Clasificación Automatizada de Toses para Diagnóstico de COVID-19 usando Redes Neuronales Convolucionales

Castro Muñoz, Joel Alberto

DSpace Principal
→
Unidades Académicas
→
Facultad de Ciencias Naturales y Matemáticas
→
Tesis de Matemática
→
Ver ítem

dc.contributor.advisor	López Agila, Enrique, Director
dc.contributor.author	Castro Muñoz, Joel Alberto
dc.creator	ESPOL.FCNM
dc.date.accessioned	2025-03-20T18:25:49Z
dc.date.available	2025-03-20T18:25:49Z
dc.date.issued	2025
dc.identifier.citation	Castro Muñoz, J. A. (2025). Clasificación Automatizada de Toses para Diagnóstico de COVID-19 usando Redes Neuronales Convolucionales. [Proyecto Integrador]. ESPOL.FCNM .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/65681
dc.description	En el contexto de la pandemia por COVID-19, la detección temprana sigue siendo un desafío para contener la propagación de virus y mitigar la presión sobre los sistemas de salud. Sin embargo, los métodos de diagnóstico convencionales presentan limitaciones en términos de accesibilidad, costo y tiempo de procesamiento. En respuesta a estas limitaciones, este trabajo propone un sistema basado en redes neuronales convolucionales para la clasificación de señales acústicas de toses, con el objetivo de desarrollar una alternativa no invasiva, rápida y de bajo costo. El sistema desarrollado empleó el dataset crowdsourced CoughVid, junto con los conjuntos de datos COVID-19 Cough Recording y Virufy Data Set, los cuales fueron preprocesados y transformados en representaciones espectrales mediante espectrogramas de Mel y cromagramas. Se evaluaron dos modelos de redes neuronales: CoughNet, basado únicamente en características escalares, y CoughNetwithCNN, que integra información espectral con capas convolucionales. Los modelos fueron optimizados mediante validación cruzada (k-fold) y búsqueda de hiperparámetros, incorporando técnicas de regularización como dropout y early stopping para evitar el sobreajuste. Los resultados demostraron que el modelo híbrido CoughNetwithCNN alcanzó una exactitud promedio de entrenamiento del 96.48% y una exactitud en prueba del 87.27%, superando a CoughNet y a clasificadores tradicionales como Naïve Bayes, Support Vector Machines y Random Forest. Además, se evidenció que la combinación de características escalares y representaciones espectrales mejora significativamente la capacidad del modelo para diferenciar entre toses de pacientes positivos y negativos para COVID-19. Este estudio sugiere que el uso de redes neuronales en el análisis de audio tiene el potencial de complementar los métodos de diagnóstico convencionales, ofreciendo una solución accesible y escalable para la detección temprana de enfermedades respiratorias. Keywords: COVID-19, Redes Neuronales Convolucionales, Análisis de Audio, Diagnóstico Automatizado, Aprendizaje Profundo
dc.format	application/pdf
dc.format.extent	62 página
dc.language.iso	spa
dc.publisher	ESPOL.FCNM
dc.rights	openAccess
dc.subject	COVID-19
dc.subject	Redes Neuronales Convolucionales
dc.subject	Análisis de Audio
dc.subject	Diagnóstico Automatizado
dc.subject	Aprendizaje Profundo
dc.title	Clasificación Automatizada de Toses para Diagnóstico de COVID-19 usando Redes Neuronales Convolucionales
dc.type	Matemático
dc.identifier.codigoespol	T-115004
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	MATE-209
dc.description.abstractenglish	In the context of the COVID-19 pandemic, early detection remains a challenge in containing the spread of viruses and mitigating pressure on healthcare systems. However, conventional diagnostic methods have limitations in terms of accessibility, cost, and processing time. In response to these limitations, this work proposes a system based on convolutional neural networks for the classification of cough acoustic signals, aiming to develop a noninvasive, fast, and low-cost alternative. The developed system utilized the crowdsourced dataset CoughVid, along with the COVID-19 Cough Recording and Virufy Data Set, which were preprocessed and transformed into spectral representations using Mel spectrograms and chromagrams. Two neural network models were evaluated: CoughNet, based solely on scalar features, and CoughNetwithCNN, which integrates spectral information through convolutional layers. The models were optimized through k-fold cross-validation and hyperparameter tuning, incorporating regularization techniques such as dropout and early stopping to prevent overfitting. The results demonstrated that the hybrid model, CoughNetwithCNN, achieved an average training accuracy of 96.48% and a test accuracy of 87.27%, outperforming CoughNet and traditional classifiers such as Naïve Bayes, Support Vector Machines, and Random Forest. Furthermore, the study confirmed that combining scalar features with spectral representations significantly enhances the model?s ability to differentiate between COVID-19 positive and negative coughs. This study suggests that neural networks in audio analysis have the potential to complement conventional diagnostic methods, offering an accessible and scalable solution for the early detection of respiratory diseases. Keywords: COVID-19, Convolutional Neural Networks, Audio Analysis, Automated Diagnosis, Deep Learning