Monitoração da Temperatura Corporal Baseada em uma Rede de Sensores Sem Fios

Transcrição

1 Monitoração da Temperatura Corporal Baseada em uma Rede de Sensores Sem Fios Iwens G. Sene Jr 1, Talles M. G. A. Barbosa 1, Adson.F. Rocha 2, Francisco A. O. Nascimento 2, Hervaldo S. Carvalho 2,3 1 Departamento de Computação (CMP), Universidade Católica de Goiás (UCG), Brasil 2 Departamento de Engenharia Elétrica (ENE), Universidade de Brasília (UnB), Brasil 3 Faculdade de Medicina (FMD) Universidade de Brasília (UnB), Brasil Resumo A proposta deste trabalho é apresentar uma política de escalonamento aplicada à baixa densidade de uma Rede de Sensores para o Corpo Humano (RSCH). A estratégia apresentada neste trabalho pode ser utilizada para aumentar o tempo de vida de sistemas de monitoramento da saúde de pacientes. O interesse em avaliar como o custo de processamento e transmissão pode influenciar o projeto e estes tipos de sistemas. Como cenário de aplicação está sendo proposta uma Rede de Sensores para o Corpo Humano para coletar a temperatura na superfície do corpo humano. Como forma de garantir sensores em todo o corpo do paciente é proposto uma área de cobertura dividida em sete regiões. Palavras-chave: Tempo de Vida, Fusão de Dados, Redes de Sensores para o Corpo Humano (RSCH). Abstract - The purpose of this paper is to present a scheduling policy applied to a low density Wireless Sensor Network (BSN). The strategy presented in this paper may be useful for increasing the lifetime of a healthcare monitoring wearable system. We re interested in evaluating how transmission and processing costs may influence the projects of these kinds of systems. As an application scenario we re proposing a BSN for collecting temperature of the human body s surface. As form to guarantee sensors in all the body of the patient as area of covering divided in seven regions is considered. Key-words: Lifetime, Data Fusion, Body Sensor Networks (BSN). Introdução As Redes de Sensores Sem Fio (RSSF) tem sido proposta para uma grande faixa de aplicações, como monitoramento da saúde humana [1], monitoramento ambiental [2], sistemas militares [3], dentre outras. Normalmente, uma rede de sensores é formada por dezenas a milhares de nós sensores, que possuem limitada capacidade de memória, poder computacional e de energia [4], [5]. A utilização de sensores em sistemas para monitoramento da saúde do paciente proporciona um acompanhamento à distância trazendo benefícios tanto para o profissional da saúde quanto aos pacientes. O avanço tecnológico e a redução progressiva do tamanho de componentes eletrônicos têm provido os sistemas de monitoração de sensores de tamanho cada vez mais reduzidos, chegando à ordem nano, com longa durabilidade e robustez e com capacidade de transmitir dados por meio de uma conexão sem fio. No caso da saúde do paciente, estas características facilitam o desenvolvimento de sistemas móveis de monitoração contínuo da saúde do paciente. Por exemplo, um monitor de eletrocardiograma permitirá que se detecte arritmias cardíacas e os dados sejam transmitidos para o telefone celular ou o laptop do médico, com o paciente podendo estar em sua casa ou trabalho. Um conjunto de sensores biológicos interconectados por uma rede de comunicação sem fios compõe a Rede de Sensores do corpo humano (RSCH) para o monitoramento do estado de saúde do indivíduo, como é proposto por Carvalho [6]. Em uma RSCH os sensores podem ser móveis ou fixos. Os sensores fixos podem estar dispostos na superfície do corpo ou implantados em alguma parte do organismo. Os sensores de superfície podem mais facilmente ter suas baterias trocadas. Os sensores implantáveis teriam maior dificuldade de terem suas baterias trocadas e isto

