Incorporação de Biossensores no Soldado do Futuro

(1)

Incorporac¸ ˜ao de Biossensores no Soldado do Futuro

Alferes Aluno Jos ´e Miguel Martinho Silva

Dissertaç ão para obtenç ão do Grau de Mestre em

Engenharia Eletrot ´ecnica Militar, na especialidade de Transmiss ˜ oes

Orientadores: Professor Doutor Jo ˜ao Paulo Neto Torres Professora Doutora Maria Jo ˜ao Marques Martins

J ´ uri

Presidente: Major (Doutor) de Transmiss ões Lu´ıs Xavier Mendonça Dias Orientador: Professor Doutor Jo ão Paulo Neto Torres

Vogal: Coronel Henrique Martins dos Santos Cunha

(2)

(3)

EP´IGRAFE

Any sufficiently advanced technology is indistinguishable from magic.

Arthur C. Clarke

(4)

(5)

Agradecimentos

A presente dissertaç ão constitui o culminar de seis anos de trabalho e aprendizagem no percurso do mestrado em engenharia eletrot écnica militar, na especialidade de Transmiss ões da Academia Militar.

Desse modo, um conjunto de desafios e obst ´aculos foram ultrapassados com o apoio de todos os que depositaram a sua f ´e em mim. Posto isto, apresento o meu profundo reconhecimento a todos os que me acompanharam neste percurso.

Antes de mais, gostaria de agradecer aos meus orientadores, Professor Doutor Jo ão Paulo Neto Torres e Professora Doutora Maria Jo ão Marques Martins, cujos conhecimentos e experi ência foram inestim áveis para a concretizaç ão desta dissertaç ão. A sua ajuda, motivaç ão, orientaç ão e empenho verificaram-se cruciais para o desenvolvimento deste trabalho. Foi um privil égio e uma honra ter traba- lhado com esta equipa.

Gostaria tamb ém de agradecer aos meus pais pela sua amizade, motivaç ão e todo o apoio incondi- cional ao longo do meu percurso acad émico. Bem como, à minha namorada pela paci ência, motivaç ão, companheirismo, amizade e tempo gasto a ajudar-me.

Estou profundamente grato por ter tantas pessoas na minha vida que me desejam bem e que esti- veram sempre prontas a ajudar-me. A todos os meus amigos e camaradas, gostaria de agradecer por estarem presentes quando mais precisava. Estou deveras satisfeito por todos os momentos que a vida acad ´emica e militar me tem proporcionado e pela segunda fam´ılia que a vida castrense me deu.

A todos aqueles que n ˜ao foram aqui mencionados, mas que tiveram um impacto na minha vida, positivo ou negativo, agradec¸o-vos por me terem transformado na pessoa que hoje sou.

A todos v ´os, o meu sincero obrigado!

(6)

(7)

Resumo

Atualmente, e cada vez mais, a utilizaç ão de biossensores est á presente no nosso quotidiano, sendo que a sua aplicaç ão surge em v árias áreas da nossa sociedade. Como tal, e dada a sua import ância, a evoluç ão dos mesmos é uma grande prioridade da comunidade cient´ıfica, de forma a estabelecer diversas formas de tirar proveito destes e torn á-los cada vez mais eficientes.

Esta dissertaç ão insere-se no estudo de biossensores com recurso a el étrodos pr é-gelificados.

Inicialmente, desenvolveram-se testes e experi ências com os componentes com o objetivo de comparar, testar e identificar poss´ıveis dificuldades com o microcontrolador da BITalino e os seus sensores, bem como, a compatibilidade com o Arduino Uno e as vantagens e desvantagens da utilizaç ão deste.

Este trabalho focou-se na an álise da capacidade de extraç ão de informaç ão relativa à qualidade dos treinos, estado emocional dos militares, carga e consci ência cognitiva, assim como a condiç ão f´ısica do Soldado do Futuro, atrav és dos seus sinais biol ógicos, extra´ıdos e processados pelos biossensores e microcontrolador da BITalino, de forma autom ática. Esta an álise materializou-se experimentalmente atrav és da classificaç ão de dois estados emocionais, calmo e stress, para os quais se atingiu at é 98,18% de exatid ão.

Palavras Chave

Biossensores; Microcontrolador; Informaç ão; Autom ática.

(8)

(9)

Abstract

Currently and increasingly, the use of biosensors is present in our daily lives, and its application appears in various areas of our society. As such, and given its importance, its their evolution is a major priority of the scientific community, in order to establish various ways to take advantage of them and make them more efficient.

This dissertation is part of the study of biosensors using pre-gelled electrodes.

Initially, tests and experiments were developed with the components in order to compare, test and identify possible difficulties with the BITalino microcontroller and its sensors, as well as, the compatibility with the Arduino Uno and the advantages and disadvantages of its use.

