Artículos

Controlled Breathing Effect on Respiration Quality Assessment Using Machine Learning Approaches = Efecto de la Respiración Controlada en la Evaluación de la Calidad de la Respiración Utilizando Enfoques de Aprendizaje Automático

CONTENIDO DE LIBRE ACCESO

Este contenido es de libre acceso. Solo haz clic en el siguiente botón.

Autor
Año de publicación 2021
Idioma Inglés
Publicado por Computing in Cardiology (CinC)

Descripción: Abstract: Thoracic bio-impedance (BioZ) measurements have been proposed as an alternative for respiratory monitoring. Given the ambulatory nature of this modality, it is more prone to noise sources. In this study, two pre-trained machine learning models were used to classify BioZ signals into clean and noisy classes. The models were trained on data from patients suffering from chronic obstructive pulmonary disease, and their performance was evaluated on data from patients undergoing bariatric surgery. Additionally, transfer learning (TL) was used to optimize the models for the new patient cohort. Lastly, the effect of different breathing patterns on the performance of the machine learning models was studied. Results showed that the models performed accurately when applying them to another patient population and their performance was improved by TL. However, different imposed respiratory frequencies were found to affect the performance of the models. Abstract: Las mediciones de bioimpedancia torácica (BioZ) se han propuesto como una alternativa para el monitoreo respiratorio. Dada la naturaleza ambulatoria de esta modalidad, es más propensa a fuentes de ruido. En este estudio, se utilizaron dos modelos de aprendizaje automático preentrenados para clasificar las señales de BioZ en clases limpias y ruidosas. Los modelos se entrenaron con datos de pacientes que padecen enfermedad pulmonar obstructiva crónica, y su rendimiento se evaluó en datos de pacientes sometidos a cirugía bariátrica. Además, se utilizó la transferencia de aprendizaje (TL) para optimizar los modelos para la nueva cohorte de pacientes. Por último, se estudió el efecto de diferentes patrones de respiración en el rendimiento de los modelos de aprendizaje automático. Los resultados mostraron que los modelos funcionaron con precisión al aplicarlos a otra población de pacientes y su rendimiento mejoró mediante TL. Sin embargo, se encontró que diferentes frecuencias respiratorias impuestas afectaban el rendimiento de los modelos.
Citación recomendada (normas APA)
: Carmen Andrea; Buil Rozo Mendez, "Controlled Breathing Effect on Respiration Quality Assessment Using Machine Learning Approaches = Efecto de la Respiración Controlada en la Evaluación de la Calidad de la Respiración Utilizando Enfoques de Aprendizaje Automático", Colombia:Computing in Cardiology (CinC), 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3711976/), el día 2025-05-04.

Información adicional

Temas
- Otros
Derechos de uso Derechos reservados
Fuente Biblioteca Virtual Banco de la República
Términos y condiciones de uso Más información aquí
Año de publicación 2021
Formato PDF
Cobertura Colombia

Controlled Breathing Effect on Respiration Quality Assessment Using Machine Learning Approaches = Efecto de la Respiración Controlada en la Evaluación de la Calidad de la Respiración Utilizando Enfoques de Aprendizaje Automático

Información adicional

Mis colecciones

¿Eliminar esta reseña?