Clasificación Balanceada de Llanto Neonatal: Integrando Datos de Prematuros y a Término para el Tamizaje de SDR
Autores: Shayegh, Somaye Valizade; Tadj, Chakib
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Clasificación Balanceada de Llanto Neonatal: Integrando Datos de Prematuros y a Término para el Tamizaje de SDR
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Síndrome de dificultad respiratoria
Sistemas de diagnóstico de llanto neonatal
Aprendizaje automático
Detección temprana
Coeficientes cepstrales en la frecuencia Mel
Banco de filtros
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El síndrome de dificultad respiratoria (SDR) es una de las condiciones neonatales más graves, que con frecuencia conduce a la insuficiencia respiratoria y la muerte en entornos de bajos recursos. Por lo tanto, la detección temprana es crítica, particularmente donde el acceso a herramientas de diagnóstico avanzadas es limitado. Los recientes avances en el aprendizaje automático han permitido sistemas de diagnóstico de llanto neonatal no invasivos (NCDS) para el cribado temprano. Hasta donde sabemos, este es el primer estudio de detección de SDR basado en el llanto que incluye tanto a bebés prematuros como a bebés a término completo en un diseño equilibrado, utilizando 76 neonatos (38 SDR, 38 sanos; 19 por subgrupo) y 8534 segmentos de llanto espiratorio (4267 por clase). Las formas de onda del llanto se convirtieron a mono, se filtraron con un filtro de paso alto y se segmentaron para aislar las unidades espiratorias. Se extrajeron coeficientes cepstrales en frecuencia Mel (MFCC) y características de banco de filtros (FBANK) y se transformaron en incrustaciones de dimensión fija utilizando un modelo ligero de X-vector con agrupamiento basado en atención de media-SD, seguido de un clasificador binario. Los parámetros del modelo se optimizaron mediante búsqueda en cuadrícula. El rendimiento se evaluó utilizando precisión, exactitud, recuperación, puntuación F1 y ROC-AUC bajo validación cruzada estratificada de 10 pliegues. MFCC + media-SD logró una precisión del 93.59 +/- 0.48%, mientras que MFCC + atención alcanzó una precisión del 93.53 +/- 0.52% con una precisión ligeramente mayor, reduciendo las falsas alarmas de SDR y mejorando la fiabilidad clínica. Para mejorar la interpretabilidad, se aplicaron Gradientes Integrados a las características MFCC y FBANK para revelar las regiones espectrales que más contribuyen a la decisión. En general, el NCDS propuesto distingue de manera confiable el SDR de los llantos sanos y se generaliza entre los subgrupos neonatales a pesar de la mayor variabilidad en las vocalizaciones de los prematuros.
Descripción
El síndrome de dificultad respiratoria (SDR) es una de las condiciones neonatales más graves, que con frecuencia conduce a la insuficiencia respiratoria y la muerte en entornos de bajos recursos. Por lo tanto, la detección temprana es crítica, particularmente donde el acceso a herramientas de diagnóstico avanzadas es limitado. Los recientes avances en el aprendizaje automático han permitido sistemas de diagnóstico de llanto neonatal no invasivos (NCDS) para el cribado temprano. Hasta donde sabemos, este es el primer estudio de detección de SDR basado en el llanto que incluye tanto a bebés prematuros como a bebés a término completo en un diseño equilibrado, utilizando 76 neonatos (38 SDR, 38 sanos; 19 por subgrupo) y 8534 segmentos de llanto espiratorio (4267 por clase). Las formas de onda del llanto se convirtieron a mono, se filtraron con un filtro de paso alto y se segmentaron para aislar las unidades espiratorias. Se extrajeron coeficientes cepstrales en frecuencia Mel (MFCC) y características de banco de filtros (FBANK) y se transformaron en incrustaciones de dimensión fija utilizando un modelo ligero de X-vector con agrupamiento basado en atención de media-SD, seguido de un clasificador binario. Los parámetros del modelo se optimizaron mediante búsqueda en cuadrícula. El rendimiento se evaluó utilizando precisión, exactitud, recuperación, puntuación F1 y ROC-AUC bajo validación cruzada estratificada de 10 pliegues. MFCC + media-SD logró una precisión del 93.59 +/- 0.48%, mientras que MFCC + atención alcanzó una precisión del 93.53 +/- 0.52% con una precisión ligeramente mayor, reduciendo las falsas alarmas de SDR y mejorando la fiabilidad clínica. Para mejorar la interpretabilidad, se aplicaron Gradientes Integrados a las características MFCC y FBANK para revelar las regiones espectrales que más contribuyen a la decisión. En general, el NCDS propuesto distingue de manera confiable el SDR de los llantos sanos y se generaliza entre los subgrupos neonatales a pesar de la mayor variabilidad en las vocalizaciones de los prematuros.