This work focused on the analysis of the ability to extract information on the quality of training, emotional state of the military, load and cognitive awareness, as well as the physical condition of the Soldier of the Future, through their biological signals, extracted and processed by BITalino’s biosensors and microcontroller, automatically. This analysis materialized experimentally through the classification of two emotional states, calm and stress, for which up to 98.18% accuracy was achieved.

KeyWords

Biosensors; Microcontroller; Information; Automatic.

(10)

(11)

´Indice Geral

1 Introduc¸ ˜ao 1

1.1 Enquadramento . . . 1

1.2 Motivac¸ ˜ao . . . 2

1.3 Objetivos e tarefas . . . 2

1.4 Descriç ão sum ária dos cap´ıtulos . . . 3

2 Estado da arte 5 2.1 Microcontroladores . . . 5

2.2 Transmiss ão e receç ão de dados . . . 6

2.3 Sensores . . . 8

2.3.1 Biossensores . . . 9

2.3.2 Eletromiografia . . . 12

2.3.3 Eletrocardiograma . . . 12

2.3.4 Atividade eletrod ´ermica . . . 13

2.3.5 Eletroencefalografia . . . 14

2.3.6 Aceler ´ometro . . . 15

2.4 Atuadores . . . 16

2.5 Aprendizagem autom ´atica . . . 16

2.5.1 Interpretabilidade. . . 17

2.5.2 Selec¸ ˜ao de caracter´ısticas . . . 19

3 Descriç ão f´ısica dos dispositivos utilizados 21 3.1 M ódulo central . . . 21

3.2 Sensores . . . 22

3.2.1 Eletromiografia . . . 22

3.2.2 Eletrocardiograma . . . 24

3.2.3 Atividade eletrod ´ermica . . . 27

3.2.4 Electroencefalografia . . . 29

3.2.5 Aceler ´ometro . . . 31

(12)

3.2.6 Sensor de luz. . . 33

3.2.7 Bot ˜ao . . . 34

3.3 Atuadores . . . 34

3.3.1 Light-Emitting Diode . . . 34

3.3.2 Buzzer . . . 35

3.3.3 Digital-to-Analog Converter . . . 35

3.4 Testes e experi ˆencias com os componentes . . . 36

3.4.1 Projeto 1 . . . 37

3.4.2 Projeto 2 . . . 37

3.4.3 Conclus ˜oes . . . 38

4 Testes e desenvolvimento do processo de classificac¸ ˜ao 39 4.1 Recolha de dados . . . 40

4.2 Preparac¸ ˜ao de dados . . . 42

4.2.1 Selec¸ ˜ao de carater´ısticas . . . 43

4.3 M étodos de aprendizagem e classificaç ão . . . 44

4.3.1 An ´alise discriminante linear . . . 45

4.3.2 Regress ˜ao log´ıstica . . . 45

4.3.3 Support vector classification . . . 46

4.3.4 Classificadorridge . . . 48

4.3.5 Gradiente descendente estoc ´astico . . . 49

4.4 Certificac¸ ˜ao dos algoritmos . . . 50

4.5 Conclus ˜oes . . . 52

5 Conclus ˜ao e perspetivas de trabalho futuro 55

Bibliography 56

A C ´odigo do projeto 65

B Tabelas de resultados 81

(13)

´Indice de Figuras

2.1 Rede m ´ovel associada a uma redes de sensores. . . 7

2.2 Esquema de um biossensor. . . 10

2.3 Modelo dimensional de emoc¸ ˜oes. . . 11

2.4 Relaç ão entre interpretabilidade e exatid ão. . . 18

3.1 M ´odulo central dividido em blocos. . . 22

3.2 Sensor para Eletromiografia. . . 22

3.3 Posicionamento dos el étrodos do EMG no b´ıceps braquial (destacado a vermelho) para vers ãoStandard, à esquerda, e para aAssembled, à direita. . . 23

3.4 Dados de sa´ıda do sensor (sinal adquirido do b´ıceps braquial atrav és da flex ão do cotovelo e antebraço em supinaç ão). . . 24

3.5 Sensor para Eletrocardiograma. . . 25

3.6 Posicionamento dos el étrodos do ECG conforme a configuraç ão de Einthoven, com o sensor com cabos dos seguintes comprimentos: 1.5cm (+e−) e 3cm (refer ência). . . . 25

3.7 Posicionamento dos el étrodos do ECG conforme a configuraç ão de Einthoven, com o sensor que possui cabos com 30 cm de comprimento (+,−e refer ência). . . 25