2 impõe que os mesmos trabalhem com algoritmos baseados em baixo consumo de energia. Em relação aos sensores móveis, verifica-se: (a) mobilidade ativa, o sensor dispõe de capacidade autônoma para movimentação, por exemplo, um nanorobô, (b) mobilidade passiva, o sensor é movimentado passivamente pela movimentação do próprio órgão, por exemplo, uma cápsula de endoscopia pode ser transportada pelo trânsito intestinal. Do ponto de vista de monitoramento da saúde do indivíduo, o ideal seria usar todos os sensores possíveis ao mesmo tempo para obter o máximo de precisão da avaliação [9]. Todavia, a sobrevida do sistema estará comprometida em questão de minutos, pois se pressupõe que a RSSF seja alimentada por baterias e em alguns casos a substituição da fonte de energia é dificultada. Além disto, existem diversos aspectos relacionados com aspectos éticos e de usabilidade da utilização de múltiplos sensores no organismo. Como alternativa para a limitação de energia têm-se buscado técnicas e políticas para gerenciar a utilização da RSSF, que nesse artigo é proposto o uso de algoritmos de fusão de dados. O termo fusão de dados pode ser relacionado ao processo cognitivo usado pelos seres humanos para integrar os dados oriundos dos sensores do corpo através dos seus cinco sentidos (tato, audição, olfato, paladar e visão) com um conhecimento pré-existente para inferir, de forma mais precisa, sobre os eventos que ocorrem ao seu redor. O ser humano é perito em fazer tais tipos de fusões de dados e seus sentidos estão constantemente gerando dados (informações), para que então o cérebro possa fundi-los obtendo a compreensão do ambiente que cerca o indivíduo. Como técnica, a Fusão de Dados (FD) tem sido utilizada para pré-processar os dados de uma RSSF de forma distribuída aproveitando a capacidade de processamento dos nós sensores [10], [12], [13]. No entanto, a fusão de dados pode ser empregada para transformar dados em informação em seus diversos níveis de complexidade. Por exemplo, fusão de dados pode ser utilizada para integrar todos os dados em uma única informação, como por exemplo se o estado de saúde do indivíduo é normal ou não. Com a técnica de fusão de dados, várias políticas podem ser desenvolvidas com objetivo de aumentar a sobrevida da RSSF, tais como redundância física e escalonando as funcionalidades inerentes de cada nó-sensor [11]. No caso da redundância física pode-se aumentar a RSSF em um número maior de sensores com as mesmas características. Em relação ao escalonamento das funcionalidades, em um único nó sensor inteligente pode-se obter vários sinais, por exemplo: ECG, EMG, oximetro de pulso. Como extensão do trabalho de Carvalho [6], este artigo tem como propósito apresentar uma política para escalonamento de sensores para obtenção de um determinado tipo de informação pré-deteminada a partir do uso da redundância física. O objetivo final é aumentar a sobrevida da RSSF garantindo uma qualidade de serviço adequada para a aplicação. Como cenário para aplicação procura-se reproduzir por meio de simulações um sistema capaz de monitorar a temperatura dérmica do corpo humano obtida a partir de vários sensores de temperatura (redundância física) distribuídos em várias regiões na superfície do corpo. A distribuição ocorre de forma uniforme em relação ao corpo humano, garantindo que haja sensores em cada parte do corpo. A forma como garantir sensores em cada parte do corpo não é proposta deste artigo, podendo o mesmo ser colocado manualmente ou calculado por um algoritmo de distribuição uniforme. Metodologia Nesta seção será apresentado o cenário de monitorar a temperatura do corpo humano, com o uso da RSCH, seus requisitos que influenciam diretamente na aplicação, seu algoritmo e as simulações. O monitoramento da temperatura do corpo humano a partir de vários pontos da superfície da pele pode fornecer informações mais precisas e confiáveis O diagnóstico de algumas patologias, por exemplo, da trombose arterial pode ser automatizado por um sistema computacional vestível construído a partir de uma RSSF. A Figura 1 ilustra uma RSCH para aquisição de sinais do corpo humano de forma a abranger de maneira uniforme todas as partes do corpo humano. Conforme a Figura 1 cada circulo escuro representa um nó sensor disposto aleatoriamente sobre a superfície do mesmo, responsável para aquisição do sinal (temperatura). Os círculos maiores tracejados representam a divisão das partes do corpo humano em número de sete (cabeça, tórax, abdômen, membros superiores e membros inferiores). Essa divisão foi realizada para garantir que cada parte do corpo teria um sensor para trazer a informação do sinal que esta sendo monitorado, atingindo toda área de cobertura. Isto garante que o sistema forneça a informação precisa de cada parte do corpo,

