CLASIFICACIÓN DE PATRONES RESPIRATORIOS
CON EDGE IMPULSE: UNA EXPERIENCIA
DIDÁCTICA EN BIOFÍSICA
CLASSIFICATION OF RESPIRATORY PATTERNS
WITH EDGE IMPULSE: A DIDACTIC EXPERIENCE
IN BIOPHYSICS
Jonathan Alexis Romero López
Universidad Estatal Amazónica, Ecuador
Leydi Marina Jiménez Caicedo
Universidad Estatal Amazónica, Ecuador
pág. 12834
DOI: https://doi.org/10.37811/cl_rcm.v9i5.20515
Clasificación de Patrones Respiratorios con Edge Impulse: Una
Experiencia Didáctica en Biofísica
Jonathan Alexis Romero López1
ja.romerol@uea.edu.ec
https://orcid.org/0000-0001-9043-2357
Universidad Estatal Amazónica
Ecuador
Leydi Marina Jiménez Caicedo
lm.jimenezc@uea.edu.ec
https://orcid.org/0009-0001-3956-8985
Universidad Estatal Amazónica
Ecuador
RESUMEN
Este estudio tuvo como objetivo diseñar e implementar un sistema de clasificación de patrones
respiratorios (exhalación normal (en reposo) y exhalación profunda) utilizando la plataforma Edge
Impulse, así como evaluar la percepción estudiantil sobre la experiencia didáctica. Se desarrolló una
investigación exploratoria-aplicada con 12 estudiantes de primer curso de Biofísica, quienes grabaron
cuatro audios de 10 segundos cada uno mediante el micrófono del celular. Las 48 muestras resultantes
se procesaron en Edge Impulse y se transformaron en espectrogramas para entrenar un modelo binario
con división automática en conjuntos de entrenamiento (80%) y validación (20%). El rendimiento del
sistema se evaluó mediante métricas estándar y una encuesta tipo Likert (1–5) sobre comprensión
conceptual, motivación, interdisciplinariedad, accesibilidad y aplicabilidad. Los resultados mostraron
una precisión del modelo de clasificación en condiciones ideales del 99% (AUC = 0.98 y F1 = 0.99);
mientras que, en pruebas en tiempo real se obtuvo un 87,5% de aciertos. La encuesta evidenció una
percepción positiva, destacando la accesibilidad tecnológica y la aplicabilidad percibida. En conjunto,
la propuesta demuestra que es posible implementar experiencias de aprendizaje interdisciplinarias,
accesibles y motivadoras mediante el uso de teléfonos móviles y plataformas de inteligencia artificial
gratuitas, ampliando las oportunidades pedagógicas en contextos con recursos limitados.
Palabras clave: biofísica, inteligencia artificial, respiración
1
Autor principal
Correspondencia: ja.romerol@uea.edu.ec
pág. 12835
Classification of Respiratory Patterns with Edge Impulse: A Didactic
Experience in Biophysics
ABSTRACT
This study aimed to design and implement a system for classifying respiratory patterns—normal
(resting) exhalation and deep exhalation—using the Edge Impulse platform, and to assess students’
perceptions of the learning experience. An exploratory–applied study was conducted with 12 first-year
Biophysics students, who each recorded four 10-second audio clips using a mobile phone microphone.
The 48 resulting samples were processed in Edge Impulse and converted into spectrograms to train a
binary model with an automatic 80%/20% split for training and validation. System performance was
evaluated using standard metrics and a Likert-scale (1–5) survey covering conceptual understanding,
motivation, interdisciplinarity, accessibility, and applicability. Results showed a classification accuracy
of 99% under ideal conditions (AUC = 0.98; F1 = 0.99), while real-time tests achieved 87.5% accuracy.
The survey indicated a positive perception, highlighting technological accessibility and perceived
applicability. Overall, the approach demonstrates that it is possible to implement interdisciplinary,
accessible, and motivating learning experiences using mobile phones and free artificial intelligence
platforms, expanding pedagogical opportunities in resource-constrained settings.
