Com o objetivo de identificar o desempenho da arquitetura proposta na apuração da localização em tempo real, foram trocados de posição todos os 28 livros e realizadas as leitu-
ras e apuração de resultados a cada Janela de Intervalos de Leitura, desta maneira foi possível identificar a quantidade de Janelas de Intervalos de Leitura necessárias para a arquitetura obter resultados semelhantes a base de treinamento (Tabela 8) após a movimentação de todas as eti- quetas alvo. Neste caso a quantidade de registros testados é 280, devido a existir 28 etiquetas e 10 leituras (Tamanho da Janela de Intervalos de Leitura, parâmetro definido na seção 5.1.1.1). A Tabela 10 apresenta os resultados obtidos uma Janela de Intervalos de Leitura após a troca de todos os livros. É possível perceber que há uma redução na taxa de acerto em alguns al- goritmos, esta redução é esperada devido a cada livro possuir espessura e tamanhos diferentes o que afeta sensivelmente a posição original de cada etiqueta. Mesmo assim dois algoritmos obtiveram 100% de acerto: BayesNet e Kstar.
Tabela 10: Resultados em Tempo Real: Após 1aJanela de Intervalos de Leitura Algoritmo Corretas Erradas Total Taxa Acerto
J48 250 30 280 89,29% MultilayerPerceptron 276 4 280 98,57% BayesNet 280 0 280 100,00% SMO 233 47 280 83,21% Kstar 280 0 280 100,00% Jrip 238 42 280 85,00%
A Tabela 11 apresenta os resultados obtidos duas Janelas de Intervalos de Leitura após a troca de todos os livros. Existe um aumento na taxa de acerto, pois as leituras da primeira 1aJanela de Intervalos de Leitura foram adicionadas na base de treinamento e contribuíram na
melhoria do desempenho dos classificadores.
Tabela 11: Resultados em Tempo Real: Após 2aJanela de Intervalos de Leitura Algoritmo Corretas Erradas Total Taxa Acerto
J48 270 10 280 96,43% MultilayerPerceptron 278 2 280 99,29% BayesNet 280 0 280 100,00% SMO 264 16 280 94,29% Kstar 280 0 280 100,00% Jrip 257 23 280 91,79%
A Tabela 12 apresenta os resultados obtidos após três Janelas de Intervalos de Leitura. Nesta apuração foi possível perceber que a taxa de acerto se equiparou com a taxa de acerto da posição original da base de treinamento (Tabela 8), pois novamente os classificadores J48, BayesNet e Kstarobtiveram 100%. A Tabela 13 e a Figura 25 demonstram a evolução de acertos após a troca de todos os livros a cada Janela de Intervalos de Leitura em relação aos resultados obtidos na posição original.
Tabela 12: Resultados em Tempo Real: Após 3aJanela de Intervalos de Leitura Algoritmo Corretas Erradas Total Taxa Acerto
J48 280 0 280 100,00% MultilayerPerceptron 279 1 280 99,64% BayesNet 280 0 280 100,00% SMO 277 3 280 98,93% Kstar 280 0 280 100,00% Jrip 279 1 280 99,64%
Tabela 13: Evolução de Acertos após a troca de todos os livros
Algoritmo Posição Original 1aJanela 2aJanela 3aJanela
J48 100,00% 89,29% 96,43% 100,00% MultilayerPerceptron 99,89% 98,57% 99,29% 99,64% BayesNet 100,00% 100,00% 100,00% 100,00% SMO 99,07% 83,21% 94,29% 98,93% Kstar 100,00% 100,00% 100,00% 100,00% Jrip 99,43% 85,00% 91,79% 99,64%
Figura 25: Evolução de Acertos após a troca de todos os livros
Após a identificação do resultado da 3a Janela de Intervalos de Leitura onde três al- goritmos (J48, BayesNet e Kstar) conseguiram obter 100% de acerto, a investigação consistiu em trocar de posição apenas dois livros, com o objetivo de analisar o comportamento da ar- quitetura nesta situação. A Tabela 14 e a Figura 26 apresentam a evolução dos acertos nesta situação. Considerando como posição original o resultado obtido na 3a Janela de Intervalos de
Leitura após a troca de todos os livros (Tabela 12). Neste caso a arquitetura precisou de duas Ja- nela de Intervalos de Leitura para conseguir obter novamente 100% de acerto nos três melhores classificadores identificados neste ambiente.
