Aplicación de Técnicas de Clustering en Sonidos Adventicios para Mejorar la Interpretabilidad y Detección de Estertores

Resumen

Debido a la subjetividad que involucra actualmente el proceso de auscultación pulmonar y su diagnóstico para evaluar la condición de las vías respiratorias de un paciente, este trabajo busca evaluar el desempeño de los algoritmos de clustering: k-means y DBSCAN para efectuar un análisis computacional de sonidos pulmonares con el objetivo de visualizar una representación de dichos sonidos que exalte la presencia de estertores y la energía contenida en ellos. Para este fin, se emplearon técnicas de descomposición y análisis Wavelet a diferencia del tradicional análisis en frecuencia dada la similitud entre la forma de onda de un estertor típico y la wavelet sym4. Obtenida la señal de sonido pulmonar con estertores aislados, el proceso de clustering agrupa estertores en regiones de alta presencia y ofrece una visualización que puede ser de utilidad para el diagnóstico hecho por un experto. La evaluación hecha sugiere que k-means agrupa conjuntos de estertores de forma más efectiva que DBSCAN en términos de clusters generados.