3.8 Dados de sa´ıda do sensor (sinal adquirido em descanso). . . 26

3.9 Sensor para a Atividade Electrod ´ermica.. . . 27

3.10 Posicionamento dos el ´etrodos para a AED. . . 28

3.11 Dados de sa´ıda do sensor (sinal adquirido em momento de stress de um indiv´ıduo a observar um v´ıdeo dejumpscare). . . 29

3.12 Sensor para Electroencefalografia. . . 29

3.13 Posicionamento dos el étrodos para a EEG com a configuraç ão do sistema 10-20. . . 30

3.14 Dados de sa´ıda do sensor (sinal adquirido em descanso). . . 31

3.15 Aceler ´ometro. . . 32

3.16 Dados de sa´ıda do sensor em movimento aleat ´orio (A1-Z ligado via UC-E6, A2-X e A3-Y ligados externamente via fiosdupont). . . 32

(14)

3.17 Sensor de luz. . . 33

3.18 Resposta do sensor de luz, num ambiente escuro, com um LED a piscar uma vez. . . 34

3.19 Resposta do bot ˜ao ao ser pressionado. . . 34

3.20 LED ligado. . . 35

3.21 Buzzer. . . 35

3.22 Digital-to-Analog Converter. . . 35

3.23 M ódulos BITalino, à esquerda, e Arduino Uno, à direita. . . 36

3.24 Arquitetura do sistema. . . 37

3.25 Arquitetura do sistema. . . 37

4.1 Metodologia do processo experimental adotado. . . 39

4.2 Alunos em teste, com os sinais biol ´ogicos, em tempo real, no monitor. . . 40

4.3 Oculos de realidade virtual Pico 2.´ . . . 41

4.4 Disposiç ão dos el étrodos. . . 41

4.5 Ficheiro.txtproduzido pelosoftwareOpenSignals ap ´os o t ´ermino do teste. . . 42

4.6 Representac¸ ˜ao da matriz de trabalho. . . 43

4.7 Gr ´afico comparativo de tempos de leitura, em segundos, de ficheiros com 10 milh ˜oes de pontos. . . 43

4.8 Diagrama de medidas estat´ısticas para selec¸ ˜ao de carater´ısticas. . . 44

4.9 Representac¸ ˜ao de um exemplo de hiperplano. . . 47

4.10 Variaç ão da margem com a mudança de C. . . 47

4.11 Funç ão de par ábola em duas dimens ões. . . 49

4.12 Representaç ão da matriz de confus ão.. . . 50

4.13 Esquema de divis ão e execuç ão do m étodok-fold, comk= 5. . . 51

A.1 File1.txtefile2.txtap ´os processo descrito. . . 65

(15)

´Indice de Tabelas

2.1 Gamas de frequ ˆencia espec´ıficas das ondas cerebrais. . . 15

3.1 Configurac¸ ˜oes de Einthoven. . . 26

3.2 Configurac¸ ˜oes para AED. . . 27

3.3 Configurac¸ ˜oes do sistema 10-20. . . 30

3.4 Principais recursos das duas plataformas em comparac¸ ˜ao. . . 38

4.1 Resultados finais da an ´alise discriminante linear. . . 45

4.2 Resultados finais da regress ˜ao log´ıstica.. . . 46

4.3 Resultados finais da SVC. . . 48

4.4 Resultados finais do classificadorridge. . . 48

4.5 Resultados finais. . . 53

B.1 Resultados pr évios à seleç ão de carater´ısticas da an álise discriminante linear. . . 81

B.2 Resultados pr évios à seleç ão de carater´ısticas da regress ão log´ıstica. . . 81

B.3 Resultados pr évios à seleç ão de carater´ısticas do SVC. . . 81

B.4 Resultados pr évios à seleç ão de carater´ısticas do classificadorridge. . . 81

(16)

(17)

Listagens

A.1 C ´odigo de limpeza. . . 66

A.2 Produç ão dos gr áficos para os sensores sem filtro. . . 66

A.3 Produç ão dos gr áficos para os sensoresrawe filtrados (ECG). . . 66

A.4 C ´odigo para Arduino Uno que permite um LED piscar com o ritmo card´ıaco, lido pelo sensor. . . 67

A.5 C ódigo para Arduino Uno que permite um buzzer ligar e desligar em resposta a contraç ões musculares. . . 67

A.6 C ´odigo de contagem de linhas. . . 68

A.7 C ´odigo de contagem de tempo. . . 69

A.8 C ´odigo que cria a matriz de trabalho.. . . 69

A.9 C ódigo de seleç ão das 100000 melhores caracter´ısticas. . . 70

A.10 C ódigo de otimizaç ão dos par âmetros da regress ão log´ıstica. . . 70

A.11 C ódigo de otimizaç ão dos par âmetros da SVC. . . 73

A.12 C ódigo de otimizaç ão dos par âmetros do classificadorridge. . . 77

(18)

(19)

Gloss ´ario

OCCIPITOFRONTAL M úsculo constitu´ıdo por uma porç ão anterior (frontal), que se insere na pele das sobrancelhas; numa porç ão posterior (occi- pital), que se insere na linha suprema nucal; unidas pela apo- nevrose epicraniana [1]. Tem um papel central na express ão das emoç ões, nomeadamente da surpresa, porque eleva o superc´ılio que causa o aparecimento de pregas na pele caracter´ısticas dessa emoç ão.

