Multilabel and Multiclass Approaches Comparison for Respiratory Sounds Classification

Las enfermedades respiratorias son una de las principales causas de muerte en todo el mundo según diez la Organización Mundial de la Salud (OMS) debido a problemas fatales y producen una disminución de la calidad de vida de las personas que la padecen. Por ello, existe la necesidad de generar herramientas que permitan disponer de sistemas de ayuda al diagnóstico ágiles y fiables para el manejo de estas enfermedades. Recientemente, diferentes aproximaciones basadas en inteligencia artificial (IA), principalmente en el empleo de redes neuronales artificiales (NN) han sido validadas como una alternativa exitosa en el diagnóstico de enfermedades respiratorias utilizando imágenes y señales como fuentes de información. La presente propuesta utiliza algoritmos de IA sobre señales auscultatorias del sistema respiratorio, identificando sonidos respiratorios asociados a enfermedades pulmonares (crepitantes y sibilancias). Los registros utilizados fueron extraídos de la Base de Datos de Sonidos Respiratorios del Desafío ICBHI 2017. Diferentes trabajos han utilizado esta base de datos para aplicar una clasificación multiclase con resultados de rendimiento satisfactorios. Sin embargo, la ICBHI contiene las etiquetas en formato multietiqueta. Debido a esto, el presente trabajo explora el uso del objetivo multietiqueta para la clasificación de estos sonidos respiratorios. Las estadísticas de las características de tiempo y frecuencia se utilizaron para entrenar cinco modelos clásicos de aprendizaje automático (ML) para una comparación entre la clasificación multietiqueta y multiclase. Se empleó una validación cruzada k-fold para evaluar el rendimiento de los modelos con resultados similares en comparación con la clasificación multiclase clásica, pero con las ventajas del objetivo de empleo multietiqueta, como que representa mejor el problema, lo que lo convierte en una mejor alternativa.