Keywords: biophysics, artificial intelligence, respiration
Artículo recibido 15 octubre 2025
Aceptado para publicación: 19 noviembre 2025
pág. 12836
INTRODUCCIÓN
El estudio de los patrones respiratorios constituye un eje esencial en la fisiología y la biofísica, pues
refleja la interacción entre procesos mecánicos, químicos y eléctricos que sustentan el intercambio
gaseoso y la homeostasis del organismo. El aparato respiratorio, responsable del ingreso de oxígeno y
la eliminación de dióxido de carbono, funciona mediante una coordinación precisa entre la ventilación
pulmonar y el transporte sanguíneo (Vicente-Martinez, 2024). La exhalación, como fase activa del ciclo
respiratorio, implica la regulación de presiones intrapulmonares, la elasticidad pulmonar y el control
neural que define la frecuencia y profundidad respiratoria (Webster & Karan, 2020).
La biofísica, entendida como disciplina transdisciplinaria, articula los principios de la física con los
procesos biológicos para explicar fenómenos vitales a partir de conceptos de equilibrio,
autoorganización y transferencia de energía (Silva et al., 2020). Este enfoque concibe al cuerpo humano
como un sistema abierto donde la energía, materia e información interactúan de forma continua. En esta
perspectiva, la bioelectricidad ha cobrado relevancia al demostrar que los gradientes eléctricos celulares
son esenciales para la comunicación y regeneración de tejidos, redefiniendo el control fisiológico (Levin
et al., 2019).
No obstante, la enseñanza de la biofísica enfrenta limitaciones derivadas de su enfoque teórico y
desarticulado de la práctica experimental. Estrategias activas han mostrado ser eficaces para fortalecer
la comprensión conceptual y el pensamiento crítico. Caliman Filadelfi et al. (2015) evidenciaron que
los recursos lúdicos y tecnológicos mejoran el aprendizaje en fisiología, mientras Hernández-Martínez
et al. (2022) demostraron que los modelos tridimensionales físicos y virtuales facilitan la comprensión
de la relación entre estructura, función y entorno. De igual forma, la aplicación de tecnologías
inmersivas como la realidad aumentada ha optimizado la visualización anatómica y la motivación
estudiantil (Saat et al., 2024), y el simulador organosintético desarrollado por Horvath et al. (2020)
reproduce con alta fidelidad los movimientos del diafragma, constituyéndose en un modelo didáctico
seguro y realista.
El desarrollo de sensores biomédicos y de inteligencia artificial (IA) ha transformado la manera de
abordar la respiración. Los biosensores basados en espectroscopía Raman combinados con algoritmos
de aprendizaje automático alcanzan precisiones cercanas al 100 % en la detección de biomarcadores
pág. 12837
(Ding et al., 2023), mientras que el sistema de monitoreo de signos vitales propuesto por Bejarano Reyes
y Manzano Ramos (2021) valida la eficacia de dispositivos de bajo costo para medir pulso, temperatura
y saturación de oxígeno en tiempo real. Estas tecnologías abren la posibilidad de trasladar metodologías
biomédicas avanzadas al aula de biofísica.
En este escenario, la plataforma Edge Impulse se consolida como un recurso educativo innovador. Este
entorno en la nube permite desarrollar modelos de machine learning (ML) para sistemas embebidos,
integrando adquisición, entrenamiento y despliegue (Hymel et al., 2023). Su aplicación se ha extendido
desde el reconocimiento de objetos (Pinaso et al., 2024) y la detección de enfermedades agrícolas
(Gookyi et al., 2024) hasta la clasificación de imágenes médicas en microcontroladores (Diab &
Rodríguez-Villegas, 2022). Su accesibilidad y compatibilidad con dispositivos económicos como el
ESP32 o el Arduino Nano 33 BLE Sense la vuelven ideal para contextos educativos (Márquez-Vera et
al., 2023; Kwon, 2023).
Investigaciones recientes respaldan su potencial didáctico. Durgun y Durgun (2024) evidenciaron que
su integración en proyectos prácticos mejora las competencias técnicas, mientras Schulz et al. (2023)
destacaron su papel en la enseñanza interdisciplinaria de ingeniería e IA. En paralelo, Olyanasab y
Annabestani (2024) mostraron que los dispositivos portátiles con aprendizaje automático impulsan la
salud personalizada, alcanzando precisiones de hasta el 99 % en la detección de alteraciones
respiratorias.
Los avances en análisis automatizado de señales respiratorias mediante deep learning complementan
esta tendencia. McClure et al. (2020) desarrollaron una red neuronal convolucional unidimensional que
clasifica eventos respiratorios con una precisión superior al 90 %, y Wang et al. (2022) aplicaron
modelos similares para identificar patrones ventilatorios, superando incluso la exactitud de especialistas
clínicos. A su vez, Fekr et al. (2014) diseñaron un modelo jerárquico para clasificar trastornos
respiratorios en tiempo real, lo que demuestra el potencial educativo y experimental de la IA en
fisiología.
