⚡ electrical engineering

A New Non-Negative Matrix Factorization Approach for Blind Source Separation of Cardiovascular and Respiratory Sound Based on the Periodicity of Heart and Lung Function

Este trabajo propone un enfoque modificado de factorización de matrices no negativas afín que aprovecha las propiedades periódicas de las señales cardíacas y pulmonares para separar ciegamente de manera efectiva los sonidos cardiovasculares y respiratorios de las grabaciones ruidosas de fonendoscopio digital, demostrando métricas de rendimiento mejoradas en comparación con los métodos existentes.

Autores originales: Yasaman Torabi, Shahram Shirani, James P. Reilly

Publicado 2026-05-27

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yasaman Torabi, Shahram Shirani, James P. Reilly

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás de pie en una cocina concurrida. En una hornalla, una olla de sopa hierve rítmicamente (eso es el corazón). En la otra, una tetera silba con un sonido más largo y prolongado (eso son los pulmones). Ahora, imagina que alguien graba toda la cocina con un solo micrófono. El resultado es un archivo de audio desordenado donde el hervor y el silbido están mezclados, lo que dificulta escuchar claramente cualquiera de los dos.

Este es exactamente el problema que enfrentan los médicos al escuchar el pecho de un paciente. El corazón y los pulmones producen sonidos al mismo tiempo, y sus frecuencias se superponen, creando un "ruido de cocina" difícil de desentrañar.

Este artículo presenta una nueva herramienta digital para resolver este problema. Así es como funciona, desglosado en conceptos simples:

1. El Objetivo: Desmezclar la Sopa

Los investigadores querían tomar esa grabación desordenada y separarla nuevamente en dos pistas limpias: una solo para el corazón y otra solo para los pulmones. Esto se llama Separación Ciega de Fuentes. Lo llaman "ciega" porque la computadora no sabe cómo eran los sonidos originales; tiene que averiguarlo simplemente escuchando la mezcla.

2. La Vieja Forma vs. La Nueva Forma

Los métodos anteriores intentaban separar estos sonidos usando trucos matemáticos estándar, pero a menudo dejaban atrás "fantasmas" del otro sonido (como escuchar un silbido tenue en la pista del corazón).

Los autores proponen un nuevo enfoque basado en la Factorización de Matrices No Negativas (NMF). Piensa en la NMF como un solucionador de acertijos muy inteligente. Observa el audio desordenado e intenta descomponerlo en dos bloques de construcción básicos:

El Patrón (A): Cómo suele verse el sonido del corazón.
El Patrón (X): Cómo suele verse el sonido de los pulmones.

3. Los Tres Ingredientes Secretos

Los autores no solo usaron un solucionador de acertijos estándar; construyeron una máquina personalizada con tres mejoras especiales:

El Botón de "Escala y Desplazamiento":
Los sonidos del corazón son suaves y agudos; los sonidos de los pulmones son más fuertes y lentos. Las matemáticas estándar luchan con esta diferencia. Los autores añadieron un bloque especial de "escala y desplazamiento". Imagina esto como un par de gafas que ajusta el brillo y el contraste de la imagen. Estira los sonidos suaves del corazón y comprime los sonidos fuertes de los pulmones para que las matemáticas puedan manejarlos por igual.
La Fábrica de "Dos Pistas" (Estructura Paralela):
En lugar de usar una máquina para intentar encontrar ambos sonidos a la vez, construyeron dos máquinas separadas funcionando lado a lado.
- Máquina A está sintonizada específicamente para cazar el corazón.
- Máquina B está sintonizada específicamente para cazar los pulmones.
  Esto es como tener dos detectives en una habitación: uno solo busca coches rojos y el otro solo busca camiones azules. No se confunden entre sí, lo que lleva a un resultado mucho más limpio.
El Detector de "Ritmo" (Periodicidad):
Esta es la parte más ingeniosa. El corazón late en un ritmo rápido y regular (como un tambor). Los pulmones respiran en un ritmo más lento y diferente (como una ola).
El nuevo algoritmo no necesita saber exactamente a qué velocidad late el corazón de antemano. En su lugar, escucha la salida de ambas máquinas y pregunta: "¿Cuál tiene el tamborileo rápido y constante?" Esa es el corazón. "¿Cuál tiene la ola lenta?" Esa son los pulmones. Utiliza el ritmo natural del cuerpo para decidir a dónde va cada sonido.

