Optimización del Rendimiento de los Electrodos en EMG y EIT para una Mejor Adquisición de Datos Musculares

Tue, 21 Oct 2025 00:00:00 +0000

Optimizar el rendimiento de los electrodos en la electromiografía (EMG) y la tomografía de impedancia eléctrica (EIT) es fundamental para avanzar en la adquisición de datos musculares. Este estudio evalúa sistemáticamente varios tipos, formas y materiales de electrodos, centrándose en optimizar la relación señal/ruido, la durabilidad y la usabilidad a largo plazo. Una contribución clave de esta investigación es la identificación de los electrodos de acero inoxidable como la opción más eficiente, demostrando una estabilidad de señal superior, resistencia a la oxidación y reutilización en comparación con las alternativas desechables. Este hallazgo no solo mejora la confiabilidad de las mediciones de EMG y EIT, sino que también ofrece una solución sostenible y rentable para aplicaciones clínicas y de investigación. Al proporcionar evidencia empírica sobre la selección y el diseño de electrodos, este estudio sienta las bases para mejorar las metodologías en rehabilitación, medicina deportiva y neurología, lo que en última instancia mejora la atención al paciente y profundiza la comprensión de la fisiología muscular.

Clasificación de Lesiones del Intestino Delgado en Imágenes de Endoscopia por Videocápsula Utilizando un Modelo Mejorado de Aprendizaje Profundo

Sun, 21 Sep 2025 00:00:00 +0000

La endoscopia por videocápsula (VCE, por sus siglas en inglés) es un procedimiento no invasivo para diagnosticar lesiones del intestino delgado (SB). Durante los procedimientos de VCE, la cámara en miniatura captura miles de imágenes, lo que requiere mucho tiempo y esfuerzo por parte de los profesionales de la salud para examinar cada imagen en busca de anomalías. El objetivo de este estudio es desarrollar y evaluar un modelo modificado de red neuronal convolucional (CNN) DenseNet-201 para ayudar en la clasificación automática de las lesiones del intestino delgado en imágenes de VCE. Se creó un conjunto de datos representativo de 5,899 imágenes mediante la combinación de dos conjuntos de datos del estado del arte, incluyendo seis tipos de lesiones y una clase sin lesiones. Un método de sobremuestreo sintético generó 1,273 imágenes sintéticas para la clase infrarrepresentada. La calidad de las imágenes sintéticas se evaluó mediante métricas de textura. El experimento se llevó a cabo con un conjunto de 7.172 imágenes utilizando particiones de datos del 70 %, 15 % y 15 % para entrenamiento, validación y prueba, respectivamente, con una validación cruzada Monte Carlo para verificar la coherencia de los resultados experimentales. El modelo alcanzó una exactitud del 89.78 %, una precisión del 89.66 %, una sensibilidad del 89.69 %, una especificidad del 89.72 % y una puntuación F1 del 89.67 % en el conjunto de pruebas. El modelo CNN DenseNet-201 modificado podría ser una valiosa herramienta para diagnosticar afecciones del SB y mejorar los resultados de los pacientes.

Revista Mexicana de Ingenieria Biomedica

Optimización del Rendimiento de los Electrodos en EMG y EIT para una Mejor Adquisición de Datos Musculares

Clasificación de Lesiones del Intestino Delgado en Imágenes de Endoscopia por Videocápsula Utilizando un Modelo Mejorado de Aprendizaje Profundo