Manikin-Recorded Cardiopulmonary Sounds Dataset Using Digital Stethoscope

Resumen Técnico: Conjunto de Datos de Sonidos Cardiopulmonares Grabados con Maniquí Utilizando Estetoscopio Digital

Enunciado del Problema
Las enfermedades cardiopulmonares siguen siendo una de las principales causas de mortalidad a nivel mundial, lo que hace necesaria un análisis preciso de las funciones cardíacas y pulmonares. Aunque la auscultación es una herramienta diagnóstica vital, las señales acústicas involucradas son débiles y requieren un análisis sofisticado. Aunque la Inteligencia Artificial (IA) y el aprendizaje automático han avanzado en la toma de decisiones clínicas, su eficacia se ve limitada por la escasez de conjuntos de datos de alta calidad y diversos que contengan tanto sonidos cardíacos como pulmonares. Los conjuntos de datos existentes a menudo se centran exclusivamente en sonidos cardíacos o respiratorios, carecen de grabaciones mixtas o dependen de la mezcla posterior de archivos separados en lugar de una captura simultánea. Además, muchas obras anteriores utilizan estetoscopios electrónicos más antiguos con menor resolución en comparación con las alternativas digitales modernas.

Metodología
Para abordar estas brechas, los autores desarrollaron un conjunto de datos utilizando un entorno controlado y libre de riesgos que involucra un maniquí de habilidades clínicas y hardware de grabación avanzado.

• Fuente de Datos: Las grabaciones se generaron utilizando el simulador de pacientes de fidelidad media CAE Juno™, que cuenta con pieles de pecho intercambiables para hombres y mujeres y es capaz de simular ciclos cardíacos y ventilación sincronizados. El simulador se controló mediante el software CAE Maestro en una tableta conectada vía Wi-Fi, lo que permitió el ajuste en tiempo real de los parámetros de simulación.
• Hardware de Grabación: El estudio utilizó el Estetoscopio Digital 3M™ Littmann® CORE, conectado vía Bluetooth a una aplicación móvil para visualización y almacenamiento. Este dispositivo ofrece una amplificación de hasta 40 veces, cancelación activa de ruido (reducción del 85%) y filtros de frecuencia integrados.
• Protocolo de Grabación:
  • Entorno: Las grabaciones se realizaron en un colaboratorio profesional de práctica silencioso y libre de ruido, con el maniquí en posición sentada.
  • Ubicaciones: Los sonidos se capturaron desde 12 puntos de referencia anatómicos distintos, incluidos los sitios estándar de auscultación cardíaca (Ápex, RUSB, LUSB, LLSB, RC, LC) y zonas pulmonares (Superior, Media e Inferior Anterior en ambos lados derecho e izquierdo).
  • Filtros: Se emplearon tres modos de filtro según el sonido objetivo: modo Campana (20–200 Hz) para sonidos cardíacos de baja frecuencia, modo Diafragma (100–500 Hz) para sonidos pulmonares de alta frecuencia y modo Rango Medio (50–500 Hz) para grabaciones mixtas.
  • Duración: Cada grabación duró 15 segundos, capturada a una tasa de muestreo de 22,050 Hz en formato .wav.
• Composición de los Datos: El conjunto de datos final comprende 210 grabaciones (101 femeninas, 109 masculinas) categorizadas en tres grupos:
  1. Sonidos Cardíacos (HS): 50 grabaciones que cubren sonidos normales y 9 anomalías (por ejemplo, soplos, fibrilación auricular, taquicardia, S3/S4).
  2. Sonidos Pulmonares (LS): 50 grabaciones que cubren sonidos normales y 5 anomalías (por ejemplo, sibilancias, estertores, roncus, roce pleural, gorgoteo).
  3. Sonidos Mixtos (Mix): 110 grabaciones que capturan simultáneamente sonidos cardíacos y pulmonares con diversas combinaciones de las patologías mencionadas anteriormente.
• Validación: Un equipo de enfermería verificó la identificación de los puntos de referencia de auscultación. Se realizó un análisis cualitativo mediante la escucha de archivos de audio para asegurar la alineación con los patrones fisiológicos esperados. El maniquí se calibra anualmente para garantizar la precisión.

Contribuciones Clave
La contribución principal de este trabajo es el lanzamiento de un conjunto de datos novedoso que ofrece grabaciones mixtas cardiorespiratorias simultáneas y de ocurrencia natural, una característica que los autores señalan está ausente en conjuntos de datos importantes anteriores (por ejemplo, los de Tsai et al., Fraiwan et al. y Oliveira et al.).

• Grabaciones Mixtas Únicas: A diferencia de los conjuntos de datos donde los sonidos cardíacos y pulmonares se graban por separado y se mezclan algorítmicamente, este conjunto de datos captura la superposición natural de las señales, lo cual es crítico para desarrollar técnicas de separación no supervisada como la separación ciega de fuentes.
• Diversidad: El conjunto de datos incluye un rango más amplio de anomalías que los estudios anteriores basados en simuladores, abarcando diez tipos distintos de sonidos cardíacos y seis tipos de sonidos pulmonares.
• Alta Fidelidad: El uso de un estetoscopio digital con filtrado avanzado y cancelación de ruido proporciona una mayor resolución y señales más limpias en comparación con los conjuntos de datos grabados con estetoscopios electrónicos más antiguos.
• Metadatos: Cada archivo va acompañado de un archivo CSV que contiene metadatos detallados, incluidos el género, tipos específicos de sonidos y ubicación anatómica, siguiendo una convención de nomenclatura estructurada.

Resultados y Validación
El estudio generó con éxito 210 archivos de audio de alta calidad. Los autores validaron los datos mediante:

1. Especificaciones Técnicas: Confirmación de la respuesta de frecuencia y las capacidades de cancelación de ruido del estetoscopio (Tabla 1).
2. Análisis Cualitativo: Verificación por expertos de que las formas de onda grabadas y los espectrogramas (visualizados en las Figuras 5 y 6) coincidían con los patrones fisiológicos esperados.
3. Reproducibilidad: El uso de un maniquí estandarizado y un protocolo de grabación asegura que el conjunto de datos pueda reproducirse en escenarios similares.

Significado y Afirmaciones
Los autores posicionan este conjunto de datos como un recurso valioso para las comunidades de investigación en ingeniería biomédica e IA. Afirman que su utilidad específica radica en:

• Desarrollo de Algoritmos: Apoya tanto el aprendizaje supervisado (para la clasificación de sonidos cardíacos/pulmonares distintos) como el aprendizaje no supervisado (para agrupamiento y separación ciega de fuentes de señales mixtas).
• Aplicaciones Clínicas: El conjunto de datos está destinado a su uso en la detección automatizada de enfermedades cardiopulmonares, clasificación de sonidos y tareas de procesamiento de señales como el Análisis de Componentes Principales (PCA), el Análisis de Componentes Independientes (ICA), las Máquinas de Vectores de Soporte (SVM) y las Redes Neuronales Convolucionales (CNN).
• Fundamento para Trabajos Futuros: Los autores señalan que ya han utilizado este conjunto de datos para proponer un método modificado de factorización de matriz no negativa afín (NMF) para la separación ciega, demostrando su aplicabilidad inmediata a la investigación avanzada en procesamiento de señales.

El artículo concluye que, al proporcionar grabaciones limpias, aisladas y mixtas en un entorno de simulación realista, este conjunto de datos aborda un cuello de botella crítico en el entrenamiento de modelos de IA robustos para el monitoreo cardiopulmonar.