CORRUGADOR DO SUPERCÍLIO M úsculo de pequenas dimens ões com forma piramidal que se insere na parte mesial do arco superciliar e na pele da so- brancelha. Tem como papel puxar as sobrancelhas para a linha m édia e causa a formaç ão de pregas entre as sobrancelhas [1].

(20)

(21)

Acr ´ onimos

ACC Aceler ´ometro

ADN Acido Desoxirribonucleico´ ANOVA Analysis of Variance

AED Atividade Eletrod ´ermica BD Brac¸o Direito

BE Brac¸o Esquerdo

BLE Bluetooth Low Energy

BUZ Buzzer

DIY Do It Yourself ECG Eletrocardiograma

EEG Eletroencefalografia EMG Eletromiografia

FNIRS Functional Near-Infrared Spectroscopy FPGA Field-programmable Gate Array

GOx Glicose Oxidase IA Intelig ˆencia Artificial

IoT Internet of Things LED Light-Emitting Diode MCU Microcontroller Unit

MEMS Microelectromechanical Systems

PE Perna Esquerda

PPG Photoplethysmography PWM Pulse-width Modulation

(22)

RGP Resposta Galv ˆanica da Pele

STASS Standard Architecture for Soldier Systems SVC Support Vector Classification

UI User Interface

(23)

Cap´ıtulo 1

Introduc¸ ˜ao

Neste cap´ıtulo é realizada a introduç ão da presente dissertaç ão, focada, primeiramente, no enquadramento do tema, de seguida, na motivaç ão para realizar este trabalho e, posteriormente, nas tarefas e objetivos para a sua execuç ão. Por fim, é realizada uma descriç ão sum ária dos conte údos abordados em cada cap´ıtulo.

1.1 Enquadramento

A avaliaç ão da condiç ão de um militar pode ser uma tarefa desafiadora na medida em que existem algumas situaç ões complexas nas quais n ão h á a possibilidade de ter um profissional de sa úde presente para avaliar a situaç ão m édica dos militares e, por vezes, quando h á essa possibilidade, pode n ão haver meios de obtenç ão da informaç ão fisiol ógica para ser interpretada por estes em tempo útil. Sendo que, nas situaç ões mais cr´ıticas, o tempo para obter o diagn óstico é relativamente limitado.

Atrav és das novas tecnologias é poss´ıvel desenvolver modelos que, de forma autom ática, permitam que seja feita uma deteç ão de anomalias fisiol ógicas e emocionais. Estes modelos tornam poss´ıvel alertar os profissionais de sa úde da necessidade de realizar testes de despiste em resposta à deteç ão de alguma anomalia que ocorra, com o objetivo de reduzir os efeitos de problemas detetados de forma tardia. Posto isto, o desenvolvimento de soluç ões com recurso a modelos de aprendizagem autom ática, no sentido de facilitar o trabalho dos profissionais de sa úde, tem aumentado gradualmente.

Os meios utilizados atualmente para prever anomalias fisiol ógicas consistem no acompanhamento em situaç ões de elevado esforço f´ısico por equipas m édicas e an álises ao sangue e à urina. Estes m étodos s ão insuficientes e t êm vindo a mostrar-se pouco eficazes na prevenç ão do agravamento de problemas de sa úde, principalmente em ambiente de instruç ão.

Quanto ao desenvolvimento e inserç ão deste tipo de tecnologias para fins militares, os estados- membros da Uni ão Europeia devem reger-se pelaStandard Architecture for Soldier Systems(STASS)

(24)

[2], por forma a existir estandardizaç ão, interoperabilidade, forma de carregamento e portabilidade entre todas as naç ões pertencentes.

1.2 Motivac¸ ˜ao

Os militares portugueses s ˜ao destacados, constantemente, para ambientes operacionais onde o seu sucesso depende da sua capacidade de atuar r ´apida e eficazmente, de modo individual e em equipa.

Por esse motivo, os treinos, aos quais s ão previamente sujeitos, devem ir al ém das suas capacidades individuais e incluir a interaç ão entre os membros da equipa, tal como se processam em ambiente operacional. Atualmente, o treino e avaliaç ão do desempenho aquando destas interaç ões é realizada, exclusivamente, atrav és da observaç ão, que acarreta in úmeras adversidades.

