Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 59
VISIÓN ARTIFICIAL APLICADA AL MONITOREO NO INVASIVO DE LA FRECUENCIA
RESPIRATORIA
COMPUTER VISION APPLIED TO NON-INVASIVE RESPIRATORY RATE
MONITORING
Autores: ¹David Eduardo Sánchez Espinoza y ²José Omar Cabrera Escobar.
¹ORCID ID: https://orcid.org/0000-0001-6388-1237
²ORCID ID: https://orcid.org/0000-0002-0197-5163
¹E-mail de contacto: davide.sanchez@unach.edu.ec
²E-mail de contacto: omar.cabrera@unach.edu.ec
Afiliación: ¹*²*Universidad Nacional de Chimborazo, (Ecuador).
Articulo recibido: 16 de Abril del 2025
Articulo revisado: 16 de Abril del 2025
Articulo aprobado: 2 de Mayo del 2025
¹Ingeniero especialización en petróleo de la Escuela Politécnica del Litoral, (Ecuador) con 10 años de experiencia laboral. Magister de
Ciencias en Ingeniería de Gas y Petróleo, de la Universidad de Salford, (Inglaterra). Maestrante de la maestría en Matemática Aplicada
con mención en Matemática Computacional de la Universidad Nacional de Chimborazo, (Ecuador).
²Ingeniería, especialización en mecánica de la Escuela Politécnica del Chimborazo, (Ecuador) con 11 años de experiencia laboral.
Magister en Diseño, de la Universidad Internacional SEK, (Ecuador). Magister en Ingeniería Matemática y Computación de la
Universidad Internacional de la Rioja, (España). Doctorado en Avances de Ingeniería de Materiales y Energías Sostenibles de la
Universidad de Jaén, (España).
Resumen
Este trabajo presenta la implementación y
evaluación de un sistema computacional no
invasivo para la estimación de la frecuencia
respiratoria mediante técnicas avanzadas
relacionadas con la visión artificial y
procesamiento de video. El sistema combina la
Magnificación Euleriana de Video (EVM) para
amplificar sutiles desplazamientos torácicos
imperceptibles al ojo humano, y el Análisis de
Flujo Óptico para cuantificar dichos
movimientos y detectar los ciclos respiratorios
cuando la persona respira. Ambos algoritmos
fueron integrados en una plataforma de
procesamiento en tiempo real utilizando una
Raspberry Pi 4 y una cámara OV5647, lo que
permitiría su uso en entornos clínicos y
domiciliarios sin requerir contacto físico con el
paciente. Se realizaron pruebas experimentales
con seis participantes en tres posiciones
distintas frente a la cámara (frontal, lateral y
45°), utilizando como referencias la
observación directa y un circuito electrónico
basado en el sensor LM35. Los resultados
obtenidos mostraron una correlación de
entre el sistema no invasivo y la
frecuencia respiratoria real observada, y de
con especto al circuito Arduino. Además,
se obtuvieron errores absolutos medios (MAE)
de y , y errores cuadráticos medios
(MSE) de y , respectivamente. Estos
hallazgos demuestran la viabilidad de emplear
visión artificial para la monitorización continua
de la frecuencia respiratoria como una técnica
precisa, no invasiva y de bajo costo.
Palabras clave: Visión artificial, Frecuencia
respiratoria, Magnificación euleriana, Flujo
óptico, Monitoreo no invasivo.
