Internet das coisas e rede móvel aplicadas para a criação de dispositivo de monitoramento do coração artificial
| dc.contributor.advisor | Akamine, Cristiano | |
| dc.contributor.author | Muxito, Ezequiel Manuel | |
| dc.date.accessioned | 2025-01-17T19:25:06Z | |
| dc.date.available | 2025-01-17T19:25:06Z | |
| dc.date.issued | 2024-06-01 | |
| dc.description.abstract | A utilização de sensores para monitoramento dos paciente com Insuficiência Cardíaca (IC), pauta-se na análise do progresso científico e tecnológico acerca da Internet of Things (IoT), aplicado como uma perspectiva inovadora no conceito de Saúde 4.0. Esta dissertação contribuiu no dispositivo de monitoramento do Left Ventricular Assist Devices (LVAD) fomentado pela MackPesquisa. O foco principal reside no sensoriamento avançado, conectividade via rede móvel e suporte remoto à supervisão, direcionando-se à operação e diagnostico de pacientes afetados com IC. O projeto incorpora o uso de ferramentas avançadas para coleta, processamento e análise de dados, empregando conceitos de Big Data e Data Analytics. O protótipo compreende a configuração de um microcontrolador, sensores de batimento cardíaco para monitoramento preciso, um acelerômetro para coleta de dados de movimentos, aceleração e detecção de quedas, além de um módulo de rede móvel para a transmissão eficiente de dados e segura, com a aplicação de técnicas avançadas de segurança da informação. A análise meticulosa dos dados obtidos possibilitou o monitoramento contínuo da saúde dos pacientes, facilitou diagnósticos mais precisos, fornecendo um histórico abrangente da saúde dos pacientes ao longo do tempo. Os experimentos analisaram dataset com 472 registos, aplicados modelos de Machine Learning (ML) para monitorar a rotina dos pacientes a partir de indicadores como batimentos cardíacos, inclinação, queda e movimentos. Os resultados da pesquisa compreendem uma vasta gama de informações que contribuem para a compreensão dos padrões comportamentais dos pacientes, permitindo a identificação de fatores que podem influenciar o sucesso do tratamento clínico e a implementação de estratégias mais eficazes de monitoramento e intervenção. Os modelos e técnicas de ML como: Regressão Linear, Regressão Logística, Arvore de Decisão, Floresta Aleatória, XGBoost e KNN, apresentam resultados que evidenciam um estudo comparativo que avaliou seus desempenhos. A análise indicou que Regressão Linear obteve acurácia de 100% e precisão de 23.62%, e Floresta Aleatória obteve acurácia de 100% e precisão de 23.47%, o que resultou em uma pontuação superior em comparação com outros algoritmos de ML., além disso, verificou-se a instabilidade dos sensores de batimentos cardíacos utilizados durante a coleta de dados, sendo que o sensor de pulso fotodetetor mostrou-se mais estável. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/39883 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | internet das coisas | |
| dc.subject | rede móvel | |
| dc.subject | saúde 4.0 | |
| dc.subject | coração artificial | |
| dc.title | Internet das coisas e rede móvel aplicadas para a criação de dispositivo de monitoramento do coração artificial | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/0394598624993168 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0002-3161-4668 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/0709417701854193 | |
| local.contributor.authorOrcid | https://orcid.org/0000-0002-8331-0842 | |
| local.contributor.board1 | Almeida, Jefferson Jesus Hengles | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/2338238864298330 | |
| local.contributor.board2 | Lopes, Paulo Batista | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/1678715490240349 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0002-8070-1688 | |
| local.description.abstracten | The use of sensors to monitor patients with heart failure is based on an analysis of scientific and technological progress in the field of IoT, applied as an innovative perspec tive in the concept of Health 4.0. This dissertation contributed to the LVAD monitoring device promoted by MackPesquisa. The main focus lies on advanced sensing, mobile network connectivity and remote supervision support, targeting the operation and diag nosis of patients affected by HF. The project incorporates the use of advanced tools for data collection, processing and analysis, employing Big Data and Data Analytics con cepts. The prototype comprises the configuration of a microcontroller, heartbeat sensors for precise monitoring, an accelerometer for collecting data on movements, acceleration and fall detection, as well as a mobile network module for efficient and secure data trans mission, with the application of advanced information security techniques. Meticulous analysis of the data obtained made it possible to continuously monitor patients’ health, facilitate more accurate diagnoses and provide a comprehensive history of patients’ health over time. The experiments analyzed datasets with 472 records, applying ML models to monitor patients’ routines based on indicators such as heart rate, inclination, fall and movement. The results of the research comprise a wide range of information that con tributes to the understanding of patients’ behavioral patterns, allowing the identification of factors that can influence the success of clinical treatment and the implementation of more effective monitoring and intervention strategies. Models and techniques such as: Li near Regression, Logistic Regression, Decision Tree, Random Forest, XGBoost and KNN, present results that show a comparative study that evaluated their performance. The analysis indicated that Linear Regression obtained an accuracy of 100% and precision of 23.62%, and Random Forest obtained an accuracy of 100% and precision of 23.47%, which resulted in a higher score compared to other algorithms. In addition, the instability of the heartbeat sensors used during data collection was verified, with the photodetector pulse sensor proving to be more stable. | |
| local.keywords | internet of things | |
| local.keywords | mobile network | |
| local.keywords | health 4.0 | |
| local.keywords | artificial heart | |
| local.publisher.country | Brasil | |
| local.publisher.department | Escola de Engenharia Mackenzie (EE) | |
| local.publisher.initials | UPM | |
| local.publisher.program | Engenharia Elétrica e Computação | |
| local.subject.cnpq | CNPQ::ENGENHARIAS |