RT book part
T1 Artificial neural network-based model to characterize the reverberation time of a neonatal incubator
A1 Puyana Romero, Virginia
A1 Tamayo-Guamán, Lender Michael
A1 Núñez-Solano, Daniel
A1 Hernández Molina, Ricardo
A1 Ciaburro, Giuseppe
A2 Máquinas y Motores Térmicos
K1 reverberation time
K1 Neonates’ well-being
K1 Neonatal incubator
K1 Acoustic environment
K1 Artificial neural network
AB Varios estudios han medido niveles de ruido en unidades de cuidados intensivos neonatales que superan los 45 dB recomendados por la Academia Estadounidense de Pediatría. Además, los materiales que componen tanto las incubadoras como las UCIN son acústicamente reflectantes, lo que hace que la persistencia del sonido sea más prolongada. Los altos niveles de ruido junto con la reverberación hacen que el interior de las incubadoras sea un ambiente acústico perjudicial. Estos problemas acústicos podrían ser parcialmente reducidos por los diseñadores de incubadoras si se definieran los tiempos de reverberación a los que está expuesto el neonato -dentro de la incubadora-. El presente artículo tiene como objetivo caracterizar el tiempo de reverberación en diferentes puntos de una incubadora, aproximadamente a la altura de la oreja del neonato. Para ello, se desarrolló una red neuronal artificial (RNA), utilizando el algoritmo de entrenamiento de Levenberg-Marquardt. Se han considerado como datos objetivo 30 mediciones del tiempo de reverberación en 14 posiciones diferentes de la incubadora -para cada una de las dos posiciones de fuente de sonido utilizadas-. El tiempo de reverberación se midió en bandas de tercio de octava, desde 100 Hz hasta 5000 Hz. El número de ubicaciones de micrófonos y fuentes de sonido, las coordenadas X, Y y Z, y las simulaciones de los niveles de ruido en cada posición se han utilizado como variables dependientes. Los datos se dividieron en tres conjuntos elegidos al azar: aprendizaje (70 %), prueba (15 %) y conjunto de validación (15 %). Los resultados obtenidos mostraron un desempeño satisfactorio del modelo de red neuronal calculado, con un Coeficiente de Correlación de Pearson R= 0.893 y un Error Cuadrático Medio MSE=8.29e-2 para el conjunto de datos de entrenamiento.
PB Springer Nature
SN 978-3-031-40687-4
YR 2023
FD 2023-09-29
LK http://hdl.handle.net/10498/31289
UL http://hdl.handle.net/10498/31289
LA eng
DS Repositorio Institucional de la Universidad de Cádiz
RD 10-nov-2026