Abstract
This study presents the implementation and
evaluation of a non-invasive computational
system for estimating respiratory rate using
advanced techniques in computer vision and
video processing. The proposed system
integrates Eulerian Video Magnification
(EVM) to enhance subtle thoracic
displacements that are imperceptible to the
naked eye, and Optical Flow Analysis to
quantify these movements and identify
respiratory cycles during inhalation and
exhalation. Both algorithms were embedded in
a real-time processing platform built with a
Raspberry Pi 4 and an OV5647 camera,
enabling a compact and portable solution
suitable for clinical and home-care
environments without requiring physical
contact with the patient. Experimental tests
were conducted with six participants recorded
in three different positions (frontal, lateral, and
at a 45-degree angle). The system’s
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 60
performance was validated against two
reference methods: direct human observation
and a traditional electronic circuit based on an
LM35 temperature sensor. The statistical
results showed a Pearson correlation
coefficient of with respect to the
observed respiratory rate, and with
respect to the Arduino circuit. Additionally,
mean absolute errors (MAE) of 1.61 and 1.94,
and mean squared errors (MSE) of 6.71 and
6.39, respectively, were obtained. These
findings support the feasibility of applying
computer vision techniques for continuous
respiratory monitoring as a precise, non-
invasive, and low-cost alternative, particularly
suitable for remote health surveillance and
patient comfort in real-world environments.
Keywords: Computer vision, Respiratory
rate, Eulerian video magnification, Optical
flow, Non-invasive monitoring.
Sumário
Este estudo apresenta a implementação e
avaliação de um sistema computacional não
invasivo para estimativa da frequência
respiratória, utilizando técnicas avançadas de
visão computacional e processamento de vídeo.
O sistema proposto integra a Magnificação
Euleriana de Vídeo (EVM) para amplificar
deslocamentos torácicos sutis, imperceptíveis
ao olho humano, e a Análise de Fluxo Óptico
para quantificar esses movimentos e identificar
os ciclos respiratórios durante a inspiração e
expiração. Ambos os algoritmos foram
incorporados em uma plataforma de
processamento em tempo real, construída com
um Raspberry Pi 4 e uma câmera OV5647,
possibilitando uma solução compacta e portátil
adequada para ambientes clínicos e
domiciliares, sem necessidade de contato físico
com o paciente. Foram realizados testes
experimentais com seis participantes,
registrados em três diferentes posições (frontal,
lateral e em ângulo de 45 graus). O
desempenho do sistema foi validado com base
em dois métodos de referência: observação
humana direta e um circuito eletrônico
tradicional baseado no sensor de temperatura
LM35. Os resultados estatísticos mostraram
um coeficiente de correlação de Pearson de
em relação à taxa observada, e
em comparação com o circuito Arduino.
Além disso, foram obtidos erros médios
absolutos (MAE) de 1.61 e 1.94, e erros
quadráticos médios (MSE) de 6.71 e 6.39,
respectivamente. Estes achados demonstram a
viabilidade da aplicação de técnicas de visão
computacional para o monitoramento contínuo
da frequência respiratória como uma
alternativa precisa, não invasiva e de baixo
custo.
Palavras-chave: Visão computacional,
Frequência respiratória, Magnificação
euleriana de vídeo, Fluxo óptico,
Monitoramento não invasivo.
Introducción
El monitoreo continuo de los signos vitales es
esencial para la detección temprana de
condiciones médicas críticas y la mejora de la
atención hospitalaria y domiciliaria. Entre estos
signos, la frecuencia respiratoria es un indicador
importante en el diagnóstico y seguimiento de
diversas afecciones, incluyendo enfermedades
pulmonares, insuficiencia cardiaca y trastornos
del sueño. Sin embargo, los métodos
convencionales, como sensores de contacto y
cánulas nasales, pueden resultar invasivos, lo
que afecta la comodidad del paciente y, además,
generar imprecisiones debido a la interferencia
de estos dispositivos con los movimientos
naturales del cuerpo (Toften et al., 2024).
Para abordar estas limitaciones, las técnicas de
visión por computador han surgido como una
alternativa innovadora para la monitorización
no invasiva de la frecuencia respiratoria.
Métodos como la Magnificación Euleriana de
Video (EVM) y el Flujo Óptico han demostrado
su eficacia en la detección y análisis de sutiles
movimientos a través de las secuencias de
video, lo que ha permitido la extracción de
parámetros biométricos, sin necesidad de
dispositivos de contacto físico (Zhang et al.,
2024). Estudios recientes han aplicado estas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 61
técnicas en diversos entornos clínicos y
experimentales, evidenciando su potencial para
mejorar la precisión del monitoreo y la
experiencia del paciente (Maxwell et al., 2023).