Atrav és dos sensores do BITalino, é poss´ıvel retirar os dados biom étricos dos indiv´ıduos em treino e obter indicadores que permitem avaliar, otimamente, a qualidade dos treinos, o estado emocional dos militares, a sua carga e consci ência cognitiva, assim como a sua condiç ão f´ısica. Recorrendo a umUser Interface(UI), o instrutor, ou respons ável pela monitorizaç ão do treino, poder á retirar notas e gravar o desempenho dos instruendos, enquanto o treino ocorre [3]. Adicionalmente, este sistema tamb ém pode ser utilizado em combate dando informaç ão, em tempo real, aos comandantes da operaç ão e, por sua vez, ao escal ão superior. É poss´ıvel tamb ém beneficiar destes sistemas para o aumento da produtividade do dia a dia do militar, atrav és do estudo do seu estado emocional.

A an álise visual do indiv´ıduo por parte do instrutor é deveras insuficiente, tornando o estudo destes dados extremamente importante. No treino, em particular, h á que ter sempre presente a parte emocional e o estado an´ımico dos militares, que lhes permite ir mais al ém do que apenas o seu estado f´ısico lhe permite.

1.3 Objetivos e tarefas

No presente trabalho é abordado o tema dos biossensores e as caracter´ısticas pelas quais a sua implementaç ão no meio militar é vantajosa, recorrendo a componentes da PLUX Wireless Biosignals S.A.

O principal objetivo deste trabalho foi realizar um estudo sobre as informaç ões que os sensores do BITalino (r)evolution Plugged Kit fornecem e efetuar uma extraç ão de sinais fisiol ógicos permitindo, de forma autom ática, diferenciar dois estados emocionais distintos, calmo estress, com o intuito de tirar ilaç ões das maneiras de tornar estes sistemas úteis no meio militar. Por forma a atingir estes objetivos, foram conduzidos testes experimentais a par de um estudo te órico aprofundado.

De forma a atingir estes objetivos foram definidas v ´arias tarefas, enumeradas seguidamente.

(25)

1. Processo de obtenç ão de informaç ão;

2. Levantamento do estado da arte e compreens ˜ao das tem ´aticas em estudo;

3. Testes e experi ˆencias com os componentes;

4. Testes e desenvolvimento do processo de classificac¸ ˜ao;

5. Ajustes e revis ˜ao;

6. Conclus ˜ao.

1.4 Descriç ão sum ária dos cap´ıtulos

Esta dissertaç ão é constitu´ıda por 6 cap´ıtulos, sumariamente infra descritos.

O cap´ıtulo1, a introduç ão, enquadra o tema e o seu contexto, a motivaç ão para o desenvolvimento do trabalho nesta área e os objetivos associados.

No estado da arte, correspondente ao cap´ıtulo 2, s ão abordados os conceitos te óricos principais, instrumento base para o progresso deste trabalho, tais como, os sistemas de controlo de sensores (microcontroladores), as redes de comunicaç ão associadas e as diversas utilizaç ões para cada sensor.

O cap´ıtulo3, a descriç ão f´ısica dos dispositivos utilizados, apresenta as ferramentas utilizadas que permitir ão atingir o objetivo deste projeto, com as respetivas respostas dos diversos sensores, retiradas na totalidade de testes realizados pelo autor da presente dissertaç ão em si pr óprio. Bem como, os testes e experi ências com os componentes foram feitos com o objetivo de comparar o m ódulo central Arduino Uno com o BITalino. Para al ém disso, foram bastante úteis numa adaptaç ão à utilizaç ão dos sensores da BITalino, permitindo que no cap´ıtulo seguinte a execuç ão da parte da coleç ão de dados fosse mais flu´ıda.

Por forma a explicitar os testes e desenvolvimento do processo de classificaç ão utilizado s ão abordados, no cap´ıtulo 4, todos os passos desde o processo de recolha de dados at é à validaç ão dos modelos de classificaç ão que se mostraram mais adequados ao trabalho desenvolvido.

Por fim, no cap´ıtulo5, a conclus ão, é sumariado todo o trabalho desenvolvido neste semestre, as dificuldades sentidas na realizaç ão do mesmo e as perspetivas de trabalhos futuros.

(26)

(27)

Cap´ıtulo 2

Estado da arte

Neste cap´ıtulo s ão abordados teoricamente os temas em que é baseado o presente trabalho, focando-se no estado da arte das redes de biossensores com utilidade para o Soldado do Futuro e na criaç ão e desenvolvimento da tecnologia, at é à atualidade, que permite fazer uma monitorizaç ão em tempo real de um indiv´ıduo, bem como as suas diversas aplicaç ões.