3 podendo identificar alguma alteração de fácil localização Figura 1 Sensores de temperatura dispostos por região no corpo humano. A Figura 1 apresenta uma topologia de RSCH distribuída utilizada para obtenção da temperatura dérmica em várias partes do corpo humano. Neste cenário, os nós-sensores são representados por pequenos pontos escuros e foram colocados de maneira aleatória nas sete posições existentes resguardando o mínimo espalhamento. A utilização do sinal de temperatura neste artigo tem como efeito avaliativo da técnica de fusão de dados, o intuito é realizar as simulações com vários sinais diferentes tais como ECG, temperatura, pressão arterial, entre outros. Como solução proposta para a limitação da autonomia das baterias destes sistemas, o trabalho emprega o conceito de FD objetivando encontrar valores ótimos para o escalonamento de sensores de um sistema vestível a fim de que a sobrevida deste sistema possa ser aumentada. Para aplicação da FD em RSCH diferentes requisitos devem ser considerados resguardando o significado de cada um diante de cada cenário da aplicação. Para simular o monitoramento da temperatura dérmica a partir de uma RSSF tem-se: Custo da comunicação corresponde ao número de mensagens utilizadas para receber (RX) e transmitir (TX) os dados. Custo da fusão de dados representa o tempo de processamento gasto para computar uma expressão matemática que manipula (integra) os dados obtidos por um ou mais sensores. Custo do sensoriamento compreende o custo gasto para aquisição do dado a partir de um transdutor específico. Escalabilidade representa a capacidade de crescimento incremental da RSCH pela adição de novos sensores. Restrição de energia devido à dificuldade para a substituição da fonte de energia. Nesta aplicação os sensores serão dispostos na superfície do corpo e não tem mobilidade (sensores fixos). Ao definir o número de sensores é construída uma tabela com os custos, que inicialmente é igual para todos, pois cada nó sensor está com 100% de sua bateria e todos os nós sensores alcançam os seus vizinhos. Para cada ação dentro do sistema, tais como sensoriar, transmissão, recepção, fusão e roteamento têm um custo associado, à medida que ocorre é automaticamente decrementado do seu total de energia. Depois de estabelecidos os valores para os custos o algoritmo escolhe de maneira aleatória o subconjunto de nós-sensores de onde serão obtidas as informações (dados) de interesse. Feito isso, o algoritmo recalcula a tabela de custos para cada nó-sensor do subconjunto supracitado a fim de que possam ser encontrados os nós-sensores intermediários, responsáveis pela execução da expressão que representa a FD. Assim, os sensores A, B, C e D representam sensores de temperatura dispostos em diferentes partes do corpo humano e precisam de alguma forma ter os seus valores comparados e fundidos para determinar por exemplo se o paciente está com febre, se ele tem hipotermia ou hipertermia em alguma parte específica do corpo, etc. È proposto uma expressão para a Fusão de Dados (FD), utilizando os nós sensores e enviando para o nó destino. A Equação (1) apresenta a expressão utilizada pela RSSF para a FD: FD = ((A + B) + (C + D)) (1) O operador + representa a FD propriamente dita. Para este trabalho, cada + corresponde à média aritmética simples entre dois valores sensoriados de temperatura. A partir da expressão de FD realizada pela fusão os dados são enviados para o nó destino (DST). Para este artigo foi adotado que vai existir um nó destino para cada região, capaz de receber todas as informações.

