UN ENFOQUE DE APRENDIZAJE PROFUNDO PARA ESTIMAR LA FRECUENCIA RESPIRATORIA DEL FOTOPLETISMOGRAMA

• Published in: INGENIUS no. 27; pp. 96 - 104
• Main Authors: Lampier, Lucas C, Coelho, Yves L, Caldeira), Eliete M.O, Bastos-Filho, Teodiano F
• Format: Journal Article
• Language: Spanish
• Published: Universidad Politecnica Salesiana 01.01.2022
• Subjects: Deep Neural Networks; fotopletismografía; frecuencia respiratoria; Photoplethysmography; redes neuronales profundas; Respiratory Rate
• ISSN: 1390-650X; 1390-860X; 1390-860X
• DOI: 10.17163/ings.n27.2022.09

Este trabajo presenta una metodología para entrenar y probar una red neuronal profunda (Deep Neural Network--DNN) con datos de fotopletismografías (Photoplethysmography--PPG), con la finalidad de llevar a cabo una tarea de regresión para estimar la frecuencia respiratoria (Respiratory Rate--RR). La arquitectura de la DNN está basada en un modelo utilizado para inferir la frecuencia cardíaca (FC) a partir de señales PPG ruidosas. Dicho modelo se ha optimizado a través de algoritmos genéticos. En las pruebas realizadas se usaron BIDMC y CapnoBase, dos conjuntos de datos de acceso abierto. Con CapnoBase, la DNN logró un error de la mediana de 1,16 respiraciones/min, que es comparable con los métodos analíticos reportados en la literatura, donde el mejor error es 1,1 respiraciones/min (excluyendo el 8 % de datos más ruidosos). Por otro lado, el conjunto de datos BIDMC aparenta ser más desafiante, ya que el error mínimo de la mediana de los métodos reportados en la literatura es de 2,3 respiraciones/min (excluyendo el 6 % de datos más ruidosos). Para este conjunto de datos la DNN logra un error de mediana de 1,52 respiraciones/min.