Doctorado en Ingeniería Electrónica (PhD)

El modelo neurocomputacional Directions into Velocities of Articulators (DIVA) fue desarrollado para abordar diversos aspectos de la producción y adquisición del habla normal y con trastornos. Los sustratos neurales de DIVA fueron establecidos mediante resonancia magnética funcional (fMRI), lo que proporcionó una validación fisiológica del modelo. Este estudio presenta EEG DIVA, una extensión de DIVA que utiliza electroencefalografía (EEG) para aprovechar la alta resolución temporal y la amplia disponibilidad del EEG en comparación con fMRI. Para el desarrollo de EEG DIVA, se derivaron señales similares al EEG a partir de las ecuaciones originales que describen la actividad de los diferentes mapas de DIVA. Se generó un EEG sintético asociado con la emisión de sílabas cuando se simuló un feedback auditivo sin perturbaciones y perturbaciones del feedback auditivo (perturbaciones del primer formante). Los mapas de activación cortical derivados del EEG sintético se asemejaron estrechamente a los del modelo DIVA original. Para validar EEG DIVA, se adquirió el EEG de individuos con voces típicas (N = 30) durante un paradigma de feedback auditivo alterado. Los mapas de actividad cerebral empírica resultantes se superpusieron significativamente con los predichos por EEG DIVA. El enfoque de validación también se empleo para el modelo LaDIVA el cual incluye información de la componente laríngea. También se validó preliminarmente el toolbox desarrollado que integra en una interfaz amigable un método de solución inversa llamado Bayesian Model Averaging. Estos avances sientan las bases para un marco completo de neuroinformática que puede guiar intervenciones personalizadas para tratar trastornos del habla y la voz. En conjunto con otras extensiones recientes del modelo, EEG DIVA y EEG LaDIVA sientan las bases para construir un marco neurocomputacional completo para abordar los trastornos vocales y del habla, lo que puede guiar intervenciones personalizadas basadas en modelos.

Mejorar la práctica médica mediante la inteligencia artificial es una realidad. La evolución tecnológica ha facilitado la digitalización y optimización de grandes volúmenes de datos, incrementando a su vez la capacidad de procesamiento informático. Técnicas avanzadas como el aprendizaje automático y el aprendizaje profundo, ambos subcampos de la inteligencia artificial, han evolucionado para imitar al cerebro humano y realizar tareas de interpretación, reconocimiento y clasificación de datos. En medicina, el diagnóstico clínico es quizá la tarea más crítica en la que puede intervenir la inteligencia artificial porque de ella depende las decisiones posteriores que ayudarán a recuperar la salud de los pacientes. Muchas áreas de la medicina utilizan la interpretación de imágenes como fuente principal de información para realizar un diagnóstico, y para ello se requiere tanto una buena calidad de imagen como una interpretación precisa y razonable. Esta tesis propone el uso del diagnóstico –o detección– asistido por computador como componente clave para mejorar la interpretación de imágenes médicas, así como para agilizar el proceso diagnóstico, particularmente en aquellas áreas médicas de la atención primaria que se ven afectadas por la falta de especialistas. Con el objetivo de apoyar la toma de decisiones clínicas e incrementar la precisión diagnóstica con una confianza comparable a la de los expertos médicos, el sistema asistido por computador utiliza inteligencia artificial y se convierte en una herramienta de diagnóstico eficaz y precisa diseñada, implementada y validada en dos áreas médicas: gastroenterología y otorrinolaringología. En primer lugar, exploramos el enfoque de aprendizaje basado en características utilizando descriptores del contenido de la imagen y clasificadores tradicionales de aprendizaje automático. En gastroenterología, el sistema de detección automático de pólipos propuesto recibe como entrada una imagen endoscópica extraída del examen de colonoscopia y determina si la imagen contiene pólipos o no con un rendimiento promedio superior al 90%. Siguiendo este mismo enfoque, proponemos AMIRA, un sistema de asistencia al diagnóstico otológico, capaz de clasificar cuatro afecciones del oído a nivel de imagen. Este sistema puede utilizarse como herramienta de cribado en casos de hipoacusia conductiva. El sistema AMIRA fue extendido para cubrir hasta nueve patologías del oído medio y externo, y para ello se adoptó un enfoque de aprendizaje profundo que aborda una clasificación multiclase más compleja. En esta propuesta se analiza el video completo en lugar de una sola imagen, emulando el proceso de examinación que el especialista realiza durante el examen de otoscopia. Introducimos un esquema de aprendizaje híbrido que explota las ventajas de las redes neuronales convolucionales y recurrentes, considerando tanto la información espacial como temporal que proporciona el video. AMIRA alcanzó un alto desempeño, evaluado en un conjunto de prueba, con una precisión media de 91,65%, sensibilidad media de 89,78%, especificidad media de 98,67% y una puntuación F1 media de 90,30%. Hasta donde sabemos, AMIRA es el sistema capaz de predecir más diagnósticos de afecciones del oído conocido hasta la fecha. Los médicos generales o incluso los especialistas en otorrinolaringología podrían utilizar el sistema propuesto para una mejor toma de decisiones clínicas al utilizar el resultado que entrega AMIRA como una segunda opinión objetiva sobre la evaluación diagnóstica de una determinada patología del oído medio o externo.

The following thesis proposal describes a framework for the analysis of signal- based features related to vocal pathologies, namely phonotraumatic vocal hyper- function (PVH) and non-phonotraumatic vocal hyperfunction (NPVH), using an accelerometer attached to the neck-skin in an ambulatory setting. The first stage consists of extracting physiologically relevant features that are associated with PVH on a daily basis. A clinical set-up (In Lab) that captures key components of vocal function, such as acoustics (microphone) and aerodynamics (oral airflow) from a reading passage, provides a set of model parameters to characterize vocal function. An impedance-based inverse filtering (IBIF) technique is used to es- timate glottal airflow and related features from the accelerometer signal and to obtain the same features for the ambulatory data (In Field). An in-depth analysis of IBIF aerodynamic measures is done in the context of machine learning classi- fiers. Subsequently, an adaptive version of the IBIF filter (i.e., Kalman smoother) is proposed in order to estimate the airflow signal, incorporating modeling and observation noise. The Kalman smoother is compared to the original IBIF fil- ter with In Lab and In Field data within a classification task to determine the efficiency and relevance of both approaches. Additional efforts are presented to provide insights on the capabilities of machine learning tools to be used on PVH and NPVH patients when compared to their matched-controls. First, a case study with 4 pairs of PVH and controls is used to determine how the variability of the IBIF parameters can affect the classification performance with In Lab data. Later, classical machine learning algorithms are used to investigate the nuances in the classification of NPVH subjects vs. controls, while a final effort explores the use of wavelets with deep learning to separate Pre vs Post therapy in NPVH patients. The main contributions of this thesis are: 1) to develop a machine learning frame- work for the analysis and classification of neck-surface acceleration signals using aerodynamic features; 2) to propose an alternative filtering scheme to IBIF based on adaptive filtering; and 3) to support the first two contributions by exploring pilot studies on salient features for NPVH, IBIF parameter uncertainty, and therapy effects on NPVH. Discussions and conclusions are included in each chapter to interconnect the ambulatory analysis of glottal flow with machine learning, to establish the potential benefits and limitations of these approaches in clinical settings.