Estimación del volumen pulmonar a partir de bandas inductivas mediante modelos basados en redes neuronales

Resumen

El análisis de la función pulmonar es esencial para evaluar la salud respiratoria, siendo la espirometría el método estándar. Sin embargo, su uso continuo es limitado por la necesidad de equipos especializados. Las bandas inductivas ofrecen una alternativa no invasiva al medir la expansión torácica, aunque su conversión a valores espirométricos requiere procesamiento adicional. En este trabajo, se emplearon modelos de redes neuronales para transformar la señal de la banda inductiva en una señal equivalente a la de espirometría, con el objetivo de estimar el volumen pulmonar con alta precisión sin ajustes manuales. Se recopilaron 1180 mediciones en voluntarios sanos con cuatro pruebas respiratorias distintas. Las señales fueron procesadas mediante filtrado, derivación, integración y alineación temporal. Posteriormente, se entrenaron modelos basados en redes neuronales utilizando validación cruzada. Se evaluó el desempeño de los modelos, concluyendo que un modelo de red neuronal convolucional (CNN, por sus siglas en inglés) logró el mejor rendimiento. Los resultados mostraron que la integral de la espirometría tiene una alta correlación con la señal de la banda inductiva escalada, validando el enfoque propuesto. Como trabajo futuro, se plantea comparar el desempeño de redes neuronales con otros enfoques de aprendizaje automático, como modelos basados en árboles de decisión o modelos basados en distancias. Además, se explorarán implementaciones en hardware embebido para aplicaciones en monitoreo respiratorio en tiempo real.