ y /u/ producidas en tono normal, alto, bajo y con tono ascendente. Además, posee grabaciones de una frase en alemán y de la señal electroglotográfica (EGG). No obstante, y pese a la gran cantidad de re- gistros que contiene, no todas las sesiones tienen todas las diferentes grabaciones recopiladas, contiene sujetos repetidos y existen individuos categorizados como sanos y patológicos al mismo tiempo[9]. Este factor no siem- pre es tenido en cuenta en los estudios que utilizan esta base de datos. 2.2. Preparación del conjunto de datos Se utilizará la grabación de la tarea vocal /a/ en tono neutral de SVD cuya duración oscila de 1 a 3 segundos dependiendo del sujeto. Esta elección está basada en que es la única tarea que se recoge en las tres bases de datos más utilizadas en el estado del arte, y permitirá hacer comparativas mas precisas con trabajos anterio- res. Estos registos poseen una frecuencia de muestreo de 50 KHz y una resolución de 16 bits. Se parte con el número de 2041 grabaciones de este tipo (886 hombres y 1155 mujeres). Sin embargo, como se ha dicho en los apartados anteriores, puede ocurrir que los sujetos estén repetidos, y de estos sujetos repetidos, hay algunos categorizados al mismo tiempo como sanos y en- fermos. Ante esta dificultad, se decide suprimir aquellos individuos con doble categorización, aśı como, eliminar los individuos repetidos. Además, en ocasiones los re- gistros no disponen de la calidad suficiente y al realizar el análisis acústico se generan valores no numéricos que invalidan el conjunto de datos, estos registros también son suprimidos. 2.3. Pre-procesamiento y extracción de carac- teŕısticas Para no obtener resultados dependientes de la duración se considerará sólo el primer segundo de cada grabación. Para la extracción de caracteŕısticas se utilizará la he- rramienta open-source openSMILE, más concretamen- te, el conjunto de caracteŕısticas denominado ComParE. Esta herramienta extrae automáticamente 6373 carac- teŕısticas. Su mecanismo se basa en extraer múltiples caracteŕısticas de la señal acústica, lo que sus autores llaman descriptores de bajo nivel. A las cuales aplican descriptores funcionales, es decir, cálculos estad́ısticos como la media, la desviación estándar, cuartiles, etc. Para la correcta validación de sistema se utilizará un método de validación cruzada de cinco capas. En este método, los datos se dividiránen cinco partes. Cada parte tendrá un conjunto de entrenamiento y uno de validación diferente que no se solapan de una iteración a otra. Habrá cinco iteraciones de entrenamiento in- dependientes y el análisis del rendimento se realizará con los datos de validación. La media de los datos de rendimiento de las cinco iteraciones corresponderán a los datos finales. En la Figura 2, observamos el conjunto de datos resul- tante tras la preparación del conjunto de datos: Figura 2. Distribución del conjunto de datos final Conjunto de datos Sanos Patológicos Total Hombres 255 450 705 Mujeres 405 546 951 Total 660 996 1656 Tabla 1. Distribución del conjunto de datos final 2.4. Clasificación binaria En un problema de clasificación, el objetivo del modelo es determinar a qué clase pertenece la entrada. Cuando se tienen dos clases objetivo se denomina, clasificación binaria. Para el problema de clasificación binaria pro- puesto en este estudio, discriminar entre sujetos sanos y patológicos, se utilizará un modelo de aprendizaje su- pervisado. Un modelo supervisado es aquel que resuelve XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica 22–24 Noviembre 2023 ISBN: 978-84-17853-76-1 525 una tarea como la clasificación estableciendo una rela- ción entre la entrada y la salida del modelo. El método de aprendizaje supervisado utilizado en es- te estudio es el clasificador Bagging, este clasificador pertenece a los métodos ensemble o combinados. Estos métodos se basan en la combinación lineal de modelos que hacen una predicción simple, éstas se combinan pa- ra resolver un problema más complejo. En función de la