2.1 Microcontroladores

Um sistema pode ser definido como uma combinaç ão de partes para executar uma tarefa espec´ıfica [4]. O BITalino é um sistema composto por diversos m ódulos como, por exemplo, o de controlo, baseado no microcontrolador ATmega328P; o de gest ão de energia e o de comunicaç ão, que utiliza bluetooth v2.0 da classe 2 para transferir os dados para outro ponto (computador ou telem óvel). A tarefa espec´ıfica do BITalino é captar e processar sinais biol ógicos [5]. Pode ser classificado mais es- pecificamente como sistema embebido, isto é, um sistema de controlo de dispositivos t écnicos ou de processos associados ao controlo de dispositivos, que recorre, principalmente, a micro-processadores, microcontroladores,Field-programmable Gate Array (FPGA), entre outros, e que se encontram conec- tados com o objeto a controlar [6]. Este tipo de sistemas podem ser classificados como sistemas de tempo real.

Num sistema de tempo real, a qualidade da resposta depende do intervalo de tempo em que s ão produzidos os resultados e n ão dos produtos finaisper si [7]. Estes sistemas s ão caraterizados por um grande espetro de complexidade, desde um simples microcontrolador de um sistema de deteç ão de inc êndios at é ao amplamente sofisticado, complexo e distribu´ıdo sistema de controlo de tr áfego a éreo.

Outros sistemas de tempo real s ão os de comando e controlo. Em alguns destes sistemas de tempo real tem sido integrada Intelig ência Artificial (IA), conferindo-lhes novas capacidades, aptid ão de adaptaç ão e melhoria autom ática do sistema, com o preju´ızo de criaç ão de novos requisitos e complexidades [8].

(28)

Uma das formas mais utilizada para desenvolver estas plataformas embebidas é com recurso a microcontroladores, descritos como um dispositivo eletr ónico criado com o intuito de controlar de forma autom ática dispositivos t écnicos, atrav és da aplicaç ão de um dado algoritmo. Os controladores pro- gram áveis s ão compostos por diversos componentes, que variam conforme o seu prop ósito e custo, sendo a maioria dotada de um processador e mem ória, bem como componentes modulares que im- plementam funç ões de entrada e de sa´ıda de sinais anal ógicos e digitais, transmiss ão e receç ão de informaç ão e controlo de redes. Desde o final dos anos 70, os microcontroladores t êm-se espalhado globalmente [6] e s ão componentes essenciais nas redes de biossensores, sendo as carater´ısticas que tornam este tema francamente relevante para o projeto a capacidade de captar os dados, executar um pr é-processamento e transmitir a informaç ão, atrav és dos seus diversos m ódulos.

2.2 Transmiss ão e receç ão de dados

Os avanços tecnol ógicos est ão presentes em diversas áreas, especialmente na sa úde e bem estar.

Desde o in´ıcio desta evoluç ão, t êm existido amplas mudanças, sendo que aInternet of Things (IoT) tem-se tornado num conceito cada vez mais presente no mundo do conforto f´ısico e psicol ógico.

Kevin Ashton criou o termoIoTem 1999. Atrav és daIoT, os objetos est ão cada vez mais ligados, este conceito pode ser descrito como a combinaç ão de esforços humanos e tecnol ógicos para que haja mais interaç ão entre todos os acontecimentos e os aparelhos em nosso redor, atrav és da Internet [9].

Como tecnologia de recolha, an álise e transmiss ão de dados, aIoTcontinua a melhorar, sendo que v árias aplicaç ões empregues nos sistemas de sa úde fazem uso deste recuso e est ão cada vez mais presentes no nosso quotidiano. NaIoT, os dispositivos recolhem e partilham informaç ão diretamente entre si e com a cloud, tornando mais r ápida e precisa a recolha de informaç ão e an álise de dados.

Com isto, surgem incont áveis possibilidades de elevado interesse nas diversas ind ústrias, dando azo a criaç ões como, por exemplo, autom óveis que sentem o desgaste e agendam a sua manutenç ão ou comboios que calculam e relatam, dinamicamente, as horas previstas de chegada aos passageiros em espera, entre outros. As comunicaç ões s ão feitas por meio de dispositivos, de longo e curto alcance, com ou sem fios, em diferentes tipos de ambientes de rede, tais comointranet,extraneteinternet.

A IoTpode ser utilizada em diversos cuidados cl´ınicos, por exemplo, em pacientes hospitalizados cujo estado fisiol ógico requer especial atenç ão sendo que, atrav és destas tecnologias, podem ser mo- nitorizados continuamente com recurso a m étodos n ão invasivos. Esta situaç ão exige que os sensores recolham informaç ão fisiol ógica e, posteriormente, a enviem aos prestadores de cuidados para an álise e revis ão. A utilizaç ão desta t écnica melhora a qualidade dos cuidados de sa úde, eliminando a necessidade de envolver uma recolha e an álise de dados ativa. Esta tecnologia fornece os meios para aceder e controlar duas categorias de dispositivos, os que t êm intelig ência e os que s ão ativados externamente

(29)

atrav és de cabos e/ou wireless, estas comunicaç ões devem sempre ser feitas com as medidas de segurança adequadas, conseguir uma conetividade generalizada e uma grande integraç ão, fornecendo serviços tais como monitorizaç ão, localizaç ão, controlo, relat órios, apoio à decis ão, entre outros.

