Aproximación a la interpretación del mensaje contenido a partir de parámetros acústicos en llanto de neonatos

Autores/as

  • Guillermo Javier Benitez-Labori Empresa de Aplicaciones Informáticas Desoft, Santiago de Cuba

Palabras clave:

clasificación de llanto, parámetros acústicos cuantitativo, red neuronal artificial, RNA feed-forward supervisadas, llanto provocado ante dolor, Análisis del llanto infantil

Resumen

Se considera un neonato al niño desde el momento del nacimiento hasta completar veintiocho días después del parto, período en el que pueden manifestarse disímiles sintomatologías clínicas; donde una de las formas de comunicar lo que le acontece al niño es el llanto. Este trabajo centra su atención en el campo de las Redes Neuronales Artificiales (RNA), específicamente supervisadas; siendo su Objetivo implementar una RNAsupervisada Back-Propagation (BP) para clasificar el llanto en neonatos con Hipoxia a partir de parámetros acústicos. Se busca que a través de estas redes se pueda clasificar el llanto infantil de un neonato en llanto normal o patológico. La estructuración de esta investigación se sustenta, entre otros, en el método histórico-lógico el cual implica toda la modelación de la RNA que posibilita el principal resultado: la obtención de un clasificador de llanto (normal-patológico) usando RNA

Citas

Ahmad, I., Basheri, M. y Iqbal, M.J. (2018). Performance Comparison of Support Vector Machine,Random Forest, and Extreme Learning Machine for Intrusion Detection. IEEE Acces, 6(1), 33789 –33795.

Amaro Camargo, E. (2008). Caracterización Automática del Llanto de Bebé para su Estudio con Modelos de Clasificación.[Tesis de maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica].

Ararat Navas, F., Pablo Arriagada, J., Bravo Urzúa, T., Carvajal Encina, F., Fuentes Villar, D., Gajardo Muñoz, E., Gayoso Oyarzo, C., Guerrero Guerrero, G., Guzmán Linares, D.,González Peña, I., Isla Coloma, I., Letelier Muñoz, A., Mol Rebolledo, P., Nuñez García, I., Oraa, L., Karina Palmar, A., Pedreros Becerra, R., Peña Valdés, A., Pérez Yáñez, A., .... Illanes, A. (2020). Guías de Práctica Clínica Unidad de Paciente Crítico Neonatal. Hospital San Juan de Dios De La Serena.

Barnden, J.A. (1998). Artificial intelligence and neural networks. En Arbib 981.

Barr, R.G. St., Roberts, I. y James Keefe, M. (2001). Johnson & Johnson Pediatric Round Table Scientific Conference: New Evidence on Unexplained Early Infant Crying: Its Origin, Nature, and Management. Skillman, New Jersey: Johnson & Johnson Pediatric Institute.

Brito, F.J., Arantes Filho, L.R. y Frutuoso Guimaraes, L.N. (2019). Intelligent Classification of Supernovae UsingArtificial Neural Networks. Inteligencia Artificial, 22(63), 39-60.

Cano O, S.D., Escobedo Beceiro, D.I. y Coello, E.F. (1999). El uso de los mapas auto-organizados de kohonen en la clasificación de unidades de llanto infantil.I Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 24-29.

Cárdenas, J.P., Olivares, O. y Alfaro, R. (2014). Clasificación automática de textos usando redes de palabras. Revista Signos, 47(86), 346-364.

Castillo, D.D., Pérez, M.R., Pérez, L., Orozco, R. y Ginori, J. (2016). Algoritmos de aprendizaje automático para la clasificación de neuronas piramidales afectadas por el envejecimiento. Revista Cubana de Informática Médica, 8(3), 559-571.

Educativas, 40(130), 508-524.

Castillo, L., Torres, M., Chivas, P., Cano O., S., y Escobedo B., D. I. (2001). Clasificación de unidades de llanto infantil mediante Algoritmos de Cuantificación Vectorial Adaptable.III Taller AIRENE (CYTED) sobre Reconocimiento de Patrones con Redes Neuronales, 9-14.

Céspedes Argaña, E. (2016). Manual de Atención Neonatal. Ministerio de Salud Pública y Bienestar Social. Asunción –Paraguay.