combinación de los modelos simples que componen un método de ensemble podemos distiguir: Votación por mayoŕıa: en éste método cada mode- lo simple posee un voto y la predicción se realiza por mayoŕıa de votos. Bagging: cada modelo simple se entrena con un subconjunto del conjunto de entrenamiento, luego sus predicciones se agrupan por promedio o vota- ción. Boosting: los modelos simples estan colocados de modo secuencial de modo que un modelo intenta corregir el error de sus predecesor. Como se ha dicho, en el caso del clasificador Bagging, éste entrena sus modelos simples con subconjuntos del conjunto de entrenamiento. Existen diferentes modos de elegir dichos subconjuntos, en este caso se hace aleato- ramiente a partir del conjunto de entrenamiento extra- yendo las muestras con repetición [17]. 2.5. Análisis estad́ıstico Para el evaluar la efectividad del modelo, se recurrirá a la matriz de confusión y los cálculos derivados de esta. Como se puede observar en la siguiente figura, en la dia- gonal principal de la matriz se encontrarán los sujetos patológicos, tanto aquellos que han sido predichos co- rrectamente (verdaderos positivos), como aquellos que no lo han sido (verdaderos negativos). Figura 3. Matriz de confusión Las métricas que se calcularán a partir de la matriz de confusión serán las siguientes: Validez (V): en inglés accuracy, representa la tasa de aciertos con respecto el total. Es una métrica que no se utiliza cuando la sensibilidad y la preci- sión no tienen la misma importancia en el proble- ma planteado. V = (V P + V N) (V P + FN + FP + V N) Sensibilidad (S): en inglés recall, proporción de ca- sos positivos acertados. S = V P (V P + FN) Especificidad (E): en inglés specificity, proporción de casos negativos acertados. E = V N (FP + V N) Valor predictivo positivo (VPP): en inglés precis- sion, hace alusión a los casos positivos correcta- mente clasificados entre los que el modelo predice como positivos. V PP = V P (V P + FP ) F1: es un valor que permite evaluar la precisión y la sensibilidad al mismo tiempo. F1 = 2 ∗ S ∗ V PP (S + V PP ) 3. Resultados y discusión En la siguiente figura, se encuentra la matriz de con- fusión obtenida tras el entrenamiento y validación del conjunto de datos por validación cruzada: Figura 4. Matriz de confusión resultante en el experimento En la siguiente tabla se presentan las métricas obtenidas a partir de la matriz de confusión: V S E VPP F1 80% 83% 75% 84% 84% Tabla 2. Análisis estad́ıstico resultante Como se puede observar la validez del clasificador Bag- ging que se ha utilizado en este experimento 80%, es parecida a la obtenida en [16], donde se obtiene un 82% de validez. Sin embargo, haŕıa falta más información para poder realizar una comparación válida, puesto que los valores de sensibilidad, especificidad y valor predic- tivo positivo no están especificados en éste. Además, el conjunto de datos entre estudios no es comparable, en este estudio se está utilizando una sóla tarea vocal en tono neutral, mientras que en [16] se utilizan las tareas vocales /a/, /i/ y /u/ en diferentes tonos. 4. Conclusiones XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica 22–24 Noviembre 2023 ISBN: 978-84-17853-76-1 526 En este trabajo se ha realizado la evaluación del método de ensemble Bagging para detectar individuos patológi- cos frente a individuos sanos utilizando el el conjunto de extracción de caracteŕısticas automático ComParE. Los resultados de sensibilidad y especificidad son de, 83% y 75%, respectivamente. Se obtiene un valor de validez de 80%, valor similar al obtenido en otros estudios. Pa- ra crear el conjunto de datos se han tenido en cuenta las limitaciones de la base de datos Saarbruecken Voice Database y se ha utilizado la tarea vocal /a/ en tono neutral para facilitar la comparativa entre experimentos. En próximos trabajos, se deberá utilizar otras tareas vo- cales para ver si existe variabilidad en el rendimiento en función de la tarea y aplicar métodos de selección de caracteŕısticas u otros