Tabela 14: Evolução de Taxa de Acerto após troca de dois livros Algoritmo Posição Original 1aJanela 2aJanela
J48 100,00% 99,29% 100,00% MultilayerPerceptron 99,64% 97,50% 99,29% BayesNet 100,00% 100,00% 100,00% SMO 98,93% 98,21% 98,25% Kstar 100,00% 100,00% 100,00% Jrip 99,64% 99,29% 99,64%
Figura 26: Evolução de Acertos após a troca de dois livros
Após esta etapa, foram realizados novos testes, onde foi trocado 6 livros de posições. A Tabela 15 e a Figura 27 apresentam a evolução dos acertos após a troca de 6 livros, consi- derando como posição original o resultado obtido na 2a Janela de Intervalos de Leitura após a
troca de dois livros (Tabela 14). Neste caso a arquitetura necessitou de 2 Janelas de Intervalos de Leitura para obter 100% de acerto no classificador BayesNet e 3 Janelas de Intervalos de Leitura para o classificador Kstar.
Tabela 15: Evolução de Acertos após a troca de seis livros
Algoritmo Posição Original 1aJanela 2aJanela 3aJanela
J48 100,00% 95,71% 96,07% 99,29% MultilayerPerceptron 99,29% 97,14% 98,21% 99,29% BayesNet 100,00% 99,64% 100,00% 100,00% SMO 98,25% 92,86% 94,29% 98,94% Kstar 100,00% 99,29% 99,29% 100,00% Jrip 99,64% 96,43% 96,43% 99,29%
Figura 27: Evolução de Acertos após a troca de seis livros 6.3 REDUÇÃO NA QUANTIDADE DE ANTENAS
Com o objetivo de analisar como a quantidade de antenas interfere na apuração da localização, foram realizados testes considerando os atributos de uma, duas, três e quatro an- tenas. Para esta investigação foi utilizada a técnica de validação cruzada (Figura 18) com a base de dados de treinamento demonstrada na Tabela 8. A Tabela 16 e a Figura 28 apresentam o resultado desta investigação. Como se é esperado, é possível perceber que quanto maior a quantidade de antenas melhor é o resultado, pois cada antena possui 10 atributos em cada tupla da base. Mas deve-se considerar o resultado obtido utilizando três antenas que obteve 100% em dois classificadores (J48 e BayesNet) o que pode reduzir significativamente o custo de implan- tação da arquitetura. O resultado obtido por duas antenas, também pode ser considerado muito bom dependendo da regra de negócio onde a arquitetura será aplicada. No caso da biblioteca
a precisão da localização dos livros é em torno de 5cm, em outros modelos de negócio onde a distância entre os objetos a serem localizados são maiores, o uso de apenas duas antenas poderá obter resultados mais significativos, o que deve ser testado caso a caso.
Tabela 16: Desempenho em relação à quantidade de antenas
Algoritmo Uma Antena Duas Antenas Três Antenas Quatro Antenas
J48 73,37% 88,75% 100,00% 100,00% MultilayerPerceptron 72,32% 87,04% 99,53% 99,89% BayesNet 70,60% 87,14% 100,00% 100,00% SMO 50,71% 76,21% 93,86% 99,07% Kstar 74,32% 87,57% 99,92% 100,00% Jrip 72,25% 83,85% 99,12% 99,43%
7 CONCLUSÃO
A tecnologia RFID continua sendo muito utilizada em diversos setores, principalmente em sistemas de controle de processos, estocagem, rastreamento e antifurto. Utilizar esta versa- tilidade da tecnologia para implementar sistemas de localização indoor pode contribuir ainda mais para a viabilidade econômica de implantação do sistema.
A utilização de etiquetas passivas contribui para a redução dos custos de implantação, pois além de ter um preço menor em relação às etiquetas ativas, a tendência mundial é que todos os itens já possuam etiquetas desde a fabricação, percorrendo toda a cadeia de suprimentos com a mesma etiqueta que poderá ser utilizada na arquitetura proposta. Entretanto deve-se analisar sempre os custos das antenas e leitores, pois devido ao fato da utilização das etiquetas passivas a distância de leitura é menor. Diante disso o processo de análise prévia do ambiente onde será implementado o sistema de localização indoor e o processo de Site Survey são extremamente importantes para qualquer sistema RFID.