Colás Herrera, J. C. (2019). Aplicación de Modelos de Redes Neuronales a la Predicción de la Fiebre[Trabajo de grado, Universidad Politécnica de Madrid].

Corwin, M.J., Lester, B.M. y Golub, H.L. (1996). The infant cry: What can it tell us? Current Problems in Pediatrics.

De la Hoz, E.J., Fontalvo, T.J. (2019). Metodología de Aprendizaje Automático parala Clasificación y Predicción de Usuarios en Ambientes Virtuales de Educación. Información Tecnológica, 30(1), 247-254.

Diez, H.R., Torres, A.M., Escobedo Beceiro, D.I., Cano O., S.D., Regüeiferos, L.P. y Capdevila, L.B. (1999). Una primera aproximación de ayuda al diagnóstico del llanto infantil usando clasificación supervisada. Actas-II.(VI Simposio Internacional de Comunicación Social), Editorial Oriente, 1404-1409.

Donzelli, G.P., Rapisardi, G., Moroni, M., Zani, S., Tomasini, B., Ismaelli, A. y Bruscaglioni P. (1994). Computerized cry analysis in infants affected by severe protein energy malnutrition. Acta Paediatrica, 83, 204-211.

Escobedo Beceiro D.I. (2006). AnálisisAcústico del Llanto del Niño Recién Nacido Orientado al Diagnóstico de Patología en su Neurodesarrollo Debido a Hipoxia. [Tesis de doctorado, Universidad de Oriente: Centro de Estudios de Neurociencias, Procesamiento de Imágenes y Señales, Santiago de Cuba].

Escobedo Beceiro, D.I,Sanabria, F.M., Marañón R., E.J., Cano O., S.D., Zamora, L.M., Regüeiferos, L.P., Capdevila, L.B. y Delgado, G.G. (2015). Clasificación del llanto del recién nacido según la frecuencia fundamental.XIV Simposio Internacional de Comunicación Social. Comunicación Social: Retos y Perspectivas. Ediciones Centro de Lingüística Aplicada, 2, 635-640.

Escobedo Beceiro, D.I. (2018). Análisis acústico del llanto del niño recién nacido: Una metodología. Editorial Académica Española. International Book Market Service Ltd. OmniScriptum Publishing Group. Catalog of German National Library.

Galindo, E., A. Perdomo, J. y Figueroa García, J. C. (2020). Estudio comparativo entre máquinas de soporte vectorial multiclase, redes neuronales y sistema de inferencia neuro-difuso auto organizado para problemas de clasificación. Información Tecnológica, 31(1), 273-286.

Gámez de la Rosa R. (2013). Diseño e implementación de una herramienta de software para extraer los desplazamientos ascendentes de frecuencia en el tono del llanto infantil. [Tesis de maestría, Universidad de Oriente: CENPIS, Santiago de Cuba].

García, A.G., Rios, A.B., Teelo, E., Barrón, J.H. y Diaz, A. (2019). Aplicación de una red neuronal artificial para la clasificación automática de tuits en español. Pistas Del Brio, B., Sanz, M.A. (2006). Redes Neuronales y Sistemas Borrosos. Universidad de Zaragoza.

Gutiérrez Padilla, J. A., Angulo Castellanos, E., García Hernández, H. A., García Morales, E., Padilla Muñoz, H., Rulfo Ibarra, D. P., Plascencia, A., Yanowsky Reyes, G., Vargas López, R., Zepeda Romero, L. C. (2019). Manual de Neonatología. Universidad de Guadalajara.

Michelsson, K., Michelsson, O. (1999). Phonation in the newborn, infant cry. International Journal of Pediatric Otorhinolaryngology, 49(1), 297-301.

Michelsson, K. et al. (1996). Crying in separated and nonseparated newborns: Sound spectrographic analysis. Acta Paediatrica.

Monteagut Ferrer M. (2017). Clasificación del llanto infantil usando técnicas de minería de datos.[Trabajo de grado, Universidad de Oriente: Facultad de Ingeniería Eléctrica, Departamento de Informática, Santiago de Cuba].