El presente estudio se enmarca en esta convergencia entre ciencia, tecnología y educación, con el
objetivo de diseñar e implementar un sistema de clasificación de exhalaciones normales y profundas
mediante Edge Impulse, evaluando tanto el desempeño técnico del modelo como su impacto pedagógico
pág. 12838
en estudiantes. Se espera que el sistema clasifique con precisión las señales respiratorias, empleando la
metodología de adquisición y procesamiento de Edge Impulse, aplicando los principios del aprendizaje
automático a la comprensión conceptual. Tecnologías similares han permitido identificar alteraciones
respiratorias en etapas tempranas de enfermedades como la EPOC (Sin, 2023) y evidenciar la influencia
del modo respiratorio en la dinámica hemodinámica cerebral (Laganà et al., 2022).
Desde la dimensión educativa, la propuesta busca aprovechar el potencial de Edge Impulse como
laboratorio virtual accesible que permite a los estudiantes relacionar datos experimentales con
fenómenos fisiológicos reales. En coherencia con la enseñanza compleja de la biofísica y las estrategias
de mediación tecnológica, esta metodología fomenta la curiosidad científica, la autonomía y el trabajo
colaborativo, con el fin de integrar la inteligencia artificial en la educación científica, promoviendo la
alfabetización digital, el aprendizaje activo y la apropiación tecnológica en la formación universitaria.
METODOLOGÍA
Diseño del estudio y participantes
El estudio se desarrolló como una investigación exploratoria y aplicada, con enfoque experimental y
didáctico, orientada a implementar un sistema de clasificación de patrones respiratorios (exhalación
profunda y exhalación en reposo (normal)). Participaron 12 estudiantes de primer curso de la asignatura
de Biofísica, quienes colaboraron de forma voluntaria con fines exclusivamente académicos.
Las actividades se realizaron en un espacio cerrado y controlado, procurando minimizar el ruido
ambiental para garantizar la calidad de las grabaciones. Se obtuvo el consentimiento informado de todos
los participantes, asegurando la confidencialidad de los registros y la ausencia de riesgos físicos o
psicológicos.
Procedimiento experimental y procesamiento de datos
Cada estudiante utilizó un teléfono móvil con micrófono integrado para registrar cuatro muestras de
audio de 10 segundos: dos correspondientes a exhalación profunda y dos a exhalación normal. En total
se obtuvieron 48 registros de audio, conformando una base de datos equilibrada.
Con el fin de garantizar la homogeneidad de las grabaciones y minimizar las diferencias en calidad
acústica entre dispositivos, se emplearon dos teléfonos móviles del mismo modelo y características
técnicas, que fueron utilizados de manera alternada por los 12 participantes.
pág. 12839
Para vincular los dispositivos con el entorno de aprendizaje automático, los estudiantes escaneaban un
código QR que los conectaba directamente con el proyecto creado en la plataforma Edge Impulse
(versión en línea). Este procedimiento permitió que cada muestra de audio se cargara automáticamente
al proyecto, evitando transferencias manuales y asegurando la integridad y trazabilidad de los datos.
Una vez recibidos los audios de manera automática en la plataforma, se convierten en espectrogramas,
generando una representación visual y cuantitativa de las señales acústicas de la exhalación, utilizada
posteriormente para el entrenamiento y validación del modelo de clasificación.
Configuración y entrenamiento del modelo
En Edge Impulse, un impulso constituye el “esqueleto funcional” del proyecto, donde se configuran los
bloques de procesamiento de datos y el modelo de aprendizaje supervisado.
En este estudio, al crear el impulso dentro del proyecto en Edge Impulse, se seleccionó “Time Series
Data”, empleando el bloque de procesamiento “MFE” (Mel-Frequency Energy) y el bloque de
aprendizaje “Classification”, todos ellos con parámetros establecidos por defecto, configurando así una
arquitectura adecuada para el análisis y categorización de señales acústicas de la exhalación.
Esta configuración permitió establecer un flujo adecuado para el análisis acústico de señales
respiratorias, posibilitando que las grabaciones de exhalación se transformaran en parámetros
numéricos relevantes para el entrenamiento del clasificador.