A arquitetura RF-Miner proposta se demonstrou uma eficiente solução para o problema de localização indoor. Mesmo em ambientes reais onde podem existir prateleiras de metais e outros materiais reflexivos que reduzem significativamente a acuracidade, a implementação da arquitetura apresentou excelentes resultados. Nos testes de desempenho em tempo real, foi possível identificar que após uma Janela de Intervalo de Leitura o modelo já apresenta resultado de 100% de acerto (algoritmos Bayesnet e KStar) após a troca de todas as etiquetas alvo.
O módulo que vale destacar na arquitetura RF-Miner e que pode ser considerado uma das principais contribuições deste estudo, é o de Extração de Características, pois, as técnicas de derivação dos atributos contribuíram significativamente para a precisão da implementação. A técnica da derivação dos atributos pela Janela de Intervalos de Leitura pode ser utilizada em outras aplicações que necessitem trabalhar com classificadores e que possuam poucos atributos diretos, independente da utilização de sistemas RFID.
O tempo de apuração dos resultados também deve ser considerado na implementação de acordo com o modelo de negócio, pois o tempo de uma Janela de Intervalos de Leitura
definido foi de 50 segundos (10 Intervalos de Leitura de 5 segundos) somado ao tempo de processamento, pode ser muito alto e inviabilizar a aplicação. Neste caso o tamanho da Janela de Intervalo de Leitura deve ser ajustado para cada cenário, não esquecendo que se deve ter a leitura de todas as etiquetas em pelo menos uma antena. Deve-se destacar que quanto maior o valor do parâmetro Janela de Intervalos de Tempo, melhor será o resultado na apuração, mas consequentemente o tempo necessário para apuração da localização também será maior. No modelo de negócio onde foi implementada a arquitetura, (biblioteca) o tempo de 50 segundos somado ao tempo de processamento médio de 1,5 segundos são razoáveis e não interferem na aplicação.
Em relação à quantidade de antenas, como esperado, foi possível perceber que quanto maior a quantidade de antenas melhor o resultado, porém como o custo de implementação deve ser sempre considerado, com duas antenas já é possível obter 88% de acerto e com três antenas 100% de acerto na arquitetura RF-Miner. Dependendo do ambiente, estas taxas de acerto já são satisfatórias considerando a margem de precisão de 5 cm que foi utilizada nesta pesquisa, pois, em ambientes onde a margem pode ser maior devido ao tamanho dos objetos a serem identificados, consequentemente a taxa de acerto será maior. A redução da quantidade de antenas de quatro para duas, além de reduzir em 50% o custo das antenas, também reduz o custo dos leitores, já que leitores com capacidade para receber 2 antenas custam em torno de 30% a menos que leitores com capacidade para 4 antenas. A economia aproximada é de 40% na aquisição dos conjuntos de leitores e antenas além do menor consumo de energia para a operação do sistema.
Foi possível perceber que a qualidade da base de dados é imprescindível para o su- cesso da implementação, e diante disso é necessário refinar todos os processos existentes na arquitetura, desde a qualidade de instalação dos equipamentos do Módulo de Leitura Física até o Módulo de Mineração de Dados para testes em outras aplicações.
Como sugestão para trabalhos futuros, vários aspectos poderão ser testados e incluídos na arquitetura. No módulo de Extração de Características outras técnicas estatísticas poderão ser utilizadas na derivação dos atributos, como Moda, Mediana, Percentis, Quartis, Amplitude, Intervalo-Interquartil, Variância e Coeficiente de Variação. No Módulo de Mineração da Dados outros algoritmos classificadores poderão ser implementados ou outras técnicas como aprendi- zagem de máquina utilizando Deep Learning.
REFERÊNCIAS
ABUSAFIYA, M.; MAZUMDAR, S. Accommodating paper in document databases. In: ACM. Proceedings of the 2004 ACM symposium on Document engineering. [S.l.], 2004. p. 155– 162.
AKRE, J.-M. et al. Accurate 2-D localization of RFID tags using antenna transmis- sion power control. 2014 IFIP Wireless Days (WD), p. 1–6, 2014. Disponível em: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=7020802>.