mecanismos para permitir la ex- plicabilidad de los resultados obtenidos que permitiŕıa evaluar qué factores de la voz son los más importan- tes en voces patológicas, importante para la aplicación cĺınica final de estos modelos. Aśı mismo, se realizarán trabajos de identificación de patoloǵıas espećıficas. Referencias [1] Cobeta I, Nunez F, Fernandez S. Patoloǵıa de la voz. 2013. [2] Ziqi F, Wu Y, Zhou C, Zhang X, Tao Z. Class- Imbalanced Voice Pathology Detection and Classifica- tion Using Fuzzy Cluster Oversampling Method. Ap- plied Sciences, 11(8), 2021. [3] Wu Y, Zhou CF, Ziqi F, Di W, Zhang X,Tao Z. In- vestigation and Evaluation of Glottal Flow Waveform for Voice Pathology Detection. IEEE Access, 9:30–44, 2021. [4] Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, Im S. Con- volutional neural network classifies pathological voice change in laryngeal cancer with high accuracy. Journal of Clinical Medicine, 9(11):1–15, 2020. [5] Muhammad G, Alsulaiman M, Ali Z, Mesallam TA, Fa- rahat M, Malki KH, Al-nasheri A, Bencherif MA. Voice pathology detection using interlaced derivative pattern on glottal source excitation. Biomedical Signal Proces- sing and Control, 31:156–164, 2017. [6] Pellet P, Phillip E, Mitra S, Holland, TC. Machine Learning-based Voice Assessment for the Detection of Positive and Recovered COVID-19 Patients. Handbook of Clinical Neurology, 123(January):45–66, 2020. [7] Tena A, Claria F, Solsona F, Meister E, Povedano M. Detection of bulbar involvement in patients with amyotrophic lateral sclerosis by machine learning voi- ce analysis: diagnostic decision support development study. JMIR Medical Informatics, 9(3), mar 2021. [8] Smekal Z Harar P, Galaz Z, Alonso-Hernandez JB, Mekyska J, Burget R. Towards robust voice patho- logy detection: Investigation of supervised deep lear- ning, gradient boosting, and anomaly detection approa- ches across four databases. Neural Computing and Ap- plications, 32(20):15747–15757, oct 2020. [9] Huckvale M, Buciuleac C. Automated detection of voi- ce disorder in the Saarbrücken voice database: Effects of pathology subset and audio materials. In Procee- dings of the Annual Conference of the International Speech Communication Association,volume 6, pages 4850–4854. International Speech Communication Asso- ciation (ISCA), aug 2021. [10] Massachusetts Eye and Ear Infirmary Voice Disorders Database, 1994. [11] Barry WJ, Putzer M. Saarbruecken Voice Database, 2008. [12] Zakariah M, Mohammed R, Alotaibi B, Ajmi-Guo Y, Tran-Trung Y and Elahi K, Mohammad M. An Analy- tical Study of Speech Pathology Detection Based on MFCC and Deep Neural Networks. Computational and Mathematical Methods in Medicine, 2022. [13] Página web de Linguistic Data Consortium - King Saud University Arabic Speech Database. Accessed on 03.07.2023. [14] Al-nasheri A, Muhammad G, Alsulaiman M, Ali Z, Me- sallam TA, Farahat M, Malki KH, Bencherif MA. An Investigation of Multidimensional Voice Program Para- meters in Three Different Databases for Voice Pathology Detection and Classification. Journal of Voice, 31(1), 2017. [15] Eyben F. Real-time speech and music classification by large audio feature space extraction. Number 1975. 2014. [16] Barche P, Gurugubelli K, Kumar-Vuppala A. Towards automatic assessment of voice disorders: A clinical ap- proach. In Proceedings of the Annual Conference of the International Speech Communication Association, 2020. [17] Pagina web documentación Scikit-learn 1.3.0 - Ensem- ble Methods. Accessed on 03.07.2023. XLI Congreso Anual de la Sociedad Española de Ingeniería Biomédica 22–24 Noviembre 2023 ISBN: 978-84-17853-76-1 527 PORTADA DATOS DE LA PUBLICACIÓN ORGANIZADORES COLABORADORES PATROCINADORES AVALADO POR ÍNDICE BIENVENIDA COMITÉS COMITÉ DE HONOR COMITÉ ORGANIZADOR COMITÉ CIENTÍFICO PROGRAMA MIÉRCOLES 22 DE NOVIEMBRE JUEVES 23 DE NOVIEMBRE VIERNES 24 DE NOVIEMBRE CONFERENCIA PLENARIA INAUGURAL CONFERENCIA PLENARIA DE CLAUSURA MESA REDONDA I MESA REDONDA II PREMIOS Premio José María Ferrero Corral Premios SEIB - FENIN ACTOS ÍNDICE DE SESIONES CIENTÍFICAS Miércoles 22 de noviembre de 2023 Señales Biomédicas (I) Imágenes Médicas (I) Biomecánica / Ingeniería de Rehabilitación Telemedicina y e-Salud Bioinstrumentación Modelado y Simulación Nanomedicina Realidad Virtual Premios SEIB-FENIN Póster I Jueves 23 de noviembre de 2023 Señales Biomédicas (II) Imágenes Médicas (II) Neurotecnologías (I) Impresión 3D Premios José María Ferrero Corral Póster II Viernes 24 de noviembre de 2023 Señales Biomédicas (III) Biomateriales Neurotecnologías (II) Póster III SESIONES CIENTÍFICAS Señales Biomedicas I Los cambios en la morfología del pico al fin de la onda T, cuantificados mediante "time-warping", están asociados con la aparición de fibrilación ventricular en un modelo porcino de isquemia aguda Dispersión espacial de los tiempos de activación y repolarización asociada a diferentes modos de estimulación cardiaca Detección automática de residuos de la actividad ventricular presentes en las ondas fibrilatorias extraídas de registros electrocardiográficos de fibrilación auricular ECG-ENET: Red neuronal convolucional explicable para la ayuda en el diagnóstico de la apnea del sueño infantil Análisis de la variabilidad de la frecuencia cardíaca en maratonianos Valoración de la actividad muscular asociada al uso de herramientas laparoscópicas mediante EMG. Nueva propuesta de análisis bivariado amplitud-frecuencia Imágenes Médicas I Automatic calculation of pelvis morphology from CT images Deep Learning methodologies for direct image reconstruction and integrated attenuation correction in brain PET/MRI Análisis cuantitativo del corazón en imágenes 4DCT en pacientes con taquicardia ventricular recurrente o refractaria Deep Learning-Based Generation of Synthetic CT from MR Images for Craniosynostosis Planning DeepCeres: red neuronal artificial para la segmentación de lóbulos del cerebelo a partir de imágenes multimodales de RM de alta resolución DeepThalamus: Red neuronal para la segmentación de núcleos talámicos a partir de imágenes de RM de alta resolución Biomecánica / Ingeniería de Rehabilitación Análisis del riesgo de rotura de aorta aneurismática con comportamiento anisotrópico Clasificación de movimientos del tren superior con visión artificial y aprendizaje profundo en adulto sano y paciente pediátrico con parálisis cerebral Desarrollo de nuevos efectores finales para robots asistivos en la rehabilitación de miembro superior Diseño de un sistema integral de atención domiciliaria con robot móvil asistencial Digitalización del test de Tinetti mediante técnicas de Visión Artificial. Telemedicina / e-Salud Diseño e implementación de una aplicación basada en procesos para la gestión de consentimientos de pacientes EMMA: una nueva plataforma para la monitorización y acompañamiento de personas con endometriosis Arquitectura de Microservicios para Ensayos Clínicos en Pérdida de Peso con Plataformas mHealth Herramienta de salud digital IMIDoc para la monitorización de pacientes con enfermedades inflamatorias inmunomediadas Interoperabilidad de Bluetooth Low Energy con ISO/IEEE X73-PHD: estudio de propuestas basadas en encapsulación de datos Bioinstrumentación Piezoelectric paint-based force sensor for hand rehabilitation Optimización de un sistema de seguimiento y monitorización de órganos trasplantados durante la fase de transporte Development of a stand-alone device to simultaneously record cardiotocography biosignals in an open format for testing methods of assessing fetal heart rate variability Prototipo de un sistema integral de nariz-lengua-ojo electrónicos para la detección de enfermedades en muestras de orina Modelado y Simulación Rol de la dirección de fibras y heterogeneidades iónicas en la simulación de arritmias auriculares Metodología para la obtención de modelos 3D de cavidades nasales con parámetros funcionales especificados Modelado computacional de la ablación de tejidos biológicos por electroporación irreversible utilizando campo eléctrico pulsado de alta intensidad Computer