Los datos fueron divididos automáticamente por la plataforma en 80 % para entrenamiento y 20 % para
validación. El modelo se entrenó utilizando los parámetros predeterminados de Edge Impulse,
adecuados a la capacidad de procesamiento en línea, hasta alcanzar una convergencia estable de las
métricas de precisión y pérdida.
Finalizado el entrenamiento, se depuró el modelo y se generó un código QR para su uso desde el
teléfono móvil. Al escanearlo, los estudiantes realizaron pruebas en tiempo real y verificaron
directamente el rendimiento del sistema.
Evaluación del rendimiento y del impacto didáctico
El desempeño del sistema se evaluó mediante métricas de precisión global y matrices de confusión,
generadas por la propia plataforma Edge Impulse. Como criterio de éxito, se estableció una precisión
mínima del 75 % en la clasificación de ambas categorías. Además, se consideró la retroalimentación
pág. 12840
cualitativa de los estudiantes sobre la comprensión del proceso biofísico-tecnológico.
Para valorar el impacto pedagógico, se aplicó una encuesta de percepción inmediatamente después de
la práctica, utilizando una escala Likert de cinco puntos (1 = totalmente en desacuerdo, 5 = totalmente
de acuerdo). El instrumento contempló cinco dimensiones: comprensión conceptual, motivación
académica, interdisciplinariedad, accesibilidad tecnológica y aplicabilidad percibida.
Las respuestas permitieron cuantificar la percepción estudiantil sobre la integración de conceptos de
biofísica con herramientas de inteligencia artificial y la utilidad del enfoque experimental en su
aprendizaje.
Finalmente, en la Figura 1 se resume de manera esquemática el procedimiento general seguido en el
estudio, desde el registro de las muestras hasta la validación del modelo en tiempo real.
Figura 1. Esquema del procedimiento realizado en el estudio
RESULTADOS Y DISCUSIÓN
Desempeño del sistema de clasificación
El sistema de clasificación implementado logró distinguir eficazmente entre los patrones de exhalación
profunda y exhalación normal (en reposo).
La matriz de confusión obtenida en el conjunto de validación (Figura 2) evidenció un desempeño
robusto: en la categoría exhalación normal alcanzó un 100 % de aciertos, mientras que en exhalación
profunda se obtuvo un 96 %, con un 4 % de clasificaciones erróneas.
De forma complementaria, el modelo presentó un área bajo la curva ROC (AUC) de 0.98, y valores de
precisión, sensibilidad y F1-score de 0.99, lo que confirma su fiabilidad y capacidad discriminativa.
pág. 12841
Figura 2. Matriz de confusión obtenida en el conjunto de validación.
La Figura 3 muestra la distribución de aciertos y errores, lo que permite apreciar la consistencia del
desempeño entre las dos categorías.
Figura 3. Gráfico de aciertos y errores de clasificación.
Validación práctica en tiempo real
Las pruebas en tiempo real realizadas por los estudiantes utilizando los teléfonos móviles confirmaron
los resultados del conjunto de validación (Figura 4).
En total se efectuaron 24 intentos de validación práctica, de los cuales 21 fueron clasificados
correctamente, lo que representa una tasa de acierto del 87,5 % bajo condiciones reales de uso con
dispositivos móviles comunes.
La ligera reducción en el rendimiento respecto al conjunto de validación se atribuye a factores
ambientales (ruido de fondo, distancia variable al micrófono y diferencias individuales en la intensidad
de la exhalación).
pág. 12842
Estos elementos son inherentes a las condiciones naturales de un aula universitaria, lo que refuerza el
carácter realista y educativo de la experiencia.
Figura 4. Pruebas en tiempo real: a) etiqueta “No event detected” cuando no se detecta el proceso de
exhalación; b) exhalación normal reconocida; y c) exhalación profunda reconocida.
a) b) c)
En consecuencia, los resultados confirman que el modelo mantiene una precisión adecuada incluso en
contextos no controlados, característica esencial para la enseñanza práctica de clasificación de señales
fisiológicas en entornos académicos.
Evaluación de la percepción estudiantil
La encuesta de percepción aplicada a los 12 participantes, mediante escala Likert de cinco puntos (1 =
totalmente en desacuerdo, 5 = totalmente de acuerdo), reveló una valoración global positiva hacia la
experiencia (Tabla 1).
pág. 12843
Tabla 1. Resultados de la encuesta de percepción estudiantil sobre la práctica de clasificación de
exhalación.
