Clasificación de la voz entre voces sanas y voces hiperfuncionales no fono traumáticas mediante el uso de algoritmos de inteligencia artificial basado en parámetros ambulatorios de la función vocal

El Desorden de la Voz Hiperfuncional no fono traumática (NPVH) es una enfermedad de la voz que afecta los músculos de la laringe durante la producción de la voz, lo que causa alteraciones en el funcionamiento vocal y su calidad. La detección temprana de este trastorno permite controlar estas alterac...

Full description

Autores:
Moreno Lozano, Jorge Steban
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.umng.edu.co:10654/46094
Acceso en línea:
https://hdl.handle.net/10654/46094
Palabra clave:
ANALISIS DE LA VOZ - INTELIGENCIA ARTIFICIAL - APLICACIONES EN SALUD
PARAMETROS VOCALES - MONITOREO AMBULATORIO
INTELIGENCIA ARTIFICIAL - DIAGNOSTICO DE TRASTORNOS DE LA VOZ
Machine Learning
NPVH
SVM
Inteligencia Artificial
Medicina
Clasificacion
Machine Learning
NPVH
SVM
Artificial Inteligence
Medicine
Classification
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary:El Desorden de la Voz Hiperfuncional no fono traumática (NPVH) es una enfermedad de la voz que afecta los músculos de la laringe durante la producción de la voz, lo que causa alteraciones en el funcionamiento vocal y su calidad. La detección temprana de este trastorno permite controlar estas alteraciones y mejorar la calidad de vidas de las personas que lo padecen. El presente trabajó aborda el planteamiento y desarrollo de un sistema de clasificación de pacientes en dos grupos, pacientes sanos y pacientes enfermos con el Desorden de la Voz Hiperfuncional no fono traumática (NPVH). Para lograr esto, se aplicaron técnicas de preprocesamiento de datos, selección de características y se utilizó Support Vector Machine (SVM) como base del algoritmo de clasificación desarrollado en Python. Con el fin obtener resultados satisfactorios, se realizaron pruebas de validación del algoritmo modificando la cantidad de datos de entrada, así como las constantes y funciones de Kernel del SVM. Se utilizaron las herramientas de validación cruzada y la matriz de confusión como indicadores de rendimiento para evaluar las diferentes pruebas realizadas. Se logró alcanzar una precisión validada de hasta el 85% utilizando 11 datos de entrada del algoritmo de un conjunto inicial de 330 datos. Gracias a este proceso, se pudieron determinar los datos más relevantes para diferenciar entre los dos grupos de pacientes.