AIoTcarateriza-se por ser um sistema global que, com a passagem dos anos, tem compreendido progressivamente mais dispositivos e aplicaç ões, incluindo sensores, atuadores, microcontroladores e dispositivos de comunicaç ão m óvel. A maioria destes s ão utilizados na monitorizaç ão da sa úde, diagn ósticos e tratamentos personalizados, atempados e convenientes, com a vantagem de reduç ão de custos associados.

Uma rede m óvel associada a uma rede de sensores, tal como na figura2.1, integra tecnologias para transmitir e receber dados, para os quais s ão, tipicamente, utilizados um de 3 tipos de protocolos de comunicaç ão:bluetooth,zigbeeouwi-fi[10]. Sendo obluetootho principal foco neste relat ório, devido ao m ódulo central em utilizaç ão estar equipado com um bloco de transmiss ão desta tipologia.

Figura 2.1:Rede m ´ovel associada a uma rede de sensores.

O bluetooth é uma tecnologia de transfer ência de dados sem fios, IEEE 802.15.1, que opera na banda de frequ ência de 2.4 GHz a 2.48 GHz, dividida em 79 canais de 1 M Hz de largura, sendo amplamente utilizado para a comunicaç ão cont´ınua de curto alcance, entre dispositivos m óveis.

Comparado com outras tecnologias, é das que consome menos energia para comunicar com outros terminais e, uma vez que emprega uma tecnologia de salto de frequ ência, tem uma resist ência relativamente maior à interfer ência na transmiss ão de dados.

O BITalino tem na sua composiç ão um m ódulo Bluetooth Low Energy (BLE), desenvolvido como uma atualizaç ão dobluetoothcl ássico. Como sugere o nome,BLE é uma tecnologia de comunicaç ão que economiza energia e foi concebida para dispositivos de baixo consumo, tais como redes de sensores. Ao contr ário do bluetooth cl ássico, a banda de frequ ência est á dividida em 40 canais de 2 M Hzde largura e, em dispositivosBLE, as transfer ências de dados s ão feitas atrav és de transmiss ões curtas, separadas por per´ıodos de espera, o que contribui bastante para a poupança de energia, em comparaç ão com o modo sempre ativo dos dispositivos combluetoothcl ássico [11].

(30)

2.3 Sensores

Os sensores est ão presentes em todo o lado, o planeta est á repleto destes e das suas aplicaç ões.

Alteram a nossa vida, facilitando-a e tornando-a mais confort ável, atrav és de, por exemplo, aplicaç ões para ligar luzes, ventoinhas e televis ões, ajustes autom áticos de temperatura, alarmes de inc êndio, deteç ão de objetos nas manobras de um carro, entre tantos outros, com os mais variados n´ıveis de complexidade [12].

Um sensor é um dispositivo que recebe um sinal ou est´ımulo e tem uma resposta sob a forma de sinal el étrico. Estes dispositivos s ão úteis num grande espetro de áreas cient´ıficas e, por este motivo, existem diversos tipos que respondem a diferentes est´ımulos como, por exemplo, est´ımulos f´ısicos, qu´ımicos ou biol ógicos. O sinal de entrada, mecanismos de convers ão, custo, precis ão e intervalo de sensibilidade, bem como a resposta, podem variar conforme a sua aplicaç ão [13]. Posto isto, destacam- se dois tipos principais de sensores, os passivos e os ativos:

• Um sensor passivo n ão necessita de uma fonte de energia para produzir o sinal el étrico em resposta ao est´ımulo, pois este é suficiente para produzi-lo. Isto é, o sensor, atrav és da energia fornecida pelo sinal de entrada, gera os dados de sa´ıda, como por exemplo um termopar, um foto-d´ıodo ou um sensor piezoel étrico.

• Um sensor ativo, por outro lado, requer uma fonte de energia externa para o seu funcionamento, denominada como sinal de excitaç ão. Esse sinal é alterado pelo sensor, de forma a produzir o sinal de resposta. Estes sensores s ão, por vezes, denominados de sensores param étricos porque as suas propriedades alteram-se em resposta a um evento externo e estas, por sua vez, podem ser convertidas num sinal el étrico. As propriedades do sensor alteram o sinal de excitaç ão e este fornece a informaç ão desejada. Por exemplo, um termistor é um semicondutor sens´ıvel à temperatura. Este sensor n ão gera nenhum sinal el étrico mas, quando uma corrente el étrica, isto

é, o sinal de excitaç ão, passa por este, a sua resist ência pode ser medida atrav és da variaç ão da corrente e/ou tens ão ao longo do termistor. Estas variaç ões, apresentadas em Ohm, est ão diretamente relacionadas com a temperatura, atrav és da sua funç ão de transfer ência.