Ítem
Totalmente
en
desacuerdo
En
desacuerdo
De
acuerdo
Total.
de
acuerdo
Media
(1–5)
Comprendo la diferencia entre
exhalación normal y profunda
3
1
2
6
3.58
Puedo explicar cómo un
espectrograma representa los
sonidos de la exhalación
0
2
4
3
3.67
La actividad aumentó mi interés
por la biofísica y la fisiología
respiratoria
0
2
2
6
4.00
Me gustaría realizar más
prácticas que combinen IA y
análisis de señales fisiológicas
2
2
0
8
3.83
La práctica integró de manera
clara biología, física e
informática
3
0
0
8
3.83
Pude relacionar lo aprendido en
señales con el análisis acústico
de la exhalación
1
3
5
3
3.50
Fue posible realizar la práctica
usando solo un teléfono y los
recursos disponibles
0
2
2
6
4.00
La plataforma y los pasos fueron
fáciles de comprender y seguir
1
3
1
7
3.83
Considero que esta actividad
será útil para mi aprendizaje
futuro
0
2
2
6
4.00
Me siento capaz de aplicar lo
aprendido en otros contextos
académicos o proyectos
2
0
1
5
3.58
Los resultados muestran que, en términos de comprensión conceptual, los estudiantes señalaron haber
entendido la diferencia entre exhalación normal y profunda (media = 3.58), así como la representación
de los sonidos en espectrogramas (media = 3.67), la motivación académica (media 4.00), evidencia un
incremento en el interés por la biofísica y la fisiología respiratoria. La interdisciplinariedad alcanzó una
media de 3.83, lo que refleja la percepción de integración entre biología, física e informática, en cuanto
a la accesibilidad tecnológica, la media de 4.00 indica que los estudiantes consideraron viable la práctica
utilizando únicamente sus teléfonos móviles.
Finalmente, la aplicabilidad percibida alcanzó 3.58, lo que sugiere que los participantes se sintieron
capaces de transferir lo aprendido a otros contextos académicos o proyectos futuros.
pág. 12844
Estos resultados confirman que la experiencia fue significativa desde el punto de vista pedagógico, la
interacción directa con el sistema de clasificación fortaleció la comprensión interdisciplinaria y potenció
la motivación intrínseca de los estudiantes, al percibir la biofísica como una disciplina cercana, práctica
y aplicable.
DISCUSIÓN
Los hallazgos técnicos y pedagógicos de este estudio coinciden con investigaciones recientes que
destacan el potencial de Edge Impulse y la inteligencia artificial en la enseñanza de procesos biomédicos
(Hymel et al., 2023; Durgun & Durgun, 2024; Schulz et al., 2023)
Otros autores han señalado que la inclusión de plataformas de aprendizaje automático en el aula
promueve un aprendizaje activo y significativo, al conectar la teoría con la experimentación directa.
(Caliman Filadelfi et al., 2015; Hernández-Martínez et al., 2022; Saat et al., 2024)
En este contexto, el presente trabajo demuestra que es posible lograr una experiencia educativa de alto
impacto utilizando recursos cotidianos (teléfonos móviles, navegadores web y conexión a internet), lo
que refuerza la viabilidad de la educación científica con tecnologías accesibles.
Además, la combinación de métricas objetivas (precisión, sensibilidad) con indicadores subjetivos
(percepción estudiantil) proporciona una evaluación integral del aprendizaje. No obstante, se reconoce
que el tamaño muestral (12 estudiantes) y la cantidad limitada de registros pueden restringir la
generalización de los resultados. Aun con estas limitaciones, el estudio evidencia la pertinencia del uso
de inteligencia artificial en entornos educativos y su potencial para vincular la ciencia, la tecnología y
la enseñanza de la fisiología humana.
CONCLUSIONES
El sistema de clasificación desarrollado mediante Edge Impulse permitió diferenciar con alta precisión
entre exhalaciones profundas y normales, en condiciones controladas, el modelo alcanzó una precisión
global del 99%, no obstante, en las pruebas en tiempo real realizadas desde teléfonos móviles, el
rendimiento descendió al 87,5 %, evidenciando el efecto del ruido ambiental, la variabilidad entre
dispositivos y las condiciones de uso práctico.