ARLOT, S.; CELISSE, A. et al. A survey of cross-validation procedures for model selection. Statistics surveys, The author, under a Creative Commons Attribution License, v. 4, p. 40–79, 2010.
ATZORI, L.; IERA, A.; MORABITO, G. The internet of things: A survey. Computer networks, Elsevier, v. 54, n. 15, p. 2787–2805, 2010.
AYRE, L. B. Library rfid systems for identification, security, and materials handling. Library Technology Reports, v. 48, n. 5, p. 9–16, 2012.
BACHELDOR, B. Bluetag patient-tracking comes to north america. RFID Journal, 2008. BERZ, E. L.; HESSEL, F. P. Sistema híbrido de localização indoor baseado em rfid e análise visual. Tese (Doutorado) – Faculdade de Informática, PUCRS. Porto Alegre-RS, p. 155, 2015.
BRÁS, L. P. M. d. A. L. DESENVOLVIMENTO DE SISTEMA DE LOCALIZAÇÃO IN- DOOR DE BAIXO CONSUMO. Tese (Doutorado), 2009.
CHAO, Y. et al. Identification of barcode beacon and its application in underground mining. In: IEEE. Advanced Computer Theory and Engineering (ICACTE), 2010 3rd International Conference on. [S.l.], 2010. v. 1, p. V1–128.
CHAWLA, V.; HA, D. S. An overview of passive rfid. IEEE Communications Magazine, IEEE, v. 45, n. 9, 2007.
CHEN, T. C. Rfid and sensor-based container content visibility and seaport security monitoring system. In: Proceedings of the International Society for Optical Engineering (SPIE). [S.l.: s.n.], 2005.
CHEN, Z. N.; QING, X. Antennas for rfid applications. In: IEEE. Antenna Technology (iWAT), 2010 International Workshop on. [S.l.], 2010. p. 1–4.
CHIEN, H.-Y. Secure access control schemes for rfid systems with anonymity. In: IEEE. Mo- bile Data Management, 2006. MDM 2006. 7th International Conference on. [S.l.], 2006. p. 96–96.
CHOWDHURY, B.; KHOSLA, R. Rfid-based hospital real-time patient management system. In: IEEE. Computer and Information Science, 2007. ICIS 2007. 6th IEEE/ACIS Internati- onal Conference on. [S.l.], 2007. p. 363–368.
CLEARY, J. G.; TRIGG, L. E. et al. K*: An instance-based learner using an entropic distance measure. In: Proceedings of the 12th International Conference on Machine learning. [S.l.: s.n.], 1995. v. 5, p. 108–114.
COONEY, E. M. Rfid+: The complete review of radio frequency identification. [S.l.]: Thomson Delmar Learning, 2006.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge disco- very in databases. AI magazine, v. 17, n. 3, p. 37, 1996.
FINE, C. et al. The evolution of rfid networks: The potential for disruptive innovation. MIT Sloan, v. 8, n. 1, p. 1–6, 2006.
FINKENZELLER, K. RFID handbook: fundamentals and applications in contactless smart cards, radio frequency identification and near-field communication. [S.l.]: John Wi- ley & Sons, 2010.
FOSTER, K. R.; JAEGER, J. Rfid inside. IEEE Spectrum, IEEE, v. 44, n. 3, p. 24–29, 2007. GAUKLER, G.; SEIFERT, R. Applications of rfid in supply chains. Trends in supply chain design and management, Springer, p. 29–48, 2007.
HALL, M. et al. The weka data mining software: an update. ACM SIGKDD explorations newsletter, ACM, v. 11, n. 1, p. 10–18, 2009.
HAN, J.; PEI, J.; KAMBER, M. Data mining: concepts and techniques. [S.l.]: Elsevier, 2011. HAND, D. J.; MANNILA, H.; SMYTH, P. Principles of data mining. [S.l.]: MIT press, 2001. HAYKIN, S. S. Redes neurais. [S.l.]: Bookman, 2001.
HEIDRICH, J. et al. The roots, rules, and rise of rfid. IEEE Microwave Magazine, IEEE, v. 11, n. 3, p. 78–86, 2010.
HESSEL, F. et al. Implementando RFID na Cadeia de Negócios: Tecnologia a serviço da excelência. 1. ed. [S.l.]: ediPUCRS, 2009. ISBN 978-85-7430-897-5.
