Ítem
Acceso Abierto

Intelligent Classification of Urban Noise Sources Using TinyML: Towards Efficient Noise Management in Smart Cities

Mostrar el registro sencillo de la publicación
dc.creatorSneyder Remolina Soto, Maykol
dc.creatorAmaya Guzmán, Brian
dc.creatorAya-Parra, Pedro Antonio
dc.creatorPerdomo, Oscar J.
dc.creatorBecerra-Fernandez, Mauricio
dc.creatorSarmiento-Rojas, Jefferson
dc.date.accessioned2026-01-26T15:23:16Z
dc.date.available2026-01-26T15:23:16Z
dc.date.created2025-08-23
dc.date.issued2025-10-14
dc.descriptionLos niveles de ruido urbano que superan las recomendaciones de la Organización Mundial de la Salud (OMS) constituyen una preocupación creciente debido a sus efectos adversos sobre la salud pública. En Bogotá, Colombia, estudios de la Secretaría Distrital de Ambiente indican que un porcentaje significativo de la población está expuesto a niveles de ruido superiores a los límites recomendados. Esta investigación tiene como objetivo identificar y clasificar en tiempo real las fuentes de ruido ambiental mediante un sistema inteligente embebido. Para ello, se recopilaron 657 fragmentos de audio etiquetados en ocho clases, los cuales fueron procesados utilizando una división de datos para entrenamiento, validación y prueba que garantizó la independencia de los registros. El sistema fue implementado en una plataforma Raspberry Pi 2W equipada con un micrófono UMIK-1 y alimentada por energía solar, lo que permitió su funcionamiento autónomo. El modelo basado en TinyML alcanzó valores elevados de precisión y exhaustividad, demostrando un desempeño robusto en condiciones urbanas reales. Los vehículos pesados y las motocicletas representaron las fuentes de ruido más frecuentes, mientras que los eventos asociados al tráfico aéreo, aunque menos comunes, alcanzaron niveles sonoros que excedieron ampliamente los límites normativos locales. Los resultados evidencian que la clasificación de ruido ambiental mediante inferencia local con TinyML es una estrategia viable y eficiente, al reducir la latencia, el uso de ancho de banda y los riesgos para la privacidad. Este enfoque ofrece una base escalable y sostenible para la gestión del ruido en ciudades inteligentes y para el diseño de políticas públicas orientadas a mejorar el bienestar urbano.
dc.description.abstractUrban noise levels that exceed the World Health Organization (WHO) recommendations have become a growing concern due to their adverse effects on public health. In Bogotá, Colombia, studies by the District Department of Environment (SDA) indicate that 11.8% of the population is exposed to noise levels above the WHO limits. This research aims to identify and categorize environmental noise sources in real time using an embedded intelligent system. A total of 657 labeled audio clips were collected across eight classes and processed using a 60/20/20 train–validation–test split, ensuring that audio segments from the same continuous recording were not mixed across subsets. The system was implemented on a Raspberry Pi 2W equipped with a UMIK-1 microphone and powered by a 90 Wsolar panel with a 12 V battery, enabling autonomous operation. The TinyML-based model achieved precision and recall values between 0.92 and 1.00, demonstrating high performance under real urban conditions. Heavy vehicles and motorcycles accounted for the largest proportion of classified samples. Although airplane-related events were less frequent, they reached maximum sound levels of up to 88.4 dB(A), exceeding the applicable local limit of 70 dB(A) by approximately 18 dB(A) rather than by percentage. In conclusion, the results demonstrate that on-device TinyML classification is a feasible and effective strategy for urban noise monitoring. Local inference reduces latency, bandwidth usage, and privacy risks by eliminating the need to transmit raw audio to external servers. This approach provides a scalable and sustainable foundation for noise management in smart cities and supports evidence-based public policies aimed at improving urban well-being. This work presents an introductory and exploratory study on the application of TinyML for acoustic environmental monitoring, aiming to evaluate its feasibility and potential for large-scale implementation.
dc.format.extent21 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.3390/s25206361
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47311
dc.language.isoeng
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto completo)spa
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationBasner, M.; Babisch, W.; Davis, A.; Brink, M.; Clark, C.; Janssen, S.; Stansfeld, S. Auditory and Non-Auditory Effects of Noise on Health. Lancet 2014, 383, 1325–1332.
dc.source.bibliographicCitationBurden of Disease from Environmental Noise—Quantification of Healthy Life Years Lost in Europe. Available online: https: //www.who.int/publications/i/item/9789289002295 (accessed on 28 August 2024).
dc.source.bibliographicCitationAsdrubali, F.; D’Alessandro, F. Innovative Approaches for Noise Management in Smart Cities: A Review. Curr. Pollut. Rep. 2018, 4, 143–153.
dc.source.bibliographicCitationPita, A.; Navarro-Ruiz, J.M. Identificación y Predicción de Patrones de Contaminación Acústica en Ciudades Inteligentes Mediante IA ySensores Acústicos. conRderuido.com. 2025. Available online: https://conrderuido.com/rderuido/ia-que-identifica-y predice-patrones-de-contaminacion-acustica/
dc.source.bibliographicCitationKumar, A.M.P.S.; Jagadeesh, S.V.V.D.; Siddarth, G.; Phani Sri, K.M.; Rajesh, V. Real Time Noise Pollution Prediction in a City Using Machine Learning and IoT. Grenze Int. J. Eng. Technol. 2024, 10, 1874–1882.
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectRuido urbano
dc.subjectContaminación acústica
dc.subjectMonitoreo ambiental
dc.subjectTinyML
dc.subjectSistemas embebidos
dc.subjectCiudades inteligentes
dc.subjectClasificación de audio
dc.subjectSalud pública
dc.subjectEnergía solar
dc.subjectPolíticas públicas basadas en evidencia
dc.subject.keywordUrban noise
dc.subject.keywordPublic health
dc.subject.keywordTinyML
dc.subject.keywordAcoustic models
dc.subject.keywordML classification
dc.subject.keywordYAMNet
dc.titleIntelligent Classification of Urban Noise Sources Using TinyML: Towards Efficient Noise Management in Smart Cities
dc.typejournalArticle
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersion
dc.type.spaArtículo
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Intelligent_Classification_of_Urban_Noise_Sources.pdf
Tamaño:
3.25 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Artículos