En este trabajo, se propone la optimización de
un sistema de monitoreo no invasivo basado en
visión artificial para la medición de la
frecuencia respiratoria. A diferencia de
enfoques previos, como el desarrollado por
Sánchez et al. (2024), esta investigación se
enfoca en mejorar la precisión del algoritmo
mediante el ajuste de parámetros y la
implementación de estrategias de optimización.
Se emplearán métricas cuantitativas avanzadas,
incluyendo error absoluto medio (MAE), error
cuadrático medio (MSE) y coeficiente de
correlación de Pearson, para comparar el
desempeño del sistema con métodos
tradicionales de monitoreo respiratorio
(Hashim, 2024). Además, el sistema está
diseñado para ser compatible con cámaras
comerciales de alta resolución, lo que facilita su
implementación en distintos entornos clínicos y
experimentales. También, los resultados de este
estudio permitirán evaluar la viabilidad de la
visión por computador en la monitorización
respiratoria y su potencial aplicación en el
desarrollo de sistemas de monitoreo en tiempo
real sin contacto físico.
Antecedentes Matemáticos
El sistema de monitoreo no invasivo de la
frecuencia respiratoria se basa en fundamentos
matemáticos de procesamiento de imágenes y
análisis de movimiento. Las técnicas empleadas
son: la Magnificación Euleriana de Video
(EVM) y el Análisis de Flujo Óptico, las cuales
permiten amplificar y detectar cambios sutiles
en la región torácica a partir de secuencias de
video (Escobedo-Gordillo et al., 2024; Meng et
al., 2023). Ambas técnicas son ampliamente
utilizadas en aplicaciones biomédicas por su
capacidad de extraer señales fisiológicas sin
contacto físico, como se ha reportado en
diversos estudios recientes (Agarwal et al.,
2024; Nirmala et al., 2023). El método de
Magnificación Euleriana de Video (EVM) se
fundamenta en la serie de Taylor, lo que le
permite aproximar pequeños desplazamientos
en una imagen a través de un modelo lineal
(Wu, et al., 2012). Considerando que la imagen
capturada se representa como
, donde
es la posición espacial y el tiempo, un
desplazamiento
en la imagen puede
expresarse como:
(1)
Aplicando la expansión de Taylor de primer
orden y asumiendo que
es un
desplazamiento pequeño:
(2)
Para resaltar estos desplazamientos, se emplea
un filtro paso banda que aísla las variaciones de
frecuencia relevantes y amplifica la señal por un
factor , obteniendo finalmente:
(3)
Donde es el factor de amplificación que
permite visualizar movimientos respiratorios
que serían imperceptibles a simple vista. El
Flujo Óptico es una técnica basada en el
seguimiento del desplazamiento de los píxeles
en secuencias de video, calculando su
desplazamiento entre fotogramas consecutivos
(Hari, Shrestha, & Pokharel, 2023). Se modela
mediante la ecuación diferencial:
(4)
Donde
representa la variación temporal
de la intensidad en la imagen,
es el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 62
gradiente espacial de la imagen y,
es el vector
de velocidad del desplazamiento del píxel, el
cual indica la dirección y magnitud del
movimiento. Al resolver esta ecuación, se
obtiene una estimación del desplazamiento
respiratorio en el tiempo, lo que permite
cuantificar la frecuencia respiratoria de manera
precisa.