HORI, T. et al. A multi-sensing-range method for position estimation of passive RFID tags. Proceedings - 4th IEEE International Conference on Wireless and Mobile Computing, Networking and Communication, WiMob 2008, p. 208–213, 2008.
HUANG, C. H. et al. Real-time RFID indoor positioning system based on kalman-filter drift removal and heron-bilateration location estimation. IEEE Transactions on Instrumentation and Measurement, v. 64, n. 3, p. 728–739, 2015. ISSN 00189456.
HULL, J. J. et al. Method and apparatus for tracking documents in a workflow. [S.l.]: Google Patents, mar. 1 2005. US Patent 6,860,422.
JIN, G.-y.; LU, X.-y.; PARK, M.-S. An indoor localization mechanism using active rfid tag. In: IEEE. Sensor Networks, Ubiquitous, and Trustworthy Computing, 2006. IEEE Internati- onal Conference on. [S.l.], 2006. v. 1, p. 4–pp.
KELEPOURIS, T.; SILVA, S. B. D.; MCFARLANE, D. Automatic id systems: enablers for track and trace performance. Aerospace-ID Technologies White Paper Series, 2006.
KELEPOURIS, T.; SILVA, S. B. D.; MCFARLANE, D. Tracking system evaluation and perfor- mance measurement: Embraer case study. Aerospace–ID Technologies White Paper Series, 2007.
KHAN, M. A.; SHARMA, M.; PRABHU, H. A survey of rfid tags. Citeseer, 2009.
KOSCHER, K. et al. Epc rfid tag security weaknesses and defenses: passport cards, enhanced drivers licenses, and beyond. In: ACM. Proceedings of the 16th ACM conference on Com- puter and communications security. [S.l.], 2009. p. 33–42.
LAROSE, D. T. Discovering knowledge in data: an introduction to data mining. [S.l.]: John Wiley & Sons, 2014.
LU, W.; HUANG, G. Q.; LI, H. Scenarios for applying rfid technology in construction project management. Automation in Construction, Elsevier, v. 20, n. 2, p. 101–106, 2011.
NAKAMORI, E. et al. A new indoor position estimation method of RFID tags for continu- ous moving navigation systems. 2012 International Conference on Indoor Positioning and Indoor Navigation, IPIN 2012 - Conference Proceedings, n. November, 2012.
NASSAR, V.; VIEIRA, M. L. H. A internet das coisas com as tecnologias rfid e nfc. Blucher Design Proceedings, v. 1, n. 4, p. 3238–3250, 2014.
NATH, B.; REYNOLDS, F.; WANT, R. Rfid technology and applications. IEEE Pervasive Computing, IEEE, v. 5, n. 1, p. 22–24, 2006.
PLATT, J. Sequential minimal optimization: A fast algorithm for training support vector ma- chines. 1998.
PRERADOVIC, S.; KARMAKAR, N. C.; BALBIN, I. Rfid transponders. IEEE microwave magazine, IEEE, v. 9, n. 5, 2008.
RIEBACK, M. R.; CRISPO, B.; TANENBAUM, A. S. Keep on blockin’in the free world: Personal access control for low-cost rfid tags. In: SPRINGER. International Workshop on Security Protocols. [S.l.], 2005. p. 51–59.
ROH, J. J.; KUNNATHUR, A.; TARAFDAR, M. Classification of rfid adoption: An expected benefits approach. Information & Management, Elsevier, v. 46, n. 6, p. 357–363, 2009. RUSSEL, S.; NORVIG, P. Inteligência artificial. Editora Campus, p. 26, 2004.
SAAB, S. S.; NAKAD, Z. S. A standalone rfid indoor positioning system using passive tags. IEEE Transactions on Industrial Electronics, IEEE, v. 58, n. 5, p. 1961–1970, 2011.
SANI, A. et al. Antennas and propagation of implanted rfids for pervasive healthcare applicati- ons. Proceedings of the IEEE, IEEE, v. 98, n. 9, p. 1648–1655, 2010.
SARAC, A.; ABSI, N.; DAUZÈRE-PÉRÈS, S. A literature review on the impact of rfid te- chnologies on supply chain management. International Journal of Production Economics, Elsevier, v. 128, n. 1, p. 77–95, 2010.
