English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The Internet of Things (IoT) is influencing how computer systems are developed, enabling new application scenarios and a more proactive user interaction, expanding features of mobility and availability. In this work the infrastructure provided by IoT is applied in an architecture to identify risk situations for patients in cardiac rehabilitation. The proposed architecture, called EXEHDA-HP, supports hybrid processing of context data combining techniques based on specification and learning to identify situations. Resumo. A Internet das Coisas (IoT) vem influenciando a maneira como os sistemas computacionais são desenvolvidos, possibilitando novos cenários de aplicação e uma interação mais proativa com os usuários, expandindo caracterı́sticas de mobilidade e disponibilidade. Neste trabalho a infraestrutura oferecida pela IoT é explorada por uma arquitetura na identificação de situações de risco para pacientes em reabilitação cardı́aca. A arquitetura proposta, denominada EXEHDA-HP, suporta o processamento hı́brido de contexto combinando o emprego de técnicas baseadas em especificação e aprendizado para a identificação de situações. 1. Introdução Avanços em tecnologias de sensores, atuadores e protocolos de rede sem fio tem permitido o desenvolvimento de soluções de computação embarcada para diferentes finalidades. Dispositivos como utensı́lios domésticos, carros, equipamentos médicos e smartphones podem ser conectados e interagir a qualquer momento, em qualquer lugar com qualquer pessoa ou outro dispositivo através de uma rede unificada, denominada de Internet das Coisas (IoT) [Razzaque et al. 2015]. A principal contribuição deste trabalho é uma arquitetura de software, integrada ao middleware EXEHDA (Execution Environment for Highly Distributed Applications) [Lopes et al. 2014a], chamada EXEHDA-HP (EXEHDA Hybrid Processing), a qual provê ciência de situação para aplicações em IoT, permitindo o processamento hı́brido de dados de contexto, combinando técnicas baseadas em especificação e aprendizado para detecção de situações. Esta combinação provida pela abordagem hı́brida, contribui para qualificar o mecanismo de detecção de situações [Ye et al. 2012]. XXXVI Congresso da Sociedade Brasileira de Computação 2622 Através do estudo de caso em reabilitação cardı́aca foi possı́vel identificar o potencial de uso da arquitetura proposta em aplicações médicas que necessitem de funções para ciência de situação no cenário distribuı́do tı́pico da Internet das Coisas. 2. EXEHDA-HP: Concepção da Arquitetura O middleware EXEHDA possui dois tipos de servidores: (i) Servidor de Borda, responsável por interagir com ambiente através de sensores e atuadores; e (ii) Servidor de Contexto, responsável por prover funcionalidades para ciência de situação. Estes servidores são alocados em células no ambiente gerido pelo EXEHDA, onde cada célula possui um Servidor de Contexto e pode possuir vários Servidores de Borda. O Servidor de Contexto é formado por cinco módulos: Aquisição, Atuação, Notificação, Comunicação e Processamento [Lopes et al. 2014b]. A arquitetura do EXEHDA-HP, apresentada na Figura 1, está integrada ao Módulo de Processamento. O bloco Gerenciador de Contexto é responsável pela funcionalidade de processamento dos dados contextuais. As etapas de fusão e interpretação utilizam modelos baseados em aprendizado, regras, ou ambos, caracterizando assim um modelo hı́brido. Um dos principais desafios do modelo hı́brido proposto é permitir que o treinamento e uso de algoritmos de aprendizado possa ser feito de uma forma transparente para as camadas de aplicação do EXEHDA. Para adicionar essa funcionalidade ao EXEHDA, foram criados os componentes do bloco Mecanismos de Aprendizado. Utilizando a API de Treinamento o administrador da aplicação poderá disponibilizar os dados de treinamento, escolher a técnica de processamento e especificar as caracterı́sticas que devem ser extraı́das dos dados para executar a técnica de aprendizado. Após a execução do treinamento, os parâmetros obtidos são armazenados no repositório Modelos de Aprendizado. Esses parâmetros são acessados através da API de Execução durante a utilização da aplicação. O bloco Extração de Caracterı́sticas executa o pré-processamento das variáveis de contexto ou de sinais obtidos diretamente de sensores, extraindo o conjunto de caracterı́sticas relevantes para o treinamento e a utilização dos algoritmos de aprendizado. O Classificador de Situações permite a inferência de situações considerando as informações de contexto geradas pelo processamento hı́brido. São aplicados modelos de raciocı́nio fuzzy em conjunto com técnicas de aprendizado para classificação. 3. EXEHDA-HP: Avaliação da Arquitetura Para realizar a avaliação das funcionalidades da arquitetura foi prototipada uma aplicação para monitoramento de pacientes em reabilitação cardı́aca após um acidente vascular. Estudos na área de cardiologia indicam que exercı́cios fı́sicos podem reduzir o tempo de recuperação destes pacientes. Porém, respostas desproporcionais na frequência cardı́aca podem indicar situações de risco para o paciente. Desta forma, o reconhecimento da atividade fı́sica e sua correlação com a frequência cardı́aca pode permitir uma recuperação mais segura [Negrão and Barreto 2010]. O risco inerente a situação do paciente foi classificado no domı́nio linguı́stico: baixo, moderado e alto. No trabalho de Kwapisz et al. [Kwapisz et al. 2011] foram capturados sinais de acelerômetros de smartphones de voluntários durante a execução das seguintes atividades

Identificação de Situações de Risco para Pacientes em Reabilitação Cardíaca Explorando uma Arquitetura de Software na Internet das Coisas