modeling of radiofrequency thermocoagulation (RF-TC) using the recording intracerebral electrodes implanted for stereo electroencephalography (SEEG) monitoring Validación de un algoritmo para el cálculo automático de la distancia inter lesión en la ablación por catéter de radiofrecuencia de Fibrilación Auricular Perturbación eléctrica y térmica provocada por sensores de temperatura en estudios preclínicos de ablación cardiaca por radiofrecuencia Nanomedicina Laser re-irradiation of palladium nanoparticles for antibacterial applications Improving the efficacy of magnetic nanoparticle-mediated hyperthermia using trapezoidal pulsed electromagnetic fields as an in vitro anticancer treatment in uveal melanoma and glioblastoma multiforme cell lines Effectiveness of gold nanorods of different sizes in photothermal therapy to eliminate melanoma and glioblastoma cells Realidad Virtual HC3DU: Un nuevo plugin para ofrecer retroalimentación háptica en simulaciones de Realidad Virtual Diseño e implementación de un planificador quirúrgico para cirugía colorrectal junto con un visualizador basado en realidad mixta Valoración de la Experiencia del Usuario en Entornos Virtuales de Rehabilitación de Miembros Superiores M3Display: Sistema de realidad aumentada para la rehabilitación de la función motora del miembro superior OTOVIRT: Cirugía virtual para el entrenamiento por simulación y el ensayo preoperatorio en cirugía otológica Automatización para la evaluación ergonómica integrando las tecnologías de realidad virtual, captura de movimiento, electromiografía de superficie y uso de exoesqueleto Premios SEIB-FENIN Segmentación de patrones de marcha en pacientes con parálisis cerebral mediante aprendizaje profundo y visión artificial Preliminary screening of polycaprolactone-polystyrene electrospun scaffolds for the formation of tumoroids Modelos basados en redes neuronales artificiales para la generación y predicción de series temporales de glucosa Computer-aided detection system for pulmonary embolism with integrated cardiac assessment based on embolic burdenStudy of fibroblasts activation kinetics and identification of fibroblasts subpopulations in physiological and pathological conditions Development of an electric stimulation system to analyze muscle damage in 3D Duchenne muscular dystrophy muscle culture Chamber design of a portable breathalyzer for disease diagnosis Análisis de electroencefalografía de amplitud integrada en neonatos: Evaluación del rendimiento de aCUP-E frente a los electrodos de gel líquido Analyses of H2O2 production in time during wound healing Nuevos modelos multicelulares para la predicción de la hepatotoxicidad idiosincrática Estudio numérico para consolidación mediante fijación de fracturas verticales en cuello de fémur Aplicación de Realidad Aumentada enfocada a la Salud Bucodental en edades tempranas Optimización de Servicios de Urgencias mediante Modelos de Inteligencia Artificial: Revisión Sistemática de la Predicción de Ingresos Hospitalarios desde Urgencias Póster I Clasificación Supervisada de Pacientes con Síndrome de Brugada con Biomarcadores Derivados del ECG Autómata celular para simulación de fibrilación auricular: acercando el tiempo de cómputo a la práctica clínica Importancia del Pre-entrenamiento en el Desarrollo de una Red Neuronal Convolucional Ligera para la Evaluación de la Calidad del ECG Algoritmo de Sincronización del Electrocardiograma Para Análisis Retrospectivos Basados en Vectocardiograma Clasificación EEG del estrés mental inducido por un Serious Game mediante Deep Learning Diagramas de Recurrencia General para la Detección Automática de Apnea Obstructiva del Sueño Análisis integral de la vorticidad en la región anterior de las vías aéreas nasales Análisis computacional del flujo espiratorio nasal: Investigación de las diferencias geográficas y de sexo en la resistencia y la asimetría Aplicación de técnicas de Inteligencia Artificial a datos de Diabetes de un repositorio OMOP Common Data Model Control por bloques Adaptativo