En el ámbito educativo, la comprensión conceptual alcanzó valores moderados (media = 3.58), mientras
que la accesibilidad tecnológica (media = 4.00) y la aplicabilidad percibida (media = 3.58) fueron
pág. 12845
altamente valoradas. Estos resultados sugieren que la experiencia fue considerada útil, viable y
estimulante por parte del estudiantado.
Desde una perspectiva pedagógica, la práctica se consolidó como una propuesta accesible, participativa
y motivadora, capaz de acercar la inteligencia artificial y el análisis de señales biofísicas a estudiantes
de primer curso universitario. En conjunto, este trabajo demuestra que la integración de IA, dispositivos
móviles y metodologías activas ofrece nuevas oportunidades para la enseñanza de la biofísica en
contextos con recursos limitados, constituyendo un modelo replicable y escalable hacia otras áreas de
las ciencias.
Como líneas futuras, se recomienda ampliar la muestra, incorporar patrones respiratorios adicionales
(como tos, apnea o sibilancias) y comparar el rendimiento del sistema con sensores médicos en entornos
clínicos.
REFERENCIAS BIBLIOGRAFICAS
Bejarano Reyes, M. A., & Manzano Ramos, E. A. (2021). Implementación de un sistema de monitoreo
a nivel de prototipo de signos vitales: pulso, temperatura y saturación de oxígeno para pacientes.
Interfases, 14(014), 17–40. https://doi.org/10.26439/interfases2021.n014.5168
Caliman Filadelfi, A. M., Brandão Carvalho, L., Silva Nascimento, V., Tobaldini, G., & Tavares
Conceição, L. (2015). Instrumentos pedagógicos interativos no ensino de fisiologia e noções de
saúde para jovens. Revista Brasileira de Extensão Universitária, 6(1), 15–24.
https://doi.org/10.36661/2358-0399.2015v6i1.1865
Diab, M. S., & Rodríguez-Villegas, E. (2022). Performance evaluation of embedded image
classification models using Edge Impulse for application on medical images. Proceedings of
the 44th Annual International Conference of the IEEE Engineering in Medicine & Biology
Society (EMBC), 2639–2642. IEEE. https://doi.org/10.1109/EMBC48229.2022.9871108
Ding, Y., Sun, Y., Liu, C., Jiang, Q.-Y., Chen, F., & Cao, Y. (2023). SERS-based biosensors combined
with machine learning for medical application. ChemistryOpen, 12(1), e202200192.
https://doi.org/10.1002/open.202200192
Durgun, M., & Durgun, Y. (2024). Teaching effective techniques for incorporating edge computing in
biomedical applications with biomedical students. El-Cezeri Journal of Science and
pág. 12846
Engineering, 11(2), 169–174. https://doi.org/10.31202/ecjse.1369680
Fekr, A. R., Janidarmian, M., Radecka, K., & Zilic, Z. (2014). A medical cloud-based platform for
respiration rate measurement and hierarchical classification of breath disorders. Sensors, 14(6),
11204–11224. https://doi.org/10.3390/s140611204
Gookyi, D. A. N., Wulnye, F. A., Wilson, M., Danquah, P., Danso, S. A., & Gariba, A. A. (2024).
Enabling Intelligence on the Edge: Leveraging Edge Impulse to Deploy Multiple Deep
Learning Models on Edge Devices for Tomato Leaf Disease Detection. AgriEngineering, 6(4),
3563–3585. https://doi.org/10.3390/agriengineering6040203
Hernández-Martínez, J. C., Martínez-Morales, N., & Salinas-Cardona, D. L. (2022). La respiración en
diplópodos: experiencias pedagógicas orientadas hacia la enseñanza de la Biología. Bio-grafía,
15(29), 93–104. https://doi.org/10.17227/bio-grafia.vol.15.num29-17384
Horvath, M. A., Hu, L., Mueller, T., Hochstein, J., Rosalia, L., Hibbert, K. A., Hardin, C. C., & Roche,
E. T. (2020). An organosynthetic soft robotic respiratory simulator. APL Bioengineering, 4(2),
026108. https://doi.org/10.1063/1.5140760
Hymel, S., Banbury, C., Situnayake, D., Elium, A., Ward, C., Kelcey, M., Baaijens, M., Majchrzycki,
M., Plunkett, J., Tischler, D., Grande, A., Moreau, L., Maslov, D., Beavis, A., Jongboom, J., &
Janapa Reddi, V. (2023). Edge Impulse: An MLOps platform for tiny machine learning. arXiv.