4 DST C B A (A+B)+(C+D) Figura 2 Fusão de Dados da RSSF A Figura 2 apresenta a expressão de fusão de dados em uma das regiões, que realiza o sensoriamento da temperatura através de quatro pontos (A, B, C e D), fundi as informações em um nó utilizando o calculo do menor custo e em seguida envia para o nó destino. Conforme apresentado existem sete regiões distintas e para cada uma existe um nó destino. Ao final das simulações existirá uma temperatura média em cada parte do corpo, sendo possível realizar uma comparação para identificar possíveis diferenças de temperatura e a localização da região que possui esta diferença. Assim que a tabela de custos é aplicada o algoritmo do menor caminho (Dijkstra) [7] obtém os menores custos entre os nós. Com a informação obtida na tabela custos são calculados três pontos ótimos para realizar a fusão entre (A+B), (C+D), (AB+CD) e posteriormente enviar ao nó destino (DST). Recalculando os custos que são inversamente proporcionais ao consumo da bateria é feita uma nova redistribuição de caminhos ótimos para realizar a fusão de dados e para cada recálculo é utilizado um maior conjunto possível de nós sensores, aumentando o tempo de vida da RSCH. Este processo de re-execução recebe o nome de trial e é aplicado como critério para escalonamento de outros sensores conforme foi citado anteriormente. Após a execução da FD as informações resultantes são transmitidas ao nó destino. O caminho utilizado pelo fluxo de dados e/ou informações se mantém durante um número prédeterminado de interações e nesse período o nível de energia dos nós-sensores envolvidos é decrementado. O número de interações estabelece o intervalo de tempo em que o trial deve ser aplicado. D Para este artigo serão avaliadas estratégias que aplicam o trial a cada 5, 15 e 30 interações. O momento de parada do algoritmo é indicado com o fim do nível de bateria do nó destino (DST), A, B, C, D e da ausência de sensores necessários para resolver a expressão de fusão de dados. O algoritmo proposto foi implementado e avaliado no software MATLAB 6.5. Para as simulações criou-se uma rede homogênea, ou seja, com todos os nós sensores com as mesmas características, com o mesmo nível de bateria e o mesmo hardware. Para as simulações foram utilizadas três topologias de rede dispostas aleatoriamente com 10, 20 e 30 nós-sensores, sendo que para todas as topologias foi considerado que a RSSF possui apenas um nó destino em cada região. Os valores teóricos utilizados para os requisitos são apresentados como Custo de fusão = 0.005, Custo de sensoriar = 0.005, Custo de Tx e Rx = 0.01, Custo destino = custo Rx, Custo rotear = Tx+Rx e Custo Dijkstra = 3 *(Tx+Rx). Com relação aos custos empíricos apresentados é possível observar que o custo de comunicação possui uma relação de duas vezes o custo de sensoriar e de fusão (custo de processamento). Este critério foi utilizado por outros trabalhos [8] e justifica-se devido ao fato de que se gasta mais energia por unidade de tempo para transmissão do que para processamento em virtude dos circuitos eletrônicos empregados pelos rádios transmissores comumente utilizados em RSSF. O custo de sensoriar está associado aos nós sensores (A, B, C e D) que têm como função colher o sinal do ambiente. A comunicação entre os nós é avaliada por meio do custo Tx e Rx, ou seja, de transmitir e receber. O custo Tx e Rx também é decrementado pelos sensores que realizam a função de roteamento, que neste artigo são considerados de mesmo valor tanto para transmissão quanto para recepção. O custo de Dijkstra representa 3 vezes o custo de comunicação que corresponde o custo de receber as informações dos vizinhos de cada nó sensor e repassar novamente informando o novo custo existente para cada um deles. Com o propósito de ampliar o tempo de vida da RSCH foi proposta a variável trial, que utiliza um novo conjunto de sensores para fusão dos dados e assim prolongar o tempo de vida da rede. Resultados A Tabela 1 apresenta os resultados para o tempo de vida da RSSF a partir do número máximo de iterações alcançado. Estes valores foram

