Detección Automática y Clasificación de Eventos en Sonidos Cardiopulmonares de Sujetos Saludables / Automatic Detection and Classification of Cardiopulmonary Events

RESUMEN

Resumen La auscultación de señales basada en un estetoscopio estándar y/o electrónico no solo incluye sonidos internos del cuerpo, también incluye frecuentemente ruido externo de interferencia con componentes en el mismo rango. Esta forma de examinar es incluso afectada por los umbrales auditivos variantes de los profesionales de la salud y el grado de experiencia en reconocimiento de indicadores peculiares. Además, los resultados son a menudo caracterizados en términos cualitativos descriptivos sujetos a interpretaciones individuales. Para direccionar esta preocupación, los estudios presentados en este artículo contienen un procesamiento concurrente de las componentes dominantes de sonidos del corazón (HS) y del pulmón (HS), y una etapa de acondicionamiento que incluye la reducción de HS presente en señales LS. Específicamente, la transformada de Hilbert fue una técnica de caracterización para HS. En el caso de señales enfocadas a LS, las técnicas de detección de actividad de voz y el cálculo de umbrales de algunos componentes de los vectores acústicos de Coeficientes Cepstrales en Frecuencia Mel (MFCC), fueron útiles en la caracterización de eventos acústicos asociados. Las fases de inspiración y expiración fueron diferenciadas por medio de la sexta componente de MFCC. Con el fin de evaluar la eficiencia de esta aproximación, proponemos los Modelos Ocultos de Markov con Modelos Mesclados Gaussianos (HMM-GMM). Los resultados utilizando esta forma de detección son superiores cuando se desarrolla la clasificación con modelos HMM-GMM, la cual refleja las ventajas de la forma de detección cuantificable y clasificación sobre la aproximación clínica tradicional.

ABSTRACT

Abstract A standard and/or electronic stethoscope based auscultatory signals include not only the internal sounds of the body but also interfering external noise often with similar frequency components. This form of examination is also affected by varying thresholds of clinical practitioner's hearing and degree of experience in recognition of peculiar auscultatory indicators. Further, the results are often characterized in qualitative descriptive terms subject to individual's interpretation. To address these concerns, presented studies include concurrent processing of dominant heart (HS) and lung (LS) sounds components and a conditioning stage involving HS presence reduction within LS focused signals. Specifically as determined, the Hilbert transform was a technique of choice in HS characterization. In the case of LS focused signals, the speech activity detection techniques (VAD) and the thresholds calculation of some components of acoustic vectors of Cepstral Coefficients in Mel Frequency (MFCC), were useful in characterization of associated acoustic events. The phases of inspiration and expiration were differentiated by means of the sixth component of MFCC. In order to evaluate the efficiency of this approach, we propose Hidden Markov Models with Mixed Gaussian Models (HMM-GMM). The results utilizing this form of detection are superior when performing classification with HMM-GMM models, which reflect the advantages of presented form of quantifiable detection and classification over traditional clinical approach.