Publicação
Desenvolvimento de uma plataforma IoT para deteção de ansiedade através de sinais biomédicos
| Resumo: | O foco central desta dissertação é o desenvolvimento de um sistema IoT para a monitorização e análise de dados biomédicos, com o objetivo de detetar ansiedade em pacientes. Este sistema é composto por uma rede de sensores sem fios, uma aplicação móvel, uma aplicação Web e um servidor responsável pelo processamento dos dados biomédicos em tempo real. Com base nos sinais captados, como o eletrocardiograma (ECG) e atividade eletrodérmica (EDA), o sistema consegue processar a informação e fornecer feedback quase instantâneo sobre o estado emocional do paciente. O desenvolvimento do sistema envolveu várias etapas. Inicialmente, foi especificada uma arquitetura para garantir o cumprimento dos requisitos do sistema. Em seguida, foi desenvolvida uma aplicação Android para atuar como gateway, recolhendo os sinais do concentrador e enviando-os para a base de dados. Esta aplicação também transmite o identificador único do utilizador para o servidor. O servidor foi projetado para extrair os sinais da base de dados, aplicar filtragem e processamento e alimentar um modelo de machine learning. A estimativa gerada é então enviada de volta para a base de dados, onde pode ser acedida tanto através da aplicação móvel como da aplicação Web, permitindo que tanto o paciente como o assistente médico visualizem esta informação. Adicionalmente, foram realizados testes para validar o funcionamento do sistema, incluindo a verificação dos processos de aquisição dos sinais, o desempenho dos modelos de machine learning implementados e a integração dos componentes do sistema. Os testes demonstraram que o sistema opera de forma adequada, com a maior parte das funcionalidades a cumprir os requisitos definidos. Contudo, alguns desafios foram identificados, incluindo a precisão do modelo na deteção de ansiedade e atrasos no processamento em tempo real devido à quantidade de sinais a serem analisados. |
|---|---|
| Autores principais: | Gervais, Emy Ana Lopes |
| Assunto: | IoT Monitorização biomédica Ansiedade Sensores sem fios Sinais biomédicos Eletrocardiograma Atividade eletrodérmica Bluetooth Machine learning Biomedical monitoring Anxiety Wireless sensors Biomedical signals Electrocardiogram Electrodermal activity |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | O foco central desta dissertação é o desenvolvimento de um sistema IoT para a monitorização e análise de dados biomédicos, com o objetivo de detetar ansiedade em pacientes. Este sistema é composto por uma rede de sensores sem fios, uma aplicação móvel, uma aplicação Web e um servidor responsável pelo processamento dos dados biomédicos em tempo real. Com base nos sinais captados, como o eletrocardiograma (ECG) e atividade eletrodérmica (EDA), o sistema consegue processar a informação e fornecer feedback quase instantâneo sobre o estado emocional do paciente. O desenvolvimento do sistema envolveu várias etapas. Inicialmente, foi especificada uma arquitetura para garantir o cumprimento dos requisitos do sistema. Em seguida, foi desenvolvida uma aplicação Android para atuar como gateway, recolhendo os sinais do concentrador e enviando-os para a base de dados. Esta aplicação também transmite o identificador único do utilizador para o servidor. O servidor foi projetado para extrair os sinais da base de dados, aplicar filtragem e processamento e alimentar um modelo de machine learning. A estimativa gerada é então enviada de volta para a base de dados, onde pode ser acedida tanto através da aplicação móvel como da aplicação Web, permitindo que tanto o paciente como o assistente médico visualizem esta informação. Adicionalmente, foram realizados testes para validar o funcionamento do sistema, incluindo a verificação dos processos de aquisição dos sinais, o desempenho dos modelos de machine learning implementados e a integração dos componentes do sistema. Os testes demonstraram que o sistema opera de forma adequada, com a maior parte das funcionalidades a cumprir os requisitos definidos. Contudo, alguns desafios foram identificados, incluindo a precisão do modelo na deteção de ansiedade e atrasos no processamento em tempo real devido à quantidade de sinais a serem analisados. |
|---|