Ítem
Acceso Abierto

Cuidado neonatal mediante internet de las cosas médicas: validación y evaluación de un sistema de monitoreo en incubadoras

Mostrar el registro sencillo de la publicación
dc.contributor.advisorSarmiento Rojas, Jefferson Steven
dc.contributor.advisorAya Parra, Pedro Antonio
dc.contributor.gruplacGiBiome
dc.creatorTabares Sánchez, Valeria
dc.creator.degreeMagíster en Ingeniería Biomédica
dc.creator.degreeMagíster en Ingeniería Biomédicaspa
dc.creator.degreeLevelMaestría
dc.date.accessioned2026-02-05T22:36:05Z
dc.date.available2026-02-05T22:36:05Z
dc.date.created2025-12-12
dc.descriptionEl nacimiento prematuro representa un desafío clínico y tecnológico significativo, dado que la interrupción del desarrollo intrauterino expone al neonato a condiciones ambientales radicalmente distintas, particularmente dentro de las Unidades de Cuidados Intensivos Neonatales (UCIN). En este entorno, variables como la temperatura, la humedad y el ruido influyen directamente en la estabilidad fisiológica y el neurodesarrollo del recién nacido. Ante esta problemática, la presente investigación tuvo como objetivo diseñar un sistema de monitoreo basado en Internet de las Cosas (IoT) para la gestión de variables relevantes en incubadoras neonatales, incorporando además herramientas de inteligencia artificial (IA) para el análisis de sonido. La metodología se estructuró en dos fases: la primera consistió en la implementación y evaluación del sistema IoT para la medición remota de temperatura, humedad, sonido y voltaje de batería; la segunda, en el entrenamiento de un modelo de IA capaz de clasificar fuentes acústicas relevantes mediante estrategias de Transfer Learning. Los resultados evidenciaron un desempeño estable del sistema, con una disponibilidad del 94,23 %, un tiempo medio entre fallos (MTBF) de 32 horas y un tiempo medio de recuperación (MTTR) de 118 minutos. La temperatura y la batería mostraron comportamientos estables, mientras que la humedad presentó variabilidad esperable y el sonido se consolidó como la variable más crítica, con la mayor frecuencia de valores extremos. Respecto a la IA, el modelo basado en red neuronal convolucional clásica alcanzó un accuracy del 99 % y métricas sobresalientes de precision, recall y F1-score (0,99), superando al modelo de Transfer Learning con Keyword Spotting lo que confirma su potencial aplicación en entornos hospitalarios para el monitoreo continuo y la interpretación avanzada de eventos sonoros. En conclusión, la integración de tecnologías IoT e IA permite avanzar hacia entornos de cuidado neonatal más seguros y humanizados, donde la supervisión ambiental no solo cuantifica, sino también interpreta las condiciones sensoriales, favoreciendo el bienestar y el neurodesarrollo del neonato.
dc.description.abstractPremature birth represents a significant clinical and technological challenge, given that the interruption of intrauterine development exposes the newborn to radically different environmental conditions, particularly within Neonatal Intensive Care Units (NICUs). In this environment, variables such as temperature, humidity, and noise directly influence the physiological stability and neurodevelopment of the newborn. Given this problem, the objective of this research was to design an Internet of Things (IoT)-based monitoring system for managing relevant variables in neonatal incubators, also incorporating artificial intelligence (AI) tools for sound analysis. The methodology was structured in two phases: the first consisted of implementing and evaluating the IoT system for remote measurement of temperature, humidity, sound, and battery voltage; the second consisted of training an AI model capable of classifying relevant acoustic sources using transfer learning strategies. The results showed stable system performance, with 94.23% availability, a mean time between failures (MTBF) of 32 hours, and a mean time to repair (MTTR) of 118 minutes. Temperature and battery showed stable behavior, while humidity presented expected variability and sound emerged as the most critical variable, with the highest frequency of extreme values. With regard to AI, the model based on a classic convolutional neural network achieved 99% accuracy and outstanding precision, recall, and F1-score (0.99) metrics, outperforming the Transfer Learning model with Keyword Spotting, confirming its potential application in hospital environments for continuous monitoring and advanced interpretation of sound events. In conclusion, the integration of IoT and AI technologies allows us to move towards safer and more humanized neonatal care environments, where environmental monitoring not only quantifies but also interprets sensory conditions, promoting the well-being and neurodevelopment of the newborn.
