Optimización de los parámetros MFCC para la detección de la fase respiratoria

Área de la Ciencia:

• Ingeniería biomédica
• Procesamiento de señales
• Salud digital

Sus antecedentes:

• La detección de la fase respiratoria es crucial para las aplicaciones clínicas y de salud digital.
• Los ajustes estándar de los coeficientes ceptrales de frecuencia Mel (MFCC) a menudo producen un rendimiento de clasificación subóptimo.
• Es necesario mejorar los métodos de extracción de características para el análisis del sonido respiratorio.

Objetivo del estudio:

• Optimizar sistemáticamente los parámetros de los coeficientes ceptrales de frecuencia de Mel (MFCC) para mejorar la detección de la fase respiratoria.
• Evaluar el impacto de la optimización de parámetros MFCC en la precisión de la clasificación utilizando máquinas vectoriales de soporte (SVM) y modelos de aprendizaje profundo.
• Identificar una compensación práctica entre la precisión y la latencia para aplicaciones clínicas en tiempo real.

Principales métodos:

• Se utilizó un conjunto de datos patentado de 1500 segmentos de sonido respiratorio.
• Los parámetros de Mel Frequency Cepstral Coefficients (MFCC), incluido el número de coeficientes, la longitud del cuadro y la longitud del salto, se optimizaron sistemáticamente.
• El rendimiento de la clasificación se evaluó utilizando máquinas vectoriales de soporte (SVM) y se comparó con modelos de aprendizaje profundo (VGGish, YAMNet, MobileNetV2).

Principales resultados:

• Los parámetros óptimos de MFCC (30 coeficientes, longitud de cuadro de 800 ms, longitud de salto de 10 ms) lograron una precisión del 87,16%, una mejora significativa con respecto a la configuración predeterminada (80,96%).
• Los MFCC optimizados demostraron un rendimiento equivalente o mejor que los métodos de aprendizaje profundo establecidos.
• Una longitud de cuadro clínicamente práctica de 200-300 ms ofrecía un equilibrio favorable entre la precisión (85,08%) y la latencia.

Conclusiones:

• Los parámetros optimizados de MFCC mejoran sustancialmente la precisión de la clasificación de la fase respiratoria.
• Estos parámetros optimizados proporcionan soluciones eficientes e interpretables para el monitoreo respiratorio en tiempo real.
• Se recomienda una mayor validación en diversos entornos clínicos y la exploración de estrategias de aprendizaje avanzado.