por Modelo de referencia In Silico para pacientes con Diabetes Tipo 1 Colimacion Automatica para Sistemas de Radiologia mediante Aprendizaje Profundo Hacia una protonterapia adaptativa: Evaluando el potencial de la nnUNet para la segmentación de órganos en riesgo Enhancing MRI Reconstruction Efficiency Through Multi-GPU Parallelization Modelo de predicción de la respuesta al tratamiento de quimio-radioterapia en pacientes con cáncer de pulmón de células no pequeñas localmente avanzado irresecable mediante la aplicación de radiómica en imágenes de TC Estimación de la proporción de hidrops endolinfático en pacientes con la enfermedad de Ménière Estudio comparativo de algoritmos de segmentación de imágenes médicas para la generación de modelos para la planificación quirúrgica Desarrollo de nuevos biomarcadores de imagen para la detección de cáncer de mama Synchronization in Retrospective Respiratory Gating using Deep Learning Propuesta de modelo basado en redes neuronales para la clasificación de regiones del esqueleto a partir de imágenes TC Herramienta para la evaluación de los márgenes de resección en cirugía conservadora de cáncer de mama Beyond DTI: Insights in Heart Infarcted Tissue Uso de cuestionarios digitales en el aula y realización de seminarios en la unidad de cuidados intensivos como innovaciones docentes en Ingeniería Biomédica Predictores de adherencia a una app de salud en el proyecto europeo PHARAON Aplicación para la gestión personalizada de pacientes con diabetes Diferenciación por métodos estadísticos convencionales y machine learning entre tejido pulmonar sano y patológico de medidas de impedancia eléctrica Señales Biomedicas II New Approach for the Assessment of Sarcopenia Using Core Shape Modelling Comparación de métodos manuales para el estudio del jitter neurofisiológico Análisis del proceso de llenado de la señal sEMG a medida que aumenta gradualmente la fuerza en el cuádriceps Coeficiente de coactivación muscular como indicador del control motor: caso de estudio para flexo-extensión de codo en adultos Monitorización de la depresión mediante el análisis de la circadianidad del ritmo cardíaco proporcionado por un dispositivo wearable Aplicación de inteligencia artificial para la predicción del estrés en cirugía robótica mínimamente invasiva Imágenes_Médicas II Predicción automática del diagnóstico del sarcoma de Ewing en una serie extensa de tumores de células redondas incluidas en micromatrices de tejidos Evaluation of machine learning algorithms and relevant biomarkers for the diagnosis of multiple sclerosis based on optical coherence tomography. Enhancing Ulcerative Colitis Histological Image Segmentation with an Active Learning Framework Discriminación Histológica mediante Espectroscopia Óptica de Onda Parcial de Muestras Tisulares de Cerebro Estudio comparativo entre los modelos geométricos de córneas 3D paciente-específico generados a partir de los topógrafos Sirius y MS-39 Aprendizaje auto-supervisado para mejorar el diagnóstico del síndrome de Sjögren con ultrasonografía Neurotecnologías I Metodología de análisis de la actividad cerebral en pacientes con ictus en fase de rehabilitación Análisis de señales EEG en movimientos de flexión plantar y dorsal mediante el empleo de un exoesqueleto de bajo coste para la caracterización de la acción motora Aplicación de modelo de Deep Learning IFNet en decodificación de imaginación motora del pedaleo para señales EEG Evaluación de una interfaz cerebro-ordenador basada en potenciales relacionados con eventos para la detección de estímulos visuales en una tarea de vigilancia Propuesta de BCI basado en RSVP con número reducido de estímulos usando el modo de escritura T9 Evaluación del Impacto del Aprendizaje Auto-Supervisado en la Precisión de Interfaces Cerebro-Ordenador basadas en Imaginación Motora Impresión_3D Metodología de planificación, diseño y fabricación de modelos anatómicos y guías quirúrgicas a medida mediante impresión 3D en caso de hemipelvectomía por osteosarcoma 3D printed