SARMA, S. E. et al. Rfid systems and security and privacy implications. In: SPRINGER. CHES. [S.l.], 2002. v. 2, p. 454–469.
SCHMITT, P.; THIESSE, F.; FLEISCH, E. Adoption and diffusion of rfid technology in the automotive industry. In: Proceedings of the 15th European Conference on Information Sys- tems. [S.l.: s.n.], 2007.
SHIH, D.-H. et al. Taxonomy and survey of rfid anti-collision protocols. Computer communi- cations, Elsevier, v. 29, n. 11, p. 2150–2166, 2006.
SPEKMAN, R. E.; SWEENEY, P. J. Rfid: from concept to implementation. International Journal of Physical Distribution & Logistics Management, Emerald Group Publishing Li- mited, v. 36, n. 10, p. 736–754, 2006.
SPIEGEL, M. R.; STEPHENS, L. J. Estatística: Coleção Schaum. 4rd. ed. Porto Alegre, RS, Brasil: Bookman Companhia Editora Ltda., 2015.
STANTON, J. Icao and the biometric rfid passport: history and analysis. Playing the identity card: Surveillance, security and identification in global perspective, Routledge London, p. 253–67, 2008.
SUNG, A. H.; MUKKAMALA, S. Identifying important features for intrusion detection using support vector machines and neural networks. In: IEEE. Applications and the Internet, 2003. Proceedings. 2003 Symposium on. [S.l.], 2003. p. 209–216.
TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introdução ao datamining: mineração de da- dos. [S.l.]: Ciência Moderna, 2009.
TING, S. L. et al. The Study on Using Passive RFID Tags for Indoor Positioning. In- ternational Journal of . . . , v. 3, n. 1, p. 9–15, 2011. ISSN 1847-9790. Disponível em: <http://hrcak.srce.hr/65290>.
UCHITOMI, N. et al. Accurate indoor position estimation by Swift-Communication Range Recognition (S-CRR) method in passive RFID systems. 2010 International Conference on Indoor Positioning and Indoor Navigation, IPIN 2010 - Conference Proceedings, n. Sep- tember, p. 15–17, 2010.
VAPNIK, V. The nature of statistical learning theory. [S.l.]: Springer science & business media, 2013.
VOULODIMOS, A. S. et al. A complete farm management system based on animal identifica- tion using rfid technology. Computers and Electronics in Agriculture, Elsevier, v. 70, n. 2, p. 380–388, 2010.
WANG, L.-C.; LIN, Y.-C.; LIN, P. H. Dynamic mobile rfid-based supply chain control and management system in construction. Advanced Engineering Informatics, Elsevier, v. 21, n. 4, p. 377–390, 2007.
WANT, R. An introduction to rfid technology. IEEE pervasive computing, IEEE, v. 5, n. 1, p. 25–33, 2006.
WARD, M.; KRANENBURG, R. V.; BACKHOUSE, G. Rfid: Frequency, standards, adoption and innovation. JISC Technology and Standards Watch, v. 5, 2006.
WITTEN, I. H.; FRANK, E.; HALL, M. A. Data Mining: Practical Machine Learning Tools and Techniques. 3rd. ed. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2016. ISBN 0123748569, 9780123748560.
WITTEN, I. H. et al. Data Mining: Practical machine learning tools and techniques. [S.l.]: Morgan Kaufmann, 2016.
WU, C. et al. Will: Wireless indoor localization without site survey. IEEE Transactions on Parallel and Distributed Systems, IEEE, v. 24, n. 4, p. 839–848, 2013.
XIAO, Z.-h.; GUAN, Z.-q.; ZHENG, Z.-h. The research and development of the highway’s electronic toll collection system. In: IEEE. Knowledge Discovery and Data Mining, 2008. WKDD 2008. First International Workshop on. [S.l.], 2008. p. 359–362.
ZHANG, X. b. et al. Towards localization of RFID tags based on experi- mental analysis of RSSI. IFIP Wireless Days, v. 2015-Janua, n. January, 2015. Disponível em: <https://www.scopus.com/inward/record.uri?eid=2-s2.0- 84937803645&partnerID=40&md5=cfe2840474bcbb0d33b10d0e579bb78d>.