Uso de métodos de aprendizaje automático para la monitorización sin contacto de anomalías en los patrones respiratorios Autores: Ciprian Vlad - “Dunărea de Jos” University of Galați (RO) Răzvan Șolea - “Dunărea de Jos” University of Galați (RO) Marian-Viorel Crăciun - “Dunărea de Jos” University of Galați (RO) Cristinel-Marius Tanasă - Logic ECOMSOL SRL (RO) Nicolae Badea - “Dunărea de Jos” University (RO) Viorina Clejăneanu - Logic ECOMSOL SRL (RO) Adrian Zagăr - Logic ECOMSOL SRL (RO) Cristian-Victor Lungu - “Dunărea de Jos” University (RO) Anamaria Ciubară - “Dunărea de Jos” University (RO) Resumen El objetivo del presente trabajo fue desarrollar y evaluar diferentes métodos para medir y detectar anomalías en los patrones respiratorios utilizando un sensor de radar coherente pulsado. Este estudio representa un primer paso crucial hacia el desarrollo de un producto de hardware capaz de salvar vidas. La monitorización sin contacto de las anomalías respiratorias ofrece ventajas significativas frente a los métodos tradicionales que utilizan sensores de contacto, especialmente en escenarios médicos como la recuperación posterior a un accidente cerebrovascular. Los experimentos se realizaron a tres distancias diferentes (0,35–0,45 m, 0,75–0,90 m y 1,20–1,40 m) utilizando un sistema de radar coherente pulsado. Se emplearon métodos de aprendizaje automático, incluidos kNN (k-Nearest Neighbors) y ANN-MLP (Artificial Neural Networks Multilayer Perceptron), para distinguir si la persona monitorizada presentaba patrones respiratorios normales o anormales. Nuestro análisis reveló que el uso de modelos de aprendizaje automático y de señales de datos procedentes del sensor de radar ofrece perspectivas prometedoras para clasificar las anomalías de los patrones respiratorios. Este artículo describe las etapas realizadas para alcanzar este objetivo: a) Equipamiento y procesamiento de datos; b) Ensayos de medición y recopilación de datos; c) Estudio mediante el método k-Nearest Neighbors y redes neuronales de propagación hacia adelante.