Materiales y Métodos
Procesamiento del Sistema
El sistema fue diseñado para capturar video en
tiempo real, aplicar técnicas de procesamiento
de imágenes y analizar el movimiento torácico
del paciente, siguiendo una arquitectura similar
a la planteada por Sánchez et al. (2024), quienes
desarrollaron una primera implementación
funcional basada en EVM y Flujo Óptico para
la estimación de la frecuencia respiratoria. El
flujo de trabajo general incluye las siguientes
etapas:
➢ Captura de video: Registro de secuencias
mediante una cámara de alta resolución,
Raspberry Pi OV5647 con resolución 1080p,
conectada a un microprocesador Raspberry
Pi 4
➢ Preprocesamiento: Conversión de los
cuadros a escala de grises, reducción de
ruido y segmentación de la región torácica.
➢ Magnificación de movimiento: Aplicación
del algoritmo EVM para amplificar las
variaciones de baja frecuencia asociadas al
movimiento respiratorio.
➢ Análisis de desplazamiento: Uso de Flujo
Óptico para estimar la dirección y magnitud
del movimiento en cada cuadro.
➢ Estimación de frecuencia: Cálculo de la
frecuencia respiratoria a partir de los
patrones temporales detectados.
➢ Visualización: Generación de salidas
gráficas e interfaz con indicadores
numéricos en tiempo real.
Cabe recalcar que, durante las pruebas, se
aseguraron condiciones de iluminación
controladas para minimizar interferencias en la
detección del movimiento respiratorio.
Implementación de Técnicas de Visión Artificial
El algoritmo sigue los siguientes pasos:
➢ Descomposición de la imagen en pirámides
Gaussianas y Laplacianas.
➢ Aplicación de un filtro paso banda
temporal para resaltar las variaciones
respiratorias.
➢ Amplificación de la señal de movimiento
mediante un factor.
➢ Reconstrucción de la imagen para
visualizar los desplazamientos
amplificados.
Figura 1: Diagrama del proceso de la
Magnificación Euleriana de Video
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 63
La Figura 1 muestra el diagrama de flujo del
procesamiento del algoritmo de Magnificación
Euleriana de Video, en el cual se detallan los
pasos seguidos para amplificar las variaciones
de movimiento en las imágenes de video. El
procedimiento inicia con la captura de los datos
y la segmentación en cuadros individuales,
seguido de la construcción de la pirámide
Laplaciana. Posteriormente, se aplican filtros
temporales y se amplifican las bandas de
frecuencia de interés antes de reconstruir el
video final con los desplazamientos
respiratorios resaltados.
Estimación con flujo óptico
Posteriormente, para extraer la frecuencia
respiratoria a partir de los videos procesados, se
aplicó el método de Lucas-Kanade con
pirámides Gaussianas. Este análisis del flujo
óptico permite identificar los ciclos de
inhalación y exhalación a través de la detección
de picos en la señal de desplazamiento.
Figura 2: Aplicación del Flujo Óptico en la
estimación del movimiento torácico en posición
lateral, frontal y ángulo de 45
◦
La Figura 2 muestra la aplicación del Flujo
Óptico en la detección del desplazamiento
torácico mediante vectores de movimiento. En
esta imagen se resaltan los vectores
direccionales, evidenciando la variación del
flujo en cada ciclo respiratorio.
Evaluación del rendimiento del sistema
Para validar la precisión del sistema propuesto,
se compararon las mediciones obtenidas con un
método de referencia basado en un sensor
tradicional de temperatura (LM35). Se
utilizaron las siguientes métricas cuantitativas
para evaluar el rendimiento del algoritmo:
• Error Absoluto Medio (MAE)
(5)
Mide la diferencia promedio entre la frecuencia
respiratoria estimada (
) y la real (
).
• Error Cuadrático Medio (MSE)
(6)
Penaliza errores más grandes, proporcionando
una evaluación más estricta de la precisión del
sistema.
• Coeficiente de Correlación de Pearson
()
(7)
Evalúa la relación entre la frecuencia
respiratoria estimada y la medida por el método
tradicional. Un valor cercano a 1 indica una alta
precisión en la estimación.
Diseño de la interfaz del usuario
Para facilitar la interacción con el sistema, se
desarrolló una interfaz gráfica en Python
(Tkinter) que permite visualizar los resultados
en tiempo real. La interfaz incluye:
➢ Un botón de inicio, que activa el proceso de
captura y análisis.
