Examinando por Autor "Oleagordia Ruiz, Ibon"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Mejora de la calidad y la parametrización de la voz esofágica
    (Universidad de Deusto, 2015-04-30) Oleagordia Ruiz, Ibon; García-Zapirain, Begoña; Facultad de Ingeniería; Ciencia de la Computación
    Se presenta esta tesis con el propósito de ayudar a las personas que han sufrido una laringectomía, es decir, a las personas laringectomizadas. Con este trabajo de investigación se pretende dar solución a la problemática que, en cuanto a la comunicación, sufren estas personas y, a la monitorización de la voz en el proceso de aprender a hablar con voz esofágica. Con este objetivo y, con el de realizar una aportación a la comunidad científica internacional en el mundo de la investigación, se presentan sendos algoritmos de manera que uno de ellos mejore la calidad de la voz y, que el otro evalúe dicha mejora, midiendo de forma objetiva y automatizada los principales parámetros acústicos de la voz. Es decir, con el primer algoritmo se mejora la inteligibilidad de los laringectomizados en las comunicaciones y, con el segundo se objetiva dicha mejora, además de servir como herramienta para la monitorización de dicho colectivo en el proceso de aprender a hablar con voz esofágica. Los principales parámetros tratados en el algoritmo de mejora de la voz han sido el Shimmer y Harmonic to Noise Ratio (HNR, Relación armónico ruido). En este procesado se han utilizado técnicas de transformada wavelet, filtrado de Kalman y estabilización de polos. Además de los dos parámetros mencionados, en el algoritmo de parametrización de la voz se han medido los parámetros Pitch y Jitter. Los resultados demuestran que se ha producido una mejora en el Shimmer de 0,576 dB de media en las 30 voces de la base de datos, quedando este parámetro en los rangos de normalidad de las voces sanas. El parámetro HNR ha experimentado una mejora de 3,459 dB de media. Subjetivamente, el algoritmo propuesto reduce sustancialmente el ruido de aspiración del esófago. En cuanto a la parametrización de la voz, se observa que el algoritmo propuesto es claramente mejor medidor que el Gold Standard para las voces esofágicas y que es tan buen medidor para las voces sanas e incluso mejor en ciertos parámetros.
  • No hay miniatura disponible
    Ítem
    Scalable healthcare assessment for diabetic patients using deep learning on multiple GPUS
    (IEEE Computer Society, 2019-10) Sierra-Sosa, Daniel; García-Zapirain, Begoña; Castillo Olea, Cristian; Oleagordia Ruiz, Ibon; Nuño Solinís, Roberto; Urtaran Laresgoiti, Maider; Elmaghraby, Adel Said
    The large-scale parallel computation that became available on the new generation of graphics processing units (GPUs) and on cloud-based services can be exploited for use in healthcare data analysis. Furthermore, computation workstations suited for deep learning are usually equipped with multiple GPUs allowing for workload distribution among multiple GPUs for larger datasets while exploiting parallelism in each GPU. In this paper, we utilize distributed and parallel computation techniques to efficiently analyze healthcare data using deep learning techniques. We demonstrate the scalability and computational benefits of this approach with a case study of longitudinal assessment of approximately 150 000 type 2 diabetic patients. Type 2 diabetes mellitus (T2DM) is the fourth case of mortality worldwide with rising prevalence. T2DM leads to adverse events such as acute myocardial infarction, major amputations, and avoidable hospitalizations. This paper aims to establish a relation between laboratory and medical assessment variables with the occurrence of the aforementioned adverse events and its prediction using machine learning techniques. We use a raw database provided by Basque Health Service, Spain, to conduct this study. This database contains 150 156 patients diagnosed with T2DM, from whom 321 laboratory and medical assessment variables recorded over four years are available. Predictions of adverse events on T2DM patients using both classical machine learning and deep learning techniques were performed and evaluated using accuracy, precision, recall and F1-score as metrics. The best performance for the prediction of acute myocardial infarction is obtained by linear discriminant analysis (LDA) and support vector machines (SVM) both balanced and weight models with an accuracy of 97%; hospital admission for avoidable causes best performance is obtained by LDA balanced and SVMs balanced both with an accuracy of 92%. For the prediction of the incidence of at least one adverse event, the model with the best performance is the recurrent neural network trained with a balanced dataset with an accuracy of 94.6%. The ability to perform and compare these experiments was possible through the use of a workstation with multi-GPUs. This setup allows for scalability to larger datasets. Such models are also cloud ready and can be deployed on similar architectures hosted on AWS for even larger datasets.