[pt] A Internet das Coisas (IoT) se propõe a interligar o mundo físico e a
Internet, o que abre a possibilidade de desenvolvimento de diversas aplicações, principalmente na área da saúde. Essas aplicações requerem um grande
número de sensores para coletar informações continuamente, gerando grandes
fluxos de dados, muitas vezes excessivos, redundantes ou sem significado para
as operações do sistema. Essa geração massiva de dados de sensores desperdiça recursos computacionais para adquirir, transmitir, armazenar e processar
informações, levando à perda de eficiência desses sistemas ao longo do tempo.
Além disso, os dispositivos IoT são projetados para serem pequenos e portáteis,
alimentados por baterias, para maior mobilidade e interferência minimizada no
ambiente monitorado. No entanto, esse design também resulta em restrições
de consumo de energia, tornando a vida útil da bateria um desafio significativo que precisa ser enfrentado. Além disso, esses sistemas geralmente operam
em ambientes imprevisíveis, o que pode gerar alarmes redundantes e insignificantes, tornando-os ineficazes. No entanto, um sistema auto-adaptativo que
identifica e prevê riscos iminentes através de um sistema de pontuação de alertas antecipados (EWS) pode lidar com esses problemas. Devido ao seu baixo
custo de processamento, a referência EWS pode ser incorporada em dispositivos vestíveis e sensores, permitindo um melhor gerenciamento das taxas
de amostragem, transmissões, produção de alarmes e consumo de energia. Seguindo a ideia acima, esta tese apresenta uma solução que combina um sistema
EWS com um algoritmo auto-adaptativo em aplicações IoT de monitoramento
de pacientes. Desta forma, promovendo uma redução na aquisição e transmissão de dados , diminuindo alarmes não acionáveis e proporcionando economia
de energia para esses dispositivos. Além disso, projetamos e desenvolvemos
um protótipo de hardware capaz de embarcar nossa proposta, evidenciando a
sua viabilidade técnica. Além disso, usando nosso protótipo, coletamos dados
reais de consumo de energia dos componentes de hardware que foram usados
durante nossas simulações com dados reais de pacientes provenientes de banco
de dados públicos. Nossos experimentos demonstraram grandes benefícios com
essa abordagem, reduzindo em 87 por cento os dados amostrados, em 99 por cento a carga
total das mensagens transmitidas do dispositivo de monitoramento, 78 por cento dos
alarmes e uma economia de energia de quase 82 por cento. No entanto, a fidelidade do
monitoramento do estado clínico dos pacientes apresentou um erro absoluto
total médio de 6,8 por cento (mais ou menos 5,5 por cento), mas minimizado para 3,8 por cento (mais ou menos 2,8 por cento) em
uma configuração com menores ganhos na redução de dados. A perda de detecção total dos alarmes dependendo da configuração de frequências e janelas
de tempo analisadas ficou entre 0,5 por cento e 9,5 por cento, com exatidão do tipo de alarme
entre 89 por cento e 94 por cento. Concluindo, este trabalho apresenta uma abordagem para
o uso mais eficiente de recursos computacionais, de comunicação e de energia
para implementar aplicativos de monitoramento de pacientes baseados em IoT. / [en] The Internet of Things (IoT) proposes to connect the physical world to
the Internet, which opens up the possibility of developing various applications,
especially in healthcare. These applications require a huge number of sensors
to collect information continuously, generating large data flows, often excessive, redundant, or without meaning for the system s operations. This massive
generation of sensor data wastes computational resources to acquire, transmit,
store, and process information, leading to the loss of efficiency of these systems
over time. In addition, IoT devices are designed to be small and portable, powered by batteries, for increased mobility and minimized interference with the
monitored environment. However, this design also results in energy consumption restrictions, making battery lifetime a significant challenge that needs to
be addressed. Furthermore, these systems often operate in unpredictable environments, which can generate redundant and negligible alarms, rendering them
ineffective. However, a self-adaptive system that identifies and predicts imminent risks using early-warning scores (EWS) can cope with these issues. Due
to its low processing cost, EWS guidelines can be embedded in wearable and
sensor devices, allowing better management of sampling rates, transmissions,
alarm production, and energy consumption. Following the aforementioned idea,
this thesis presents a solution combining EWS with a self-adaptive algorithm
for IoT patient monitoring applications. Thus, promoting a reduction in data
acquisition and transmission, decreasing non-actionable alarms, and providing energy savings for these devices. In addition, we designed and developed
a hardware prototype capable of embedding our proposal, which attested to
its technical feasibility. Moreover, using our wearable prototype, we collected
the energy consumption data of hardware components and used them during
our simulations with real patient data from public datasets. Our experiments
demonstrated great benefits of our approach, reducing by 87 percent the sampled
data, 99 percent the total payload of the transmitted messages from the monitoring device, 78 percent of the alarms, and an energy saving of almost 82 percent. However,
the fidelity of monitoring the clinical status of patients showed a mean total
absolute error of 6.8 percent (plus-minus 5.5 percent) but minimized to 3.8 percent (plus-minus 2.8 percent) in a configuration with lower data reduction gains. The total loss of alarm detection
depends on the configuration of frequencies and time windows, remaining between 0.5 percent and 9.5 percent, with an accuracy of the type of alarm between 89 percent and
94 percent. In conclusion, this work presents an approach for more efficient use of
computational, communication, and energy resources to implement IoT-based
patient monitoring applications.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:62522 |
Date | 15 May 2023 |
Creators | ANTONIO IYDA PAGANELLI |
Contributors | MARKUS ENDLER |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.2122 seconds