dc.format.extent76 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47469
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47469
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisherEscuela Colombiana de Ingeniería Julio Garavito
dc.publisher.departmentEscuela de Medicina y Ciencias de la Saludspa
dc.publisher.programMaestría en Ingeniería Biomédicaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
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.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationOhuma EO, Moller A-B, Bradley E, et al. National, regional, and global estimates of preterm birth in 2020, with trends from 2010: a systematic analysis. The Lancet. 2023;402(10409):1261-1271.
dc.source.bibliographicCitationMathers CD. History of global burden of disease assessment at the World Health Organization. Archives of Public Health. 2020; 78:1-13.
dc.source.bibliographicCitationJain N. Early diagnosis and intervention—On neonatal follow-up. In: Principles of Neonatology. Elsevier; 2024. p. 797-801.
dc.source.bibliographicCitationEl-Metwally DE, Medina AE. The potential effects of NICU environment and multisensory stimulation in prematurity. Pediatr Res. 2020;88(2):161-162.
dc.source.bibliographicCitationChung EH, Chou J, Brown KA. Neurodevelopmental outcomes of preterm infants: a recent literature review. Transl Pediatr. 2020;9(Suppl 1): S3.
dc.source.bibliographicCitationGraven SN, et al. The high-risk infant environment. Part 2. The role of caregiving and the social environment. J Perinatol. 1992;12(3):267-275.
dc.source.bibliographicCitationAls H, McAnulty GB. The newborn individualized developmental care and assessment program (NIDCAP) with kangaroo mother care (KMC): comprehensive care for preterm infants. Curr Womens Health Rev. 2011;7(3):288-301.
dc.source.bibliographicCitationBalseiro-Almario L, et al. Prevención de alteraciones ambientales que inciden en el neurodesarrollo de los neonatos en la UCIN: Intervenciones de Enfermería Especializada. Rev Enferm Neurol. 2016;15(3):139-152.
dc.source.bibliographicCitationGraven SN, Browne JV. Sensory development in the fetus, neonate, and infant: introduction and overview. Newborn Infant Nurs Rev. 2008;8(4):169-172.
dc.source.bibliographicCitationGubbi J, Buyya R, Marusic S, Palaniswami M. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Gener Comput Syst. 2013;29(7):1645-1660.
dc.source.bibliographicCitationRay PAP. A review on TinyML: State-of-the-art and prospects. J King Saud Univ Comput Inf Sci. 2022;34(4):1595-1623.
dc.source.bibliographicCitationYap XHV, Tu KC, Chen NC, et al. Developing a high-performance AI model for spontaneous intracerebral hemorrhage mortality prediction using machine learning in ICU settings. BMC Med Inform Decis Mak. 2025;25(1):149.
dc.source.bibliographicCitationKim E, Kim J, Park J, Ko H, Kyung Y. TinyML-based classification in an-ECG monitoring embedded system. Comput Mater Continua. 2023;75(1).
dc.source.bibliographicCitationMala DJ, Padmavathy TV, Reynold AP, Meena M. Edge analytics with TinyML technique for MIoT applications for personalized healthcare in smart nation. In: 2023 Second International Conference on Smart Technologies for Smart Nation (SmartTechCon). IEEE; 2023. p. 39-54.
dc.source.bibliographicCitationMihigo IN, Zennaro M, Uwitonze A, Rwigema J, Rovai M. On-device IoT-based predictive maintenance analytics model: comparing TinyLSTM and TinyModel from Edge Impulse. Sensors. 2022;22(14):5174.
dc.source.bibliographicCitationMohino-Herranz I, García-Gómez J, Alonso-Diaz S, et al. Implementing transfer learning for sound event classification using the Realised Audio Database. Measurement: Sensors. 2025;101711.
dc.source.bibliographicCitationJung S, Park J, Lee S. Polyphonic sound event detection using convolutional bidirectional LSTM and synthetic data-based transfer learning. In: ICASSP 2019 IEEE International Conference on Acoustics, Speech, and Signal Processing. IEEE; 2019. p. 885-889.
dc.source.bibliographicCitationGuilabert Torregrosa I. Modelado de entornos inteligentes para atención en las primeras etapas de vida. Universidad de Alicante; 2010.
dc.source.bibliographicCitationEgan F. El ABC del cuidado de enfermería en los bebés prematuros extremos – Segunda parte –. Rev Enfer Neon. 2006.
dc.source.bibliographicCitationSamartharam H, Vasudeva N, Ila SS. The role of humidity in the management of premature neonates in a rural incubator. Cureus. 2021;13(4).