implant structure for breast reconstruction and systematic drug delivery for preventing the reoccurrence of cancer Simulador de broncoscopias mediante fabricación aditiva para la exploración médica personalizada Obtención de modelos 3D de nuevos prototipos de hisopos nasofaríngeos mediante la tecnología de impresión 3D en materiales biocompatibles Adaptacion de pieza para tubos de respirador - tubuladora segura para la ventilación no invasiva Asiento o lecho de posición infantil personalizado mediante técnicas de escaneado 3D y fabricación aditiva Premio José María Ferrero Corral Very low elastic modulus Ti alloys obtained by Laser Directed Energy Deposition to avoid bone resorption in bone implants Comparación in-silico de la eficacia de los fármacos flecainida y vernakalant en fibrilación auricular paroxística Análisis wavelet de la señal de oximetría cerebral para el cálculo de la frecuencia de las compresiones del masaje de resucitación cardiopulmonar Development of a neuroblastoma-on-a-chip bioengineered platform enabling the translational study of emerging nanotherapies Augmented reality simulator for laparoscopic surgery on a realistic phantom Póster II Análisis del Volumen de Ablación en Diagnóstico Médico mediante Espectroscopía de Plasma Inducido Calibración de simulaciones de fibrilación auricular para reproducir biomarcadores clínicos Cinemática del movimiento del miembro superior durante una tarea funcional realizada en entorno virtual y entorno físico real en población sana y con lesión medular cervical Data augmentation study for rare diseases assessment with Deep Learning: Confocal Imaging analysis of Congenital Muscular Dystrophy Evaluating Techniques for Neuron Identification in Complex Cultures: A Deep Learning Approach Un enfoque explicativo para el diagnóstico de la degeneración macular asociada a la edad mediante técnicas de deep learning Aplicación de MobileNet para el diagnóstico temprano del glaucoma: Un enfoque binocularEnsamblaje de redes neuronales para el establecimiento de una prioridad en la atención del paciente con lesión en la piel Comparación de múltiples redes neuronales convolucionales para el diagnóstico automático de la degeneración macular asociada a la edad usando retinografías Métodos de ayuda al diagnóstico de glaucoma basado en diferencias de características extraídas de ambos ojos en tomografías de coherencia óptica Monitorización sin contacto en tiempo real: estudio piloto mediante vehículo aéreo no tripulado Análisis del Color, Textura y Temperatura para el Diagnóstico y Clasificación de Hemangiomas Infantiles Concordancia entre especialistas. ¿Cómo podemos saber si tenemos una GT representativa para entrenar una red neuronal? Un estudio centrado en el Carcinoma Basocelular (BCC) Influencia de los sistemas Brain-Computer Interface basados en Neurofeedback en las características de la red cerebral Validación de un protocolo de adquisición de señales electroespinográficas en posición decúbito prono Conceptual design of a functional electrical stimulation cycling platform as a rehabilitation therapy for spinal cord injury or stroke An inexpensive arbitrary waveform neurostimulator for the selective activation of neurons in retinal prosthesis Análisis del estrés durante procedimientos quirúrgicos mediante laparoscopia convencional y robótica Diseño e implementación de un modelo basado en inteligencia artificial para estimar el consumo máximo de oxígeno en adultos de mediana edad Clasificación de patologías mediante análisis acústico de la voz Deformación de la presión de las vías respiratorias durante la ventilación mecánica invasiva detectada mediante técnicas de aprendizaje automático supervisado Caracterización de las interacciones complejas en pacientes que pasan con éxito la prueba SBT Aplicación de técnicas de Inteligencia Artificial Explicable para la identificación de factores relacionados con la calidad de sueño en adultos sanos Calibración automática para el pegado de camas en TAC Señales Biomedicas III