4. Los Resultados

El equipo probó esto en 100 "grabaciones de cocina" diferentes (mezclas sintetizadas de sonidos reales de corazón y pulmones). Compararon su nueva herramienta con otros métodos populares.

Los resultados mostraron que su nuevo método era mucho mejor para limpiar el ruido. Específicamente:

Redujo significativamente la "interferencia" (el otro sonido que se filtra).
Produjo una separación más clara y precisa de los dos sonidos que los métodos anteriores.

Resumen

En resumen, los autores crearon un software de estetoscopio digital más inteligente. En lugar de solo adivinar cómo separar los sonidos, crearon un sistema que utiliza dos equipos especializados trabajando en paralelo, ajusta el volumen automáticamente y utiliza el ritmo natural del corazón y los pulmones para asegurar que el sonido correcto termine en el archivo correcto. Esto facilita que los médicos escuchen exactamente lo que está sucediendo dentro del pecho de un paciente.

Resumen Técnico: Un Nuevo Enfoque de Factorización de Matrices No Negativas para la Separación Ciega de Fuentes de Sonidos Cardiovasculares y Respiratorios

Planteamiento del Problema
La auscultación cardíaca y respiratoria proporciona información diagnóstica crítica para enfermedades cardiovasculares y respiratorias. Sin embargo, la utilidad clínica de la auscultación a menudo se ve obstaculizada por el desafío del ruido y la interferencia de señales. Los sonidos cardíacos (cardíacos) y los sonidos pulmonares (respiratorios) se superponen frecuentemente en el dominio de la frecuencia e interactúan físicamente, lo que dificulta la extracción de señales acústicas puras a partir de una sola grabación. Si bien existen técnicas de Separación Ciega de Fuentes (SCF), los métodos estándar como el Análisis de Componentes Independientes (ACI) a menudo requieren conocimiento previo sobre las estadísticas de la fuente (media y varianza), y las aplicaciones existentes de Factorización de Matrices No Negativas (NMF) para bioacústica han tenido dificultades con la contaminación por ruido y la separación de señales de signo mixto. Además, muchos enfoques existentes dependen de la segmentación manual o de conocimientos previos específicos sobre los periodos de la señal, lo que limita su automatización y robustez.

Metodología
Los autores proponen un enfoque de NMF modificado diseñado para separar ciegamente los sonidos cardíacos y pulmonares grabados mediante un estetoscopio digital. La metodología integra varios componentes técnicos distintos:

Preprocesamiento: Las señales de entrada sufren filtrado paso banda (50–250 Hz para el corazón, 60–300 Hz para el pulmón) y normalización para mitigar el ruido y estandarizar la amplitud.
NMF Afín Modificada: El algoritmo central utiliza un marco de $\alpha$ -NMF que minimiza la divergencia $\alpha$ . Para abordar la limitación de la NMF estándar en la recuperación de señales de signo mixto, los autores introducen un bloque de "escala y desplazamiento". Esta modificación incluye un término de desplazamiento ajustable ( $\lambda_2$ ) para garantizar la no negatividad y factores de escala distintos ( $\lambda_1$ ) para los bloques de detección cardíaca y pulmonar. Esto permite que el algoritmo maneje la naturaleza de signo mixto de los datos acústicos crudos, aprovechando al mismo tiempo los conocimientos biológicos previos (por ejemplo, que los sonidos pulmonares son más lentos y dominantes que los sonidos cardíacos).
Estructura Paralela Multicapa: A diferencia de la NMF de módulo único tradicional, el sistema propuesto emplea una estructura paralela con dos módulos NMF separados. Un módulo está sintonizado para extraer sonidos cardíacos y el otro para extraer sonidos pulmonares. Esta estructura utiliza un enfoque multicapa (jerárquico) para reducir el riesgo de converger a mínimos locales y proporciona grados de libertad adicionales para ajustar parámetros (como el número de capas y los factores de escala) de forma independiente para cada tipo de fuente.
Selección Basada en Periodicidad: Una innovación clave es la explotación de la naturaleza periódica de la función cardíaca y pulmonar sin requerir conocimiento previo de los valores específicos del periodo. Después de que los módulos paralelos generan señales candidatas, el sistema estima el periodo de cada salida utilizando la función de autocorrelación. La salida del módulo con el periodo menor se selecciona como el sonido cardíaco, mientras que la otra se designa como el sonido pulmonar.