dc.source.bibliographicCitationInstituto Nacional de Salud. Manual para la realización de unidades de análisis de eventos de interés en salud pública priorizados. 2024. Disponible en: https://www.ins.gov.co/BibliotecaDigital/manual-unidad-de-analisis-2024.pdf
dc.source.bibliographicCitationFontes I, Melo A, Frery AC, Aquino A. Sensor sound classification in neonatal intensive care units based on multiple features and neural networks. In: 2024 IEEE 21st Consumer Communications & Networking Conference (CCNC). IEEE; 2024. p. 507-512.
dc.source.bibliographicCitationTailleur M, Lostanlen V, Rivière JP, Aumond P. Machine listening in a neonatal intensive care unit. arXiv preprint. 2024; arXiv:2409.11439.
dc.source.bibliographicCitationHutchinson G, Du L, Ahmad K. Incubator-based sound attenuation: active noise control in a simulated clinical environment. PLoS One. 2020;15(7): e0235287.
dc.source.bibliographicCitationFahmi F, et al. Design of an IoT-based smart incubator that listens to the baby. In: IOP Conference Series: Materials Science and Engineering. Vol. 1003. IOP Publishing; 2020. p. 012153.
dc.source.bibliographicCitationDarniss, et al. An IoT-based vitals monitoring system for babies in neonatal intensive care unit. In: 2022 IEEE 10th Region 10 Humanitarian Technology Conference (R10-HTC). IEEE; 2022. p. 130-135.
dc.source.bibliographicCitationNajib SM, et al. Intelligent neonatal monitoring system based on android application using multi sensors. In: 2019 IEEE 9th Symposium on Computer Applications & Industrial Electronics (ISCAIE). IEEE; 2019. p. 131-135.
dc.source.bibliographicCitationRassels K. Accurate body temperature measurement of a neonate using thermography technology. 2021. doi:10.1109/SSI52265.2021.9467024.
dc.source.bibliographicCitationAbdulla R, Lai NS, Kalilani M. IoT-based neonatal incubator for the developing world and conflict zones. 2021.
dc.source.bibliographicCitationAbd El Aziz R, Taloba A. Real-time monitoring and control of neonatal incubator using IoT. 2021.
dc.source.bibliographicCitationIrianto B, Maghfiroh A, Sofie M, Kholiq. Baby incubator with overshoot reduction system using PID control equipped with heart rate monitoring based on the Internet of Things. Int J Technol. 2023;14(4). doi:10.14716/ijtech. v14i4.5678.
dc.source.bibliographicCitationJadhav P. Development of incubator monitoring system using IoT. 2024.
dc.source.bibliographicCitationLamidi L, Kholiq A, Ali M. A low-cost baby incubator design equipped with vital sign parameters. Indonesian J Electron Electromed Eng Med Inform. 2021. doi:10.35882/ijeeemi. v3i2.3
dc.source.bibliographicCitationAiniyah S, Andayani D, Pundji A, Shaib M. Development of incubator analyzer based on computer with temperature and humidity parameters. J Electron Electromed Eng Med Inform. 2020. doi:10.35882/jeeemi. v2i2.3
dc.source.bibliographicCitationAlthahab AQJ, Vuksanovic B, Al-Mosawi M, Ma H. Acoustics Australia. Reino Unido; 2024.
dc.source.bibliographicCitationRaboshchuk G, Nadeu C, Ghahabi O, Solvez S, Mahamud BM, Veciana AR, Hervas SN. In: Proc. Interspeech 2014. España; 2014.
dc.source.bibliographicCitationRuiz J, Romero R, Buitrago A, Barragán C, Estrada D. Guía de práctica clínica del recién nacido prematuro. Colombia: Ministerio de Salud y Protección Social; 2013.
dc.source.bibliographicCitationAsociación Colombiana de Neonatología. Criterios de ingreso y egreso a las unidades de recién nacidos en Colombia. 2020. Disponible en: https://ascon.org.co/wp-content/uploads/2020/05/28.05.2020-CRITERIOS-INGRESO-Y-EGRESO-UNIDADES-DE-RECIÉN-NACIDOs.pdf
dc.source.bibliographicCitationOhuma E, Moller A-B, Bradley E, et al. National, regional, and worldwide estimates of preterm birth in 2020, with trends from 2010: a systematic analysis. 2023. doi:10.1016/S0140-6736(23)00878-4.
dc.source.bibliographicCitationSarmiento-Guzmán MP, Pardo-Carrero R, Jaramillo-Bustamante JC, Fernández-Laverde M, Guzmán-Díaz MC, Izquierdo-Borrero LM, Benavidez MV. Criterios de admisión y egreso para las unidades pediátricas de cuidados intensivos e intermedios en Colombia. Acta Colomb Cuid Intensivo. 2016; 16:1-8.