5 obtidos pela variação do número de sensores e da freqüência do trial, ou seja, número de vezes em que o algoritmo Dijkstra é executado para recálculo das tabelas de custo. Por exemplo, para 10, 20 e 30 sensores por região o recálculo das tabelas de custos foi efetuado a cada 5, 15 ou 30 iterações. Este recálculo teve o seu melhor desempenho quando o algoritmo executa o valor com 5 iterações. Sempre que executado a chance de se obter um conjunto de nós sensores com quantidades maiores de energia, proporciona o prolongamento da vida útil da RSCH. A Figura 3 apresenta um gráfico comparativo dos resultados obtidos. O eixo das ordenadas corresponde ao tempo de vida médio da RSCH obtido a partir de 10 simulações com os mesmo valores, enquanto que o eixo das abscissas corresponde à freqüência utilizada para o recálculo das tabelas de custos nós por região 20 nós por região 30 nós por região Figura 3 Resultados obtidos para freqüência do trial versus tempo de vida da RSCH, valores apenas da região 1. Com o aumento do número de sensores obteve-se um melhor desempenho da rede como pode ser visto na Figura 3, além disso pode ser visto uma melhora quando a variável trial tem seu menor valor. A explicação do bom desempenho é que o recálculo das tabelas de custos permite com que os caminhos utilizados pelo algoritmo possam ser modificados e com isso um maior número de sensores possam ser utilizados por unidade de tempo. Cada nova tabela de custos possibilita ao algoritmo uma nova seleção de sensores pela seleção dos caminhos mais curtos. Por exemplo, o valor 5 para a freqüência de trial quando usando 10 sensores corresponde aproximadamente a 40 recálculos das tabelas de custos. A Tabela 1 mostra os resultados obtidos a partir das simulações realizadas para número de sensores, freqüência do trial e o valor obtido para o tempo de vida para cada região. Também é apresentado o tempo de vida médio da rede em relação ao número de sensores e freqüência do trial. Tabela 1: Resultados obtidos das simulações. Tempo de Vida médio da RSSF (número de iterações) Nº Sensores Freqüência do trial O algoritmo proposto para realizar as simulações pressupõe a redundância física dos nós sensores quanto à energia armazenada pelas baterias. Com a variação do número de sensores se buscou estender a sobrevida da RSCH [6], conforme apresentado na Tabela 1. O fato é que o número de sensores está diretamente relacionado ao tipo de aplicação e para a temperatura tem uma média de todo o corpo do paciente. Dos resultados obtidos verifica-se, ainda, que embora o escalonamento de sensores representa custo adicional pelo recálculo do algoritmo de Dijkstra o mesmo se mostrou muito útil para o aumento da sobrevida da RSSF dado que o uso dos mesmos caminhos para o fluxo da informação pode levar rapidamente à perda de algum sensor pelo desgaste da bateria. Discussão e Conclusões A utilização de RSCH para o monitoramento da saúde humana por meio de sistemas vestíveis ainda precisa de respostas quanto aos requisitos não-funcionais destes sistemas. O dimensionamento inadequado da RSCH pode representar aumento de custos sem aumento de desempenho. Diante disso, este trabalho buscou verificar o comportamento de uma RSCH com sensores quando aplicado um algoritmo para otimizar o uso das baterias.