➢ Un área de visualización del video
magnificado y el flujo óptico aplicado.
➢ Un indicador numérico de la frecuencia
respiratoria estimada, que muestra el
resultado final del análisis.
Resultados
En esta sección se presentan los valores de
frecuencia respiratoria obtenidos por el sistema
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 64
de monitoreo no invasivo y se comparan con
dos métodos de referencia: el conteo manual
(frecuencia real) y un sistema basado en sensor
de temperatura LM35 (Arduino Circuit),
replicando parcialmente el protocolo
experimental empleado en el estudio de
Sánchez et al. (2024), en el que se validó la
eficacia del monitoreo respiratorio sin contacto
físico. Las pruebas se realizaron con seis
participantes, cada uno evaluado en tres
posiciones: frontal, lateral y 45°. La Tabla 1
resume los datos registrados para los tres
métodos en cada una de las posiciones de la
prueba.
Tabla 1. Resultados de la frecuencia respiratoria
Participante
Posición
Frecuencia Respiratoria (Actual)
Frecuencia Respiratoria (Arduino)
Frecuencia Respiratoria (Dispositivo No Invasivo)
1
Frontal
19
18
20
Lateral
21
20
18
45°
18
17
19
2
Frontal
20
19
21
Lateral
19
18
19
45°
18
17
20
3
Frontal
21
20
19
Lateral
20
19
18
45°
18
17
9
4
Frontal
15
14
15
Lateral
17
17
20
45°
18
17
18
5
Frontal
17
17
18
Lateral
19
18
20
45°
20
19
20
6
Frontal
18
17
18
Lateral
19
18
17
45°
18
17
19
Fuente: Elaboración propia
Para evaluar la precisión del sistema de
monitoreo no invasivo, se realizaron
comparaciones con dos métodos de referencia:
la frecuencia respiratoria real observada y la
estimada mediante un circuito Arduino con
sensor LM35. Las comparaciones se efectuaron
utilizando tres métricas estadísticas: el error
absoluto medio (MAE), el error cuadrático
medio (MSE) y el coeficiente de correlación de
Pearson (). Los resultados obtenidos se
presentan en la Tabla 2. En la comparación con
los valores reales observados, el sistema mostró
un MAE de , un MSE de y un
coeficiente de correlación de , lo cual
indicaría una correspondencia moderada. En
contraste, la comparación con el circuito
Arduino arrojó un MAE de , un MSE de
y un coeficiente de correlación de
, lo que sugiere una mayor similitud entre
ambas mediciones.
Tabla 1 Resultados estadísticos
Métricas
Estadísticas
Comparación con
Frecuencia
Respiratoria
(Actual)
Comparación con
Frecuencia
Respiratoria
(Arduino Circuit)
MAE
1.61
1.94
MSE
6.72
6.39
r
0.314
0.359
Fuente: Elaboración propia
Figura 3: Comparación de frecuencia
respiratoria
La Figura 3 ilustra visualmente las
comparaciones mediante un gráfico de
dispersión, en el que se observa que los puntos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 65
correspondientes a la comparación con Arduino
se alinean más estrechamente con la línea de
referencia ideal , en comparación con los
puntos asociados a la frecuencia observada.
Además del análisis numérico, se evaluó el
comportamiento dinámico de las señales de
respiración obtenidas por el sistema no invasivo
en comparación con los métodos de referencia.
En la Figura 4 se presentan ejemplos
representativos del registro respiratorio
correspondiente a un participante en posición
frontal. Las señales fueron extraídas a partir del
análisis de Flujo Óptico y amplificadas
mediante Magnificación Euleriana de Video.
