R EMOTE M2M H EALTHCARE : A PPLICATIONS AND A LGORITHMS
João Carlos Figueiredo Rodrigues Prudêncio
Dissertação elaborada sobre a orientaçao de Prof. Ana Aguiar e Prof. Daniel Lucani
na Faculdade de Engenharia da Universidade do Porto
1.
Motivação
dades: parado, andar, correr, subir escadas e descer escadas.
Embora já existam algumas aplicações na área de
”Mobile Healthcare”, há questões relacionadas com a
interoperabilidade que ainda não foram totalmente resolvidas. As soluções existentes no mercado não são
facilmente estendidas, reutilizadas ou alteradas por terceiros. Além disso, a interoperabilidade e compatibilidade entre os sistemas existentes é um problema actual [1]. A maioria das soluções são fechadas e proprietárias. As soluções existentes no mercado utilizam
hardware e software caro, aplicado a uma condição
de saúde especı́fica de um paciente. No entanto, a
proliferação dos smartphones é uma oportunidade para
mudar esta situação [2]. A maioria dos smartphones vêm com uma ampla gama de sensores integrados,
como o acelermetro ou GPS. Portanto, uma parcela
crescente da população tem um smartphone e o software direccionado para a saúde deve se digirir tambem
para estes dispostivos móveis.
3.
2.
3.1.
Goals
O objetivo principal desta tese é desenvolver uma
aplicação que permita a monitoração remota de sinais
vitais por várias partes, utilizando a mesma infraestrutura. O protocolo ”Extensible Messaging and Presence Protocol”(XMPP) foi utilizado como o protocolo
de comunicação, porque é uma tecnologia aberta para
comunicação em tempo real, que alimenta uma vasta
gama de aplicações e que podem ser utilizados no paradigma M2M [3].
As aplicações desenvolvidas serão para ser usadas num smartphone, usando apenas tecnologias open
source no seu desenvolvimento. Os sensores de cada
smartphonel serão utilizados, principalmente o acelerómetro e GPS. Além disso outro sensor vai ser utilizado para monitorizar os batimentos cardı́acos do utilizador. Por outro lado, há um conjunto de serviços
que irão consomir estes dados, e gerar informação importante e alarmes relacionados com estes dados. Os
principais serviços desenvolvidos são:
• Detector de anormalidades cardı́acas:
A
frequência cardı́aca deve ser usada para detectar
uma taquicardia ou bradicardia.
• Monitorizaçao da actividade fisica: Usando os
dados do acelerómetro dos vários tipos de actividades fı́sicas usaram-se técnicas de ”Machine
Learning”para reconhecer um conjunto de ativi-
• Geo-Fencing: Uma barreira geográfica será especificada para um utilizador, se esse utilizador ultrapassa a barreira um alarme será enviado. Este tipo de serviço é útil, por exemplo,
para os utilizadores idosos com demência ou
desorientação crónica.
Aplicação M2M para Healthcare
Uma aplicação visando smartphones foi desenvolvida para ser usada por uma pessoa que deseje monitorizar os seus batimentos cardı́acos, a posição e actividade fı́sica. Uma framework desenvolvida pela PT
Inovação chamada MyContext, com base no protocolo
XMPP, foi utilizada com o objectivo de estabelecer a
comunicação entre os dispositivos.
Serviços
O serviço de detecção de anormalidades cardı́acas
é responsável por detectar se a frequência cardı́aca do
utilizador é normal. Para isso, este serviço irá consumir
os dados da frequência cardı́aca que estão ser publicados por todos os utilizadores. Se for detectada alguma
anomalia, uma bradicardia ou taquicardia, uma mensagem é enviada para os subscritores.
Um serviço para a detecção da actividade fı́sica praticada pelos utilizadores foi desenvolvido. Este serviço
consome dados relativos à actividade fı́sica realizada
e envia-os para uma Rede Neuronal, que irá retornar
o tipo de actividade. Outro serviço que foi desenvolvido tem o objectivo de detectar se o utilizador está
fora de um limite geográfico especı́fico. Ele consome
dados de GPS de cada utilizador. Na recepção de um
novo contexto que representa uma posição geográfica
de um utilizador, o serviço verifica se o utilizador tem
uma barreira definida e, no caso a fronteira estar definida ele verifica se o utilizador está dentro ou fora dos
limites.
3.2.