https://arxiv.org/abs/2212.03332
Kwon, C.-K. (2023). Development of embedded machine learning finger number recognition
application using Edge Impulse Platform. Proceedings of the 2023 Congress in Computer
Science, Computer Engineering, & Applied Computing (CSCE), 2697–2699. IEEE.
https://doi.org/10.1109/CSCE60160.2023.00433
Laganà, M. M., Di Tella, S., Ferrari, F., Pelizzari, L., Cazzoli, M., Alperin, N., Jin, N., Zacà, D., Baselli,
G., & Baglio, F. (2022). Blood and cerebrospinal fluid flow oscillations measured with real-
time phase-contrast MRI: Breathing mode matters. Fluids and Barriers of the CNS, 19(1), 100.
https://doi.org/10.1186/s12987-022-00394-0
Levin, M., Selberg, J., & Rolandi, M. (2019). Endogenous bioelectrics in development, cancer, and
regeneration: Drugs and bioelectronic devices as electroceuticals for regenerative medicine.
pág. 12847
iScience, 22, 519–533. https://doi.org/10.1016/j.isci.2019.11.023
Márquez-Vera, M. A., Martínez-Quezada, M., Calderón-Suárez, R., Rodríguez, A., & Ortega-Mendoza,
R. M. (2023). Microcontrollers programming for control and automation in undergraduate
biotechnology engineering education. Digital Chemical Engineering, 9, 100122.
https://doi.org/10.1016/j.dche.2023.100122
McClure, K., Erdreich, B., Bates, J. H. T., McGinnis, R. S., Masquelin, A., & Wshah, S. (2020).
Classification and Detection of Breathing Patterns with Wearable Sensors and Deep Learning.
Sensors, 20(22), 6481. https://doi.org/10.3390/s20226481
Olyanasab, A., & Annabestani, M. (2024). Leveraging Machine Learning for Personalized Wearable
Biomedical Devices: A Review. Journal of Personalized Medicine, 14(2), 203.
https://doi.org/10.3390/jpm14020203
Pinaso, G. R., Figueiredo, L. M., Rosa Júnior, O., & da Silva Richetto, M. R. (2024). Edge Impulse
potential to enhance object recognition through machine learning. Semina: Ciências Exatas e
Tecnológicas, 45, e49197. https://doi.org/10.5433/1679-0375.2024.v45.49197
Saat, A., Rahmat, R. W. O. K., Ab Razak, N. I., Abas, R., & Mohd Thani, S. (2024). The perception of
medical students on the usefulness of the Respiratory Ventilatory Augmented Reality
(ResVAR) application for learning the respiratory system. Education in Medicine Journal,
16(S1), 29–36. https://doi.org/10.21315/eimj2024.16.s1.4
Schulz, A., Stathatos, S., Shriver, C., & Moore, R. (2023). Utilizing online and open-source machine
learning toolkits to leverage the future of sustainable engineering. arXiv.
https://arxiv.org/abs/2304.11175
Silva, M. G. da, Dias, M. A. da S., & Luna, K. P. de O. (2020). Ensino de biofísica: Entre o equilíbrio,
o desequilíbrio e a auto-organização em sistemas biológicos. Revista Sustinere, 8(2), 539–569.
https://doi.org/10.12957/sustinere.2020.53510
Sin, D. D. (2023). The importance of early chronic obstructive pulmonary disease: A lecture from 2022
Asian Pacific Society of Respirology. Tuberculosis and Respiratory Diseases, 86(2), 71–81.
https://doi.org/10.4046/trd.2023.0005
pág. 12848
Vicente-Martinez, Y. (2024). Estructura y funcionamiento del aparato respiratorio. Con-Ciencia
Serrana: Boletín Científico de la Escuela Preparatoria Ixtlahuaco, 6, 32–33.
https://doi.org/10.29057/ixtlahuaco.v6i11.11979
Wang, Y., Li, Q., Chen, W., Jian, W., Liang, J., Gao, Y., Zhong, N., & Zheng, J. (2022). Deep learning-
based analytic models based on flow-volume curves for identifying ventilatory patterns.
Frontiers in Physiology, 13, Article 824000.
https://doi.org/10.3389/fphys.2022.824000
Webster, L. R., & Karan, S. (2020). The physiology and maintenance of respiration: A narrative review.
Pain Therapy, 9, 467–486. https://doi.org/10.1007/s40122-020-00203-2