Esta figura muestra la señal respiratoria
generada por el sistema de visión artificial, en
la que se aprecian variaciones periódicas
consistentes con el ciclo respiratorio. También,
presenta la señal capturada por el sensor LM35
a través del circuito Arduino. Se observa una
correspondencia en el número de ciclos y en la
frecuencia dominante, aunque con diferencias
en la amplitud debido a la naturaleza del sistema
de adquisición. Estas visualizaciones
complementan los resultados cuantitativos y
permiten validar la capacidad del sistema para
detectar y representar el patrón respiratorio de
manera no invasiva.
Figura 4: Vectores de movimiento detectados
durante las pruebas
Para comparación, la Figura 5 muestra la señal
correspondiente obtenida mediante el sensor
LM35 del sistema Arduino. Aunque se registran
ligeras diferencias en amplitud y forma de onda,
ambas señales presentan coincidencia en la
frecuencia estimada y número de ciclos.
Figura 5: Señal capturada por el Arduino
Circuit
Discusión
Los resultados obtenidos evidencian la
viabilidad del uso de técnicas de visión artificial
para la estimación de la frecuencia respiratoria
de manera no invasiva. La comparación con los
métodos de referencia mostró un desempeño
aceptable, particularmente con respecto al
circuito Arduino basado en el sensor LM35, con
el cual se obtuvo un coeficiente de correlación
de , un MAE de y un MSE de
. Estos valores indican que, aunque el
sistema no invasivo presenta ciertas
discrepancias con respecto al método de
referencia, puede seguir con una precisión
aceptable la tendencia general del patrón
respiratorio. En comparación con la frecuencia
respiratoria observada manualmente, el sistema
también mostró una correlación positiva, con
, un MAE de y un MSE de .
Estas métricas reflejan una concordancia baja,
sin embargo, se mantienen dentro de la
tolerancia esperable para un sistema sin
contacto, especialmente considerando las
condiciones controladas del experimento. Las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 66
diferencias observadas pueden atribuirse a una
pobre precisión durante el conteo manual o a
movimientos involuntarios del participante
durante la grabación.
El comportamiento de las señales visualizadas
respalda estos hallazgos. Las curvas generadas
por el sistema reflejan patrones respiratorios
periódicos que, aunque no replican exactamente
las amplitudes de las mediciones de referencia,
presentan una frecuencia similar en términos de
ciclos por minuto. Adicionalmente, las pruebas
realizadas en tres posiciones diferentes (frontal,
lateral y 45°) demuestran la eficacia del sistema
frente a variaciones de ángulo de captura.
Aunque, se observó una ligera disminución en
la precisión con respecto a las posiciones no
frontales, probablemente debido a una menor
visibilidad del desplazamiento torácico por
parte de la cámara. La integración de técnicas
como la Magnificación Euleriana de Video y el
Flujo Óptico permitió amplificar e identificar
movimientos sutiles que de otro modo serían
imperceptibles, lo cual representa una ventaja
significativa frente a sistemas convencionales
que requieren contacto físico con el paciente.
Sin embargo, es importante destacar que el
desempeño del sistema puede verse
comprometido debido a condiciones de
iluminación, movimiento involuntario del
sujeto o presencia de ropa suelta, lo cual
representa una limitación que debe ser abordada
en estudios futuros.
En conjunto, los resultados sugieren que el
sistema propuesto constituye una alternativa
viable, no invasiva y de bajo costo para la
monitorización de la frecuencia respiratoria,
con potencial para ser implementado en
contextos clínicos y domiciliarios. Aunque, será
necesario realizar estudios con un mayor
número de participantes y en distintos
escenarios para fortalecer la validez de los
resultados.
Conclusiones
Este trabajo presentó el desarrollo y evaluación
de un sistema no invasivo para la medición de
la frecuencia respiratoria, basado en técnicas de
visión artificial. Mediante a integración de la
Magnificación Euleriana de Video (EVM) y el
Análisis de Flujo Óptico se pudo amplificar y
cuantificar los desplazamientos torácicos
asociados a la respiración a partir de secuencias
de video. Los resultados experimentales,
obtenidos a partir de pruebas con seis
participantes en diferentes posiciones, muestran
que el sistema propuesto es capaz de estimar
con una precisión aceptable la frecuencia
respiratoria con respecto a los métodos de
referencia utilizados. Los valores de correlación
fueron con el sensor LM35 y de
con la observación directa. Aunque,
estas cifras no reflejan una correlación alta,
sirven para establecer una tendencia consistente
en la estimación de la frecuencia respiratoria.
