Monitoramento de sinais fisiológicos utilizando algoritmos de fusão de dados em RSSF

Abstract

MHealth é uma aplicação de computação móvel, comunicações sem fio e tecnologias de rede para fornecer ou melhorar diversos serviços de informações sobre a saúde de um paciente com mobilidade dentro de uma determinada área. Esses serviços podem fornecer a pacientes e cuidadores um monitoramento ininterrupto, acesso a dados médicos, comunicações de emergência, entre outros. Para realizar esse monitoramento, as Redes de Sensores Sem Fio (RSSF) podem ser utilizadas para coletar informações e as encaminhá-las até uma aplicação clínica, onde são armazenadas e analisadas, podendo gerar um feedback ao paciente em seu dispositivo móvel. Porém, as RSSF ainda apresentam alguns desafios. Uma solução natural para suplantar falhas e leituras imprecisas dos dados coletados consiste no uso de mais de um nodo nesta rede, e que estes possam cooperar entre si para monitorar os sinais fisiológicos do paciente. Entretanto, esta estratégia traz um novo desafio de escalabilidade causado pelo potencial aumento de colisões, pela transmissão de dados redundantes e pelo consumo excessivo de energia, um dos principais problemas das RSSF. Como resposta a este desafio, a técnica de fusão de dados tem sido adotada como solução para processar múltiplas fontes de dados, gerando um único dado de saída. Considerando isto, esta pesquisa consiste em descrever os conceitos de fusão de dados para sensores mais utilizados e implementar um protótipo para monitoramento de uma grandeza fisiológica utilizando um dos conceitos apresentados. Para isto, foram utilizados dois sensores de temperatura para coletar os sinais de um ser humano e utilizado o protocolo ZigBee para a comunicação sem fio dos sensores. O método utilizado para a fusão de dados foi o Filtro de Kalman. Além disso, uma aplicação mHealth foi criada para exibir o resultado final ao usuário. Os resultados da implementação deste algoritmo mostraram ser possível gerar um único dado de saída com os dados coletados através de múltiplas fontes, mesmo quando acontece alguma inconsistência nos dados o algoritmo consegue evitar a falha e prever o resultado baseando-se na predição e na atualização, aplicado pelo conceito do Filtro de Kalman. Com o uso do Filtro de Kalman para a fusão de dados, também foi possível diminuir a quantidade de pacotes que trafegam pela rede, consequentemente, diminuindo o gasto energético dos sensores gerado pelo encaminhamento dos dados.