Caracterización del Acoplo Cardiopulmonar en Pacientes Pediátricos con Apnea Obstructiva del Sueño Detección automática de la apnea del sueño infantil utilizando técnicas de deep learning y explainable artificial intelligence en señales de flujo aéreo Interpretabilidad de Redes Convolucionales para el Análisis de Episodios de Tos en Enfermedades Respiratorias Uso de la actividad electrodermal (EDA) para la clasificación de situaciones de estrés en cirugía robótica de mínima invasión Biomateriales Axonal guidance using biofunctionalized silk fibroin fibers manufactured using the SFS technique Microfluidic Model of the Alternative Vasculature in Neuroblastoma A microphysiological setup to mimic, test and analyze myocardial tissue for cardiovascular diseases Lab-on-a-Chip Analysis Using Benchtop NMR Technology Versatility of Activated Vapor Silanization (AVS) functionalization for biomedical applications Hydrogels with tunable characteristics to simulate the neuronal environment Neurotecnologías II Evaluación del paradigma de adquisición de la actividad electroencefalográfica en estado de reposo Modelo basado en redes neuronales convolucionales y altamente conexas para la ayuda al diagnóstico de pacientes en coma tras paro cardíaco Análisis de las alteraciones en la estructura neurofisiológica en la migraña Análisis múltiplex de la red funcional cerebral en sujetos con hiperintensidades de la sustancia blanca Implementing Emotion Detection from Speech for Psychological Assessment of Elderly People: A Comparative Study of Python-based Approaches and Existing Solutions Póster III Estimadores del retardo entre las series de QT y RR en registros ECG de prueba de esfuerzo: evaluación en simulación Aplicación multiplataforma para gestión farmacológica del servicio de Neonatología (SAFINeo) Modelado, diseño y fabricación de un sistema inyector de aerosoles basado en modelos anatómicos A case study: Improving face detection in Cartagena Vessel Traffic Service Operators to detect fatigue onset using thermographic images through the YOLO5Face model GB3 as a Novel Therapeutic Target in Neuroblastoma's Alternative Vasculature through Stiffness Modeling Potential role of Calcineurin isoform A-β1 in neurovascular niche stem cell dynamics as a therapeutic target A microphysiological model designed for the research of angiogenic sprouting in an extracellular matrix Producción de membranas de Bruch artificiales de fibroína de seda mediante Dynamic Dope Destabilization Spinning para la creación un Epitelio Pigmentario de la Retina funcional Analysis of Peroxiporin-Mediated H2O2 Fluxes in HeLa Cellular Membrane: A Therapeutic Potential in Redox signaling disorders Predicción de complicaciones postoperatorias a partir de la actividad neuronal de pacientes pediátricos sometidos a anestesia mediante modelos de Machine Learning The importance of integral time length windows for the classification of activities of daily living based on Machine Learning techniques Impact of integrated signals for doing HAR using Deep Learning models Detector automático de artefactos en señales neuronales basado en técnicas de Inteligencia Artificial Measuring cognitive load in a simulation game Protocolo para el entrenamiento cognitivo de la memoria semántica mediante tDCS Self-Supervised Audio Spectrogram Transformer para el Reconocimiento de Emociones en Señales de Voz: Un Enfoque de Entrenamiento Semi-Supervisado Mejorando el Analisis de Emociones en texto mediante Llama 2 Aplicación de Realidad Virtual para Simulación de Recorridos de Evacuación de espacios sanitarios Realidad virtual aplicada a la ingeniería del factor humano. Caso de estudio "Manipulación de paciente en enfermería" Holograma Piramidal 360 aplicado a la ingeniería del factor humano. Caso de Estudio Ergonómico "manipulación de paciente en Enfermería" Aplicación de la Realidad Virtual para la capacitación en materia de comunicación en crisis sanitarias ÍNDICE DE AUTORES A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Compartir