Contribuciones Clave
El artículo identifica tres contribuciones principales:

Estructura Algorítmica Novel: La introducción de una arquitectura NMF paralela y multicapa que permite el ajuste independiente de parámetros para la extracción cardíaca y pulmonar, mejorando la precisión de separación en comparación con los enfoques de módulo único.
Manejo de Señales de Signo Mixto: La adaptación del algoritmo de NMF afín con un bloque de escala y desplazamiento, lo que permite que el método procese eficazmente mezclas bioacústicas de signo mixto.
Separación Impulsada por Periodicidad: La utilización de la periodicidad intrínseca de los sonidos cardíacos y pulmonares como criterio de selección para la identificación de fuentes. Este enfoque mejora la precisión sin requerir segmentación manual ni conocimiento previo preciso de los periodos de la señal, una característica que, según los autores, no se había aplicado previamente en la separación bioacústica basada en NMF.

Resultados Experimentales
El método se evaluó en un conjunto de datos sintetizado que comprende 100 casos, donde cada caso consistía en dos mezclas de grabaciones reales de corazón y pulmón. El rendimiento se midió utilizando la Relación Señal a Distorsión (SDR), la Relación Señal a Interferencia (SIR) y la Relación Señal a Artefactos (SAR).

Optimización de Parámetros: A través de 100 experimentos, se identificaron los parámetros óptimos como $\alpha=0.5$ , con el bloque de detección cardíaca utilizando 2 capas y el bloque de detección pulmonar utilizando 1 capa.
Métricas de Rendimiento: El método propuesto logró un SIR promedio de 30.9 dB, un SAR de 17.1 dB y un SDR de 21.2 dB.
Análisis Comparativo: En comparación con métodos recientes basados en NMF (Tsai, Xie, Wang y Candas), el enfoque propuesto demostró un rendimiento superior, particularmente en SIR, que los autores señalan como la métrica más relevante para fines clínicos. Los resultados mostraron mejoras significativas sobre los métodos existentes, que a menudo arrojaron valores de SIR más bajos (por ejemplo, de 10.4 dB a 24.1 dB en estudios comparativos).

Importancia y Afirmaciones
El artículo afirma que el método propuesto ofrece una solución superior para la separación ciega de fuentes de sonidos cardíacos y pulmonares al combinar procesamiento paralelo, estructuras multicapa y explotación de la periodicidad. Los autores enfatizan que el método logra una alta precisión sin necesidad de intervención manual ni conocimiento previo extenso de los periodos de la señal. Si bien los resultados se basan en mezclas sintetizadas de mediciones reales, los autores declaran que el método demuestra "una precisión de separación de fuentes superior" en comparación con otros métodos actuales. Concluyen que el enfoque es prometedor para la aplicación clínica, pero señalan que se requiere una prueba adicional en datos clínicos reales en estudios futuros. El artículo mantiene un tono modesto respecto a las implicaciones futuras, centrándose estrictamente en las mejoras demostradas en las métricas de separación (SDR, SIR, SAR) sobre las técnicas existentes.