Implementación de una red neuronal MLP para la detección automática de Emisiones Otoacústicas Transientes

Resumen

La hipoacusia presenta una incidencia de 6 por cada mil nacidos vivos, y afecta al 5% de la población mundial, ocupando el primer lugar entre los déficits sensoriales más prevalentes. A partir de los 6 meses de edad comienza un período crítico en el desarrollo del niño, donde se alcanza el mayor potencial de plasticidad neural, y el daño auditivo es irreversible. El diagnóstico e intervención temprana, permite lograr a largo plazo niveles de desarrollo intelectual adecuados, por lo que es necesaria la implementación de programas de cribado auditivo neonatal. Las técnicas fundamentales utilizadas en el cribado neonatal auditivo emplean las Emisiones Otoacústicas Transientes (EOAT) como indicador del funcionamiento integral de la cóclea, empleando herramientas de detección automática. En esta investigación se presenta la implementación de un método de detección automática de EOAT basado en una red neuronal multicapa. Se diseñó una Wide Neural Network de una sola capa intermedia con 100 neuronas, y se implementó en un microcontrolador sobre el sistema de cribado neonatal Infantix. El método basado en la red neuronal se validó mediante un estudio en 50 sujetos adultos. Los resultados de la validación muestran una mejora en el rendimiento de la prueba de EOAT en el sistema Infantix, al compararlo con un método basado en umbrales, implementado sobre el mismo sistema. De esta forma, el empleo de una red neuronal para clasificación de señales con patrones complejos dota al sistema Infantix de una herramienta fiable e inteligente en la detección automática de EOAT.
Palabras Clave: hipoacusia infantil; despistaje auditivo neonatal; detección automática del déficit auditivo; diagnóstico temprano de hipoacusia; redes neuronales; potenciales evocados auditivos (PEA); detección de bioseñales; aprendizaje automático; reconocimiento de patrones.

ABSTRACT
Hearing loss has an incidence of 6 per 1,000 live births and affects 5% of the global population, ranking as the most prevalent sensory deficit. At 6 months of age, a critical period begins in a child’s development where the greatest potential for neural plasticity is reached, yet auditory damage becomes irreversible. Early diagnosis and intervention enable adequate levels of intellectual development over the long term, making newborn hearing screening programs essential. Key techniques in neonatal hearing screening utilize Transient Otoacoustic Emissions (TEOAE) as indicators of cochlear function, employing automated detection tools. This study presents the implementation of an automatic TEOAE detection method based on a multilayer neural network. A Wide Neural Network with a single hidden layer of 100 neurons was designed and implemented on the Infantix newborn screening system. The neural network-based method was validated through a study involving 50 adult subjects. Validation results show an improvement in TEOAE test performance in the Infantix system compared to a threshold-based method implemented on the same system. Thus, using a neural network for the classification of complex-pattern signals provides the Infantix system with a reliable and intelligent tool for automatic TEOAE detection.
Keywords: hearing loss in children; newborn hearing screening; automatic detection of hearing loss; early diagnosis of hearing loss; neural network; auditory evoked potentials (AEP); bio-signal detection; automatic learning; pattern recognition.