Orozco, G.J., Reyes García, C.A. (2000). Acoustic features analysis for recognition of normal and hipoacusic infant cry based on neural networks. Lecture Notes in Computer Science (LNCS) Springer, 615-622.

Orozco, G.J., Reyes García, C.A. (2003). Mel-frequency cepstrum coefficients extraction from infant cry for classification of normal and pathological cry with feed-forward neural networks.Proceedings of the 2003 International Joint Conference on Neural Networks, 3140-3145.

Pla Martínez, G., Irizar Mesa, M. (2019). Clasificador automático de imágenes de muestras de sangre basado en redes neuronales profundas. RIELAC, 40(1) 18-30.

Reyes García, C. A., Torres García, A. A. y Ruiz Díaz, M. A. (2018). Extracción de Características Cualitativas del Llanto de Bebé y su Clasificación para la Identificación de Patologías Utilizando Modelos Neuro-Difusos. Ciencias y Tecnologías Biomédicas, 5(1), 106–109.

Rivera Miranda, M. A., Lara Latamblé, N. T. y Baró Bouly, T. (2018). Asfixia al nacer: factores de riesgo materno y su repercusión en la mortalidad neonatal. Revista Información Científica, 97(5), 1020-1030.

Sandoval, N., Guevara Pérez, T. C., González S. V., Jaque, F. A., Infante Contreras, Clementina, R. A. (2016). Uso de redes neuronales artificiales en predicción de morfología mandibular a través de variables craneomaxilares en una vista posteroanterior. Univ Odontol, 35(74) 1-28.

Sepúlveda, R., Montiel, O., Díaz, G., Gutierrez, D. y Castillo, O. (2015). Clasificación de señales encefalográficas mediante redes neuronales artificiales. Computación y Sistemas, 19(1), 69–88.

Simpson, P.K. (1996). Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations. New York: Pergamon Press.

Tan, H., Tan K.C. y Yi Z. (2007). Neural Networks: Computational Models and Applications. Studies in Computational Intelligence. Springer.

Tisné Brousse, L., Abuauad, P., Alarcón R., J., Arriagada, P., Castellanos, M., Berrios, D., Flores A., J., Fuentes, I., Gonzalez D., R., Gaínza, H., Medina, A., Montoya, I., Nachar H., R., Peña, V., Pino, P., Pizarro R., O., Ríos D., A., Rubio G., L., Sacaquirin W., D., .... Osorio, W. (2020). Guías Clínicas de Neonatología.Servicio de Neonatología Hospital Santiago Oriente.

Trujillano Cabello, J., Badía Castelló, M., March Llanes J., Rodríguez Pozo, Á., Serviá Goixart, L. y Sorribas Tello, A. (2005). Redes neuronales artificiales en Medicina Intensiva. Ejemplo de aplicación con las variables del MPM II. Med Intensiva, 29(1), 13-20.

Torres, A.M., Cano O., S.D., Escobedo Beceiro, D.I. y Castillo, A.L. (2000). Reconocimiento de clases en unidades de llanto infantil aplicando una red neuronal de kohonen. II Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 49-52.40.Torres, A.M., Miyar, I.F., Diez, H.R., Cano O., S.D., Escobedo Beceiro, D.I., Regüeiferos, L.P. y Capdevila, L.B. (1999). Una aproximación al diagnóstico del llanto infantil basado en redes neuronales supervisadas.I Taller AIRENE sobre Reconocimiento de Patrones con Redes Neuronales, 20-23.

Veranes V. C. L. (2018). Análisis comparativo de clasificadores de minería de datos basado en parámetros temporo-frecuencial.[Trabajo de grado, Universidad de Oriente: Facultad de Ing. en Telecomunicaciones, Informática y Biomédica, Departamento de Informática, Santiago de Cuba].

Descargas

Publicado

2021-05-16

Cómo citar

Benitez-Labori, G. J. . (2021). Aproximación a la interpretación del mensaje contenido a partir de parámetros acústicos en llanto de neonatos. Santiago, (155), 181–196. Recuperado a partir de https://santiago.uo.edu.cu/index.php/stgo/article/view/5380

Número

Sección

Artículos