Publicación:
Acoustic lung signals analysis based on Mel frequency cepstral coefficients and self-organizing maps

Vista sencilla de ítem
dc.creatorOrjuela-Cañón, Álvaro David
dc.creatorPosada-Quintero, Hugo Fernando
dc.date2016-09-01
dc.date.accessioned2024-07-05T19:11:30Z
dc.date.available2024-07-05T19:11:30Z
dc.descriptionThis study analyzes acoustic lung signals with different abnormalities, using Mel Frequency Cepstral Coefficients (MFCC), Self-Organizing Maps (SOM), and K-means clustering algorithm. SOM models are known as artificial neural networks than can be trained in an unsupervised or supervised manner. Both approaches were used in this work to compare the utility of this tool in lung signals studies. Results showed that with a supervised training, the classification reached rates of 85 % in accuracy. Unsupervised training was used for clustering tasks, and three clusters was the most adequate number for both supervised and unsupervised training. In general, SOM models can be used in lung signals as a strategy to diagnose systems, finding number of clusters in data, and making classifications for computer-aided decision making systems.en-US
dc.descriptionEn este trabajo se realizó un análisis de anormalidades en señales acústicas de pulmón. La metodología incluyó el uso de coeficientes cepstrales de la escala Mel (MFCC), Mapas Auto-Organizados (SOM) y el algoritmo de agrupamiento K-means. Los modelos obtenidos con los mapas son conocidos como redes neuronales artificiales, que pueden ser entrenados en una forma supervisada o no supervisada. Ambos tipos de entrenamiento fueron usados para comparar el uso de este tipo de herramientas computacionales en estudios de señales respiratorias. Los resultados mostraron un 85 % de acierto en la clasificación, cuando fue implementado un entrenamiento supervisado. Al realizar tareas de agrupamiento con entrenamiento no supervisado fue encontrado que el número de grupos más adecuado es de tres. En general, los modelos SOM pueden ser usados en este tipo de señales como una estrategia útil en sistemas de diagnóstico, encontrando información en los datos y realizando clasificación para sistemas de apoyo a decisión.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.identifierhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/5300
dc.identifier10.19053/01211129.v25.n43.2016.5300
dc.identifier.urihttps://repositorio.uptc.edu.co/handle/001/14156
dc.languageeng
dc.language.isoengspa
dc.publisherUniversidad Pedagógica y Tecnológica de Colombiaen-US
dc.relationhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/5300/4428
dc.relationhttps://revistas.uptc.edu.co/index.php/ingenieria/article/view/5300/5063
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf218spa
dc.sourceRevista Facultad de Ingeniería; Vol. 25 No. 43 (2016); 73-82en-US
dc.sourceRevista Facultad de Ingeniería; Vol. 25 Núm. 43 (2016); 73-82es-ES
dc.source2357-5328
dc.source0121-1129
dc.subjectacoustic lung signalsen-US
dc.subjectcomputer-aided decision makingen-US
dc.subjectself-organizing mapsen-US
dc.subjectmapas auto-organizadoses-ES
dc.subjectseñales acústicas de pulmónes-ES
dc.subjectsistemas de apoyo a decisiónes-ES
dc.titleAcoustic lung signals analysis based on Mel frequency cepstral coefficients and self-organizing mapsen-US
dc.titleAnálisis de señales acústicas de pulmón basado en coeficientes cepstrales de la escala Mel y mapas auto-organizadoses-ES
dc.typeinvestigationen-US
dc.typeinvestigaciónes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarhttp://purl.org/coar/resource_type/c_18cfspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a301spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication

Archivos

Colecciones

Revista Facultad de Ingeniería