6 A melhor solução está relacionada à alta densidade de sensores. Pelo fato de aumentar o número de sensores é possível prolongar o tempo de vida da RSCH, pois aumenta diretamente o número de baterias em uso. Com o prolongamento do tempo de vida da rede proposto pelo algoritmo poderá ser instituído um sistema de monitoramento automatizado remotamente em pacientes como ganho deste sistema à diminuição do custo operacional, otimização dos procedimentos, aumento da comodidade e conforto para o paciente e redução do índice de infecções hospitalares. Quando for possível o uso de nano-sensores existirá a possibilidade de uma rede de sensores de alta densidade combater e informar mais precisamente patologias que não estão vistas ao olho dos profissionais de saúde contribuindo também pela dificuldade de manutenção dos nós sensores. O recálculo de novos pontos ótimos para fusão de dados, que é proposto pelo algoritmo possibilita a utilização de uma redistribuição da carga das baterias dos nós sensores, levando assim a um maior tempo de vida do sistema. A coluna do tempo de vida médio na Tabela 1, apresenta valores próximos do normal. Comparando as colunas de cada região disposta no corpo humano poderá ser detectado um problema e localizá-lo se existir uma variação alta ou baixa significativa da média da temperatura. Como trabalho futuro pretende-se explorar novos cenários para aplicações aumentando a densidade da RSSF e fazendo uso de redundância funcional. Além disso, pretende-se avaliar a utilização de outros algoritmos para os cálculos das distâncias como o algoritmo de Floyd, Ford, Prim e Krukal. Até o momento, de acordo com a literatura pesquisada nenhum documento encontrado apresenta proposta semelhante acerca do algoritmo que possa ser empregado em RSCH distribuídas para o aumento da sobrevida. Referências [1] A. Cerpa, J. Elson, M. Hamilton, J. Zhao, D. Estrin, L. Girod, Habitat monitoring: application driver for wireless communications technology, in Proc. Workshop on Data comm., [2] V. A. Kottapalli, A. S. Kiremidjian, J. P. Lynch ; E. Carryer, T. W. Kenny, K. H. Law, Y. Lei, Two-tiered wireless sensor network architecture for structural health monitoring, Internat. Symp. Smart Structures and Materials, Mar [3] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, E. Cayirci, A Survey on Sensor Networks, IEEE Communications Magazine, Ago [4] W. Heinzelman, A. Chandrakasan, H. Balakrishnan, Energy-Efficient Communication Protocol for Wireless Microsensor Networks, Hawaii International Conference on System Sciences, Jan [5] L. C. Zhong, J. M. Rabaey, A. Wolisz, "An integrated data-link energy model for wireless sensor networks", in Proc. International Conference on Communications, Jun [6] Carvalho, H. S., Data Fusion Implementation in Sensor Networks Applied to Health Monitoring, PhD thesis, Dep. Ciência da Computação, UFMG, Belo Horizonte, MG, January [7] Tanembaum, A. S., Computer Network, Prentice Hall, Englewood Cliffs, NJ, thrid edition, [8] Carvalho, H. S., Heinzelman, W., Murphy, A., Coelho Jr, C. (2003), A General Data Fusion Architecture, In: (Fusion 2003), Queensland, Australia, july [9] Carvalho, H. S.,Coelho Jr, C. e Heinzelman, W., Gerenciamento de Informações Médicas do Paciente, VIII Congr. Brasileiro de Inform. em Saúde. Natal-RN, novembro [10] Akyildiz, I.F., Su, W., Sankarasubramaniam, Y., Cyirci, E.: Wireless sensor net-works: A survey. Computer Networks 38 (2002) [11] Durrant-Whyte, H., Data Fusion in Sensor Networks, Information Processing in Sensor Networks, Fourth Intern. Symposium April [12] Millennial Net. Millennial net: Wireless sensor networks, [13] D. Hall, Mathematical Techniques in Multisensor Data fusion, Artech House, Boston, MA, Contato Iwens Gervasio Sene Junior. Departamento de Computação Universidade Católica de Goiás, Goiânia, Brasil. Fone: (062) iwens@ucg.br. Hervaldo Sampaio Carvalho Faculdade de Medicina, Universidade de Brasília, Brasília, Brasil. Fone: (061) carvalho@unb.br. Adson Ferreira da Rocha Departamento de Engenharia Elétrica Universidade de Brasília, Brasília, Brasil. Fone: (061) adson@unb.br.