IOT aplicada ao monitoramento da saúde de pessoas idosas: um sistema para identificação de quedas

Abstract

RESUMO: O avanço da internet para o paradigma da Internet das Coisas, ou IoT (Internet of Things) tem trazido à sociedade uma nova forma de geração, compartilhamento e obtenção de informações. Nesse contexto, não apenas as pessoas estão conectadas, mas também todos os objetos a sua volta formando uma grande rede de compartilhamento e tornando o mundo mais aberto. Nesse sentido, a utilização da IoT unida à capacidade de processamento e a economia de recursos energéticos que os dispositivos embarcados possuem, é adotada em sistemas que auxiliam em tarefas como o monitoramento de áreas para plantação, monitoramento de saúde de pessoas através de dispositivos pervasivos conectados ao corpo, gerenciamento de condição física de produtos, casas com seus ambientes inteligentes, etc. Em vista disso, esse trabalho propõe o desenvolvimento de um algoritmo para detecção de situações atípicas como quedas de pessoas idosas e de outros grupos de pessoas que necessitem de cuidados de saúde específicos através do monitoramento das condições de saúde humana utilizando acelerômetro contidos em smartwatches (Relógios inteligentes) tendo como base trabalhos correlatos. Realiza também avaliação da performance preditiva do mesmo utilizando-se a matriz de confusão para exibir frequências referentes a classificação de cada classe analisada em um modelo. Foi utilizado um conjunto de dados multimodal para detecção de quedas coletado através de experimento utilizando diversos sensores dos tipos vestíveis, ambientais e dispositivos visuais. As métricas utilizadas foram acurácia, precisão, revocação e f1-score, onde a métrica relevante dentro do seu contexto é a revocação. Os resultados mostraram que a utilização apenas do limite superior para o pico da aceleração durante o evento de queda é relevante para caracterizar um evento como queda real, tendo revocação de 96%. O pior desempenho foi obtido na abordagem com todos os critérios de definição de queda aplicados e adicionando-se o critério do pico de aceleração entre os limites superior e inferior, com 65% de revocação. Observou-se ainda que a aplicação do algoritmo em dados de acelerômetro de dispositivos em outras partes do corpo diferentes do pulso obteve desempenho satisfatório, destacando-se os valores obtidos para os dispositivos localizados em regiões menos móveis como cintura e pescoço.

ABSTRACT: The advancement of the internet to the paradigm of the Internet of Things, or IoT (Internet of Things) has brought to society a new way of generating, sharing and obtaining information. In this context, not only people are connected, but also all objects around them, forming a large sharing network and making the world more open. In this sense, the use of IoT together with the processing capacity and energy savings that embedded devices have, is adopted in systems that assist in tasks such as monitoring areas for planting, monitoring people's health through pervasive connected devices. To the body, managing the physical condition of products, homes with their smart environments, etc. In view of this, this work proposes the development of an algorithm to detect atypical situations such as falls of elderly people and other groups of people who need specific health care by monitoring human health conditions using an accelerometer contained in smartwatches based on related work. It also evaluates the predictive performance of the same using the confusion matrix to display frequencies referring to the classification of each class analyzed in a model. A multimodal dataset was used to detect falls collected through an experiment using various wearable, environmental and visual devices sensors. The metrics used were accuracy, precision, recall and f1-score, where the relevant metric within its context is recall. The results showed that the use of only the upper limit for the peak acceleration during the fall event is relevant to characterize an event as a real fall, with 96% recall. The worst performance was obtained in the approach with all the fall definition criteria applied and adding the peak acceleration criterion between the upper and lower limits, with 65% recall. It was also observed that the application of the algorithm in accelerometer data from devices in other parts of the body other than the wrist achieved satisfactory performance, highlighting the values obtained for devices located in less mobile regions such as waist and neck.