Data Augmentation and Transfer Learning for Data Quality Assessment in Respiratory Monitoring = Aumento de datos y transferencia de aprendizaje para la evaluación de la calidad de datos en monitoreo respiratorio
Publicado por
Frontiers in Bioengineering and Biotechnology
Descripción
Abstract:
Changes in respiratory rate have been found to be one of the early signs of health deterioration in patients. In environments where diagnostic tools and medical attention are scarce, the monitoring of the respiratory signal becomes crucial to timely detect life-threatening conditions. This signal can be measured using wearable technology; however, the use of such technology is often hampered by the low quality of the recordings. Therefore, to apply these data in diagnosis, it is important to determine which parts of the signal are of sufficient quality. This study aims to evaluate the performance of a signal quality assessment framework, where two machine learning algorithms (support vector machine-SVM, and convolutional neural network-CNN) were used. The models were pretrained using data of patients suffering from chronic obstructive pulmonary disease. The generalization capability of the models was evaluated by testing them on data from a different patient population, presenting normal and pathological breathing. The new patients underwent bariatric surgery and performed a controlled breathing protocol, displaying six different breathing patterns. Data augmentation (DA) and transfer learning (TL) were used to increase the size of the training set and to optimize the models for the new dataset. The effect of the different breathing patterns on the performance of the classifiers was also studied. The SVM did not improve when using DA, however, when using TL, the performance improved significantly (p<0.05) compared to DA. The opposite effect was observed for CNN, where the biggest improvement was obtained using DA. The models presented a low performance for shallow, slow and fast breathing patterns. These results suggest that it is possible to classify respiratory signals obtained with wearable technologies using pretrained machine learning models.
Resumen:
Se ha encontrado que cambios en la frecuencia respiratoria son uno de los primeros signos de deterioro de la salud en pacientes. En entornos donde las herramientas de diagnóstico y la atención médica son escasas, el monitoreo de la señal respiratoria se vuelve crucial para detectar de manera oportuna condiciones que amenazan la vida. Esta señal se puede medir mediante tecnología portátil; sin embargo, el uso de dicha tecnología a menudo se ve obstaculizado por la baja calidad de las señales. Por lo tanto, para aplicar estos datos para diagnóstico, es importante determinar qué partes de la señal tienen una calidad suficientemente buena. Este estudio tiene como objetivo evaluar el rendimiento de un marco de evaluación de calidad de señal, donde se utilizaron dos algoritmos de aprendizaje automático (máquina de soporte vectorial-SVM y red neuronal convolucional-CNN). Los modelos fueron preentrenados utilizando datos de pacientes que padecen enfermedad pulmonar obstructiva crónica. La capacidad de generalización de los modelos se evaluó probándolos en datos de una población de pacientes diferente, que presentaban respiración normal y patológica. Los nuevos pacientes se sometieron a cirugía bariátrica y realizaron un protocolo de respiración controlada, mostrando seis patrones de respiración diferentes. Se utilizó aumento de datos (AD) y transferencia de aprendizaje (TL) para aumentar el tamaño del conjunto de entrenamiento y optimizar los modelos para el nuevo conjunto de datos. Se estudió también el efecto de los diferentes patrones de respiración en el rendimiento de los clasificadores. La SVM no mejoró al usar AD, sin embargo, al usar TL, el rendimiento mejoró significativamente (p<0.05) en comparación con AD. Se observó el efecto contrario en CNN, donde la mayor mejora se obtuvo con AD. Los modelos presentaron un bajo rendimiento para patrones de respiración superficiales, lentos y rápidos. Estos resultados sugieren que es posible clasificar las señales respiratorias obtenidas con tecnologías portátiles mediante modelos preentrenados de aprendizaje automático.
Citación recomendada (normas APA)
Carmen Andrea; Moeyersons Rozo Mendez, "Data Augmentation and Transfer Learning for Data Quality Assessment in Respiratory Monitoring = Aumento de datos y transferencia de aprendizaje para la evaluación de la calidad de datos en monitoreo respiratorio", Colombia:Frontiers in Bioengineering and Biotechnology, 2022. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3711970/), el día 2025-05-03.
¡Disfruta más de la BDB!
Explora contenidos digitales de forma gratuita, crea tus propias colecciones, colabora y comparte con otros.
Selecciona las Colecciones en las que vas a añadir el contenido
Para consultar los contenidos añadidos busca la opción
Tus colecciones en el menú principal o en
Mi perfil.
Mis colecciones
Cargando colecciones
Compartir este contenido
Data Augmentation and Transfer Learning for Data Quality Assessment in Respiratory Monitoring = Aumento de datos y transferencia de aprendizaje para la evaluación de la calidad de datos en monitoreo respiratorio