Aplicações
Uma aplicaçao para ser usada por uma pessoa que
deseja monitorarizar os seus batimentos cardı́acos, a
posição geográfica e actividade fı́sica foi desenvolvida. Além de ser possı́vel controlar a sua própria
informação, é também possı́vel monitorizar os dados
de outra pessoa. Além da aplicação Vitracker desenvolvida para ser utilizada num smartphone, uma outra
aplicaçao foi criada para ser usada num tablet. Esta
aplicação é semelhante ao Vitaltracker mas só permite
a monitorização de outros utilizadores. Além disso, é
possı́vel monitorarizar mais do que um utilizador ao
mesmo tempo.
4.
Detecção de actividade fisica utilizando smartphones
A detecção da actividade fı́sica foi realizada utilizando técnicas de ”Machine Learning”. Os dados obtidos do acelerómetro do smartphone foram utilizados
para extrair ”features”úteis que representam a actividade fı́sica. Essa informaçao é enviada para um classificador, com o objectivo de treinar o algoritmo, utilizando uma metodologia de aprendizagem supervisionada.
4.1.
Extracção de ”Features”
Depois de extrair os dados acelerómetro é necessário extrair informação útil que representa a actividade fisica, e, em seguida, enviar essa informação
para um classificador. Um dos principais problemas é
que os dados da aceleração dependem da orientação do
dispositivo, sendo essencial proceder a transformação
dos dados para que os dados da aceleraçao sejam independentes da orientação.
Após a obtenção de um sinal transformada da
aceleração, duas técnicas distintas serão aplicadas:
modelo autoregressivo e integração numérica. Aplicando estas duas técnicas obter-se-á uma lista de valores que representam o sinal original, e esta lista de
valores será enviada para o classificador.
4.2.
Classificação
A classificação envolve sempre duas fases distintas: treino e teste. Na primeira fase, o classificador
irá aprender os padrões baseado num conjunto de dados treino. O paradigma utilizado é a aprendizagem
supervisionada, dando ao classificador os dados de entrada e da classe correspondente [4]. O classificador
utilizado foi uma Rede Neuronal, e ”Super Vector Machines”também foram utilizados para comparar os resultados.
5.
Resultados
Um sistema para permitir a monitorização remota
de sinais vitais foi desenvolvido, seguindo o paradigma
de M2M. Um sistema funcional foi desenvolvido constituı́do por uma aplicaçao para smartphones que permite a monitoração da posição geográfica, frequência
cardı́aca e actividade fı́sica a ser realizada pelo utilizador. Além disso, a mesma aplicação pode ser
usada para controlar a informação de outra pessoa. Finalmente, uma aplicaçao semelhante foi desenvolvida
para ser utilizada num tablet, sendo possı́vel monitorarizar os dados de vários utilizadores.
Para validar a rede e as ”features”escolhidas, um utilizador usou um smartphone enquanto praticava diferentes actividades fı́sicas, sendo que essa aplicaçao guarda
os dados da aceleraçao. Parte dos dados foram utilizados para treinar, e o resto para testar a rede.
Fig. 1 – Matriz de confusão do processo de
classificação, utilizando um Rede Neuronal.
Analisando a tabela, é possı́vel concluir que em
o utilizador estando numa posição estática, a andar e
a correr são situaçoes facilmente reconhecidas pelo
classificador, obtendo uma precisão de quase 100 por
cento. No entanto, o classificador não distingue com
uma precisão elevada entre subir e descer escadas.
6.
Conclusões
Esta tese estudou o problema da criação de uma
aplicação remota num cenário de Healthcare, usando
o paradigma M2M. Um sistema funcional foi desenvolvido constituı́do por uma aplicaçao para smartphones que permite a monitoração da posição geográfica,
frequência cardı́aca e actividade fı́sica realizada pelo
utilizador.
O sistema desenvolvido para reconhecer actividades
fı́sicas obteve bons resultados quando o utilizador que
está a testar a rede treinou previamente o classificador
com os seus dados, assim como quando o smartphone
utilizado é o mesma em ambas as fases. Como trabalho
futuro, um estudo sobre a generalização para múltiplos
utilizadores e dispositivos deve ser feito.
Referências
[1] Donghoon Shin. M-healthcare revolution: an ecommerce perspective.
[2] Rongxing Lu, Xu Li, Xiaohui Liang, Xuemin
Shen, e Xiaodong Lin. GRS: The green, reliability, and security of emerging machine to machine
communications.
[3] P. Saint-Andre. XMPP: lessons learned from ten
years of XML messaging.
[4] C. M. Bishop. Patter recognition and machine learning. Springer, forth edição, 2006.