dc.source.bibliographicCitationCeruti E. Fisiología y patología respiratoria del feto y recién nacido. Rev Chil Pediatr. 1973;44(6):503-522.
dc.source.bibliographicCitationMinisterio de Salud Argentina. Manejo hidroelectrolítico – Termorregulación – Cuidado de la piel – Atención y cuidado del recién nacido prematuro. 2020. Disponible en: http://argentina.gob.ar/sites/default/files/bancos/2020-09/he-piel-prematuros.pdf
dc.source.bibliographicCitationBatterySpace. RCR-3.0V Rechargeable Lithium Cell Data Sheet. 2010. Disponible en: https://www.batteryspace.com/prod-specs/RCR3.00v.pdf?srsltid=AfmBOooyRf2APSH1kgkPetVJfShM9fdcTNZMfo0uvc2x1ncVQkv3DAMt
dc.source.bibliographicCitationAnalog Devices. ADMP401 Omnidirectional Microphone Data Sheet. 2012; Rev D. Disponible en: https://www.analog.com/media/en/technical-documentation/obsolete-data-sheets/admp401.pdf
dc.source.bibliographicCitationSparkFun Electronics. DHT22 Digital Humidity and Temperature Sensor Data Sheet. 2015. Disponible en: https://cdn.sparkfun.com/assets/f/7/d/9/c/DHT22.pdf
dc.source.bibliographicCitationSeeed Studio. Seeed-Studio XIAO Series SOM Datasheet. 2020. Disponible en: https://files.seeedstudio.com/wiki/XIAO/Seeed-Studio-XIAO-Series-SOM-Datasheet.pdf
dc.source.bibliographicCitationSeeed Studio. ESP32-S3 Series Datasheet. 2023. Disponible en: https://files.seeedstudio.com/wiki/SeeedStudio-XIAO-ESP32S3/res/esp32-s3_datasheet.pdf
dc.source.bibliographicCitationEdge Impulse. Audio MFE. Edge Impulse Documentation. 2022. Disponible en: https://docs.edgeimpulse.com/studio/projects/processing-blocks/blocks/audio-mfe
dc.source.bibliographicCitationCorreal, M. E., Marthá, J. E., & Sarmiento, R. Influencia de la variabilidad climática en las enfermedades respiratorias agudas en Bogotá. 2015. Biomédica, 35(SPE), 130-138.
dc.source.bibliographicCitationKlima, M., Rechtberger, V., Bures, M., Bellekens, X., Hindy, H., & Ahmed, B. S. Quality and reliability metrics for IoT systems: a consolidated view. 2020. In International Summit Smart City 360° (pp. 635-650).
dc.source.bibliographicCitationScholtz, B., Kapeso, M., & Van Belle, J. P. An internet of things (iot) model for optimising downtime management: a smart lighting case study. 2018. In IFIP International Internet of Things Conference (pp. 89-104).
dc.source.bibliographicCitationFathy, A., El-Sayed, N., & Salah, K. Enhancing System Reliability and Resilience through Advanced Anomaly Detection Techniques in Critical Infrastructures. Quarterly Journal of Emerging Technologies and Innovations. 2022;7(1):17-39.
dc.source.bibliographicCitationParhizkari, S. Anomaly detection in intrusion detection systems. 2023. Anomaly Detection-Recent Advances, AI and ML Perspectives and Applications.
dc.source.bibliographicCitationHanif, M. A., Wadood, A., Ahmad, R. W., Shah, S. A., & Khan, R. Real-Time Anomaly Detection in IoT Sensor Data Using Statistical and Machine Learning Methods. 2025. ACADEMIA International Journal for Social Sciences, 4(3), 5203-5227.
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectDesarrollo neurosensorial
dc.subjectIncubadora
dc.subjectInteligencia Artificial
dc.subjectInternet de las cosas
dc.subjectMachine Learning
dc.subjectUnidad de Cuidado Intensivo Neonatal
dc.subject.keywordArtificial Intelligence
dc.subject.keywordIncubator
dc.subject.keywordInternet of Things
dc.subject.keywordNeonatal Intensive Care Unit
dc.subject.keywordNeurosensory development
dc.titleCuidado neonatal mediante internet de las cosas médicas: validación y evaluación de un sistema de monitoreo en incubadoras
dc.title.TranslatedTitleNeonatal Care Using the Internet of Medical Things: Validation and Evaluation of an Incubator Monitoring System
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Cuidado_Neonatal_mediante_Internet_de_las_Cosas_Medicas_Validacion_y_Evaluacion_de_un_Sistema_de_Monitoreo_en_Incubadoras.pdf
Tamaño:
2.51 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Ingeniería Biomédica