Además, el análisis estadístico mostró valores
de errores que permiten considerar al sistema
como funcional bajo condiciones controladas,
pero con limitaciones frente a escenarios que
tengan una iluminación variable o movimientos
impredecibles del participante.
El sistema desarrollado representa una
alternativa de bajo costo, portátil y no invasiva
para la monitorización respiratoria, el cual tiene
bastante potencial de aplicación en entornos
clínicos, domiciliarios o situaciones donde se
requiera una supervisión continua sin interferir
con la comodidad del paciente. Futuros trabajos
pueden enfocarse en la optimización del
algoritmo cuando ocurren movimientos
erráticos, variaciones lumínicas o la inclusión
de técnicas de aprendizaje automático para la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 5
Mayo del 2025
Página 67
mejorar la precisión en la detección de la
frecuencia respiratoria.
Referencias Bibliográficas
Agarwal, P., Mishra, N., Deshmukh, A., &
Patil, S. (2024). Contactless Heart Rate
Detection Using Eulerian Video
Magnification. Association for Computing
Machinery, 651–654.
Escobedo Gordillo, A., Rivas Scott, O., Brieva,
J., Moya Albor, E., Cabon, S., Porée, F., &
Pladys, P. (2024). Non-Contact Respiratory
Rate Estimation in Newborns During Quiet
Sleep Using Video Magnification
Techniques and a 3D Convolutional Neural
Network. IEEE.
Hari, C., Shrestha, S., & Pokharel, M. (2023).
Video Object Motion Tracking using Dense
Optical Flow Techniques. IEEE.
Hashim, A. (2024). Non-Contact Automatic
Respiratory Rate Monitoring for Newborns
Using Digital Camera Technology and Deep
Learning. Journal of Biomedical Photonics
& Engineering.
Maxwell, M., Hanley, T., Golden, C., Andonie,
A., Parsi, A., & Lemley, J. (2023). Non-
Contact Breathing Rate Detection Using
Optical Flow. Irish Machine Vision and
Image Processing Conference 2023.
Meng, L., Huang, M., Feng, S., Wang, Y., Lu,
J., & Li, P. (2023). Optical Flow-Based Full-
Field Quantitative Blood-Flow Velocimetry
Using Temporal Direction Filtering and
Peak Interpolation. International Journal of
Molecular Sciences.
Nirmala, K., Vinoth Kumar, C., Janani, M.,
Parvathi, R., & Radhika, B. (2023). Camera-
based Non-contact Respiratory Rate
Estimation. Iete Journal of Research.
Sánchez, D., Chuquimarca, L., Gómez, O.,
Montaño, M., & Salcedo, M. (2024).
Implementation of an Electronic Monitoring
Device Using Computer Vision for Non-
Invasive Respiratory Rate Measurement.
IEEE, 126-131.
Toften, S., Kjellstadli, T., Kværness, J.,
Pedersen, H., Laugsand, E., & Thu, K.
(2024). Contactless and continuous
monitoring of respiratory rate in a hospital
ward: a clinical validation study. Frontiers in
Physiology.
Wu, Y., Rubinstein, M., Shih, E., Guttag, J.,
Durand, F., & Freeman, W. (2012). Eulerian
video magnification for revealing subtle
changes in the world. ACM Trans. Graph., 1-
8.
Zhang, L., Yang, Y., Hu, C., Li, J., Qin, B., &
Yang, X. (2024). Wearable respiratory
sensors for health monitoring. Npg Asia
Materials.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © David Eduardo
Sánchez Espinoza y José Omar Cabrera Escobar.