Os sensores podem tamb ém ser classificados de acordo com sinal que atua como est´ımulo, por exemplo t érmico, magn ético, ótico, mec ânico, biol ógico, qu´ımico, entre outros, sendo o foco deste trabalho os biossensores [12].

(31)

2.3.1 Biossensores

Atualmente, o estudo e aplicaç ão de biossensores tem, cada vez mais, a atenç ão dos engenheiros.

Para al ém das diversas aplicaç ões cl ássicas no ramo da medicina, criou-se um novo paradigma que utiliza uma analogia de computaç ão f´ısica [14] e pode ser descrita como computaç ão fisiol ógica. As novas aplicaç ões dos biossensores tornaram-se, por este motivo, um tema de ampla relev ância na comunidade dos engenheiros e, por consequ ência, h á grandes evid ências de que o estudo dos sinais biol ógicos e dos seus sensores é um ramo de interesse em crescimento.

O primeiro biossensor foi desenvolvido, em 1962, por Clark e Lyons que imobilizava Glicose Oxi- dase (GOx), com a finalidade de quantificar a concentraç ão de glicose de uma amostra [15,16]. Des- creveram como fazer melhores sensores eletromec ânicos (PH, polarogr áfico, potenciom étrico ou con- dutom étrico), atrav és de um único el étrodo de oxig énio, acoplado a um contra-el étrodo.

De acordo com Thevenot, T óth, Durst e Wilson [17], um biossensor é um sistema integrado com a capacidade de fornecer informaç ão espec´ıfica quantitativa ou semi-quantitativa, com recurso a um elemento de deteç ão biol ógica (recetor bioqu´ımico), que esteja em contacto direto com um transdutor. Um biossensor deve ser distinguido, notoriamente, de um sistema de an álise biol ógica que requer aç ões adicionais de processamento, como por exemplo a aplicaç ão de um reagente. Al ém disso, um biossensor deve distinguir-se de uma biosonda, caracterizada pela descartabilidade ap ós uma utilizaç ão ou pela falta de capacidade de monitorizaç ão cont´ınua.

Todos os biossensores s ˜ao compostos por dois elementos distintos, presentes na figura 2.2, uma entidade de reconhecimento biol ´ogico, na proximidade de um transdutor.

O bioreceptor é caracterizado por ser sens´ıvel ao sinal biol ógico (ex: enzima, Ácido Desoxirribonu- cleico (ADN), anticorpo), ou seja, deteta o elemento procurado, denominado de analito. O transdutor converte a resposta, resultante da interaç ão do analito com o bioreceptor, num sinal el étrico, sendo a sua intensidade direta ou inversamente proporcional à concentraç ão do analito. Os transdutores eletromec ânicos s ão utilizados, frequentemente, no desenvolvimento de biossensores. Estes sistemas t êm bastantes benef´ıcios, tais como: baixo custo,designsimples e pequenas dimens ões. Os biossensores podem tamb ém ser baseados em gravimetr´ıa, colorimetria ou deteç ão ótica [18].

(32)

Figura 2.2:Esquema de um biossensor [18].

Os biossensores t êm in úmeras vantagens, sobrepondo-se às an álises convencionais, por permiti- rem que o estudo dos sinais biol ógicos de um indiv´ıduo seja menos dependente de instalaç ões laborato- riais de an álise. Por este motivo, o custo dos processos com recurso a biossensores, comparativamente aos convencionais, torna-os ainda mais apreciados [19].

Apesar da vasta diversidade de biossensores, estes podem ser agrupados em dois grupos distintos, invasivos e n ˜ao invasivos.

Os sensores invasivos apresentam uma grande variedade dedesigns, por forma a enquadrarem- se em v árias necessidades. Contudo, é poss´ıvel que os sensores invasivos provoquem uma resposta que poder á resultar no seu revestimento com prote´ınas e outros res´ıduos biol ógicos, afetando assim a performance do sensor, mas, mais importante que isto, pode sujeitar o indiv´ıduo a um trauma cl´ınico.

A colocaç ão de sensores à superf´ıcie do corpo evita as dificuldades associadas aos m étodos invasivos. Por ém, o espetro de diferentes tipos de testagem fica limitado aos est´ımulos que s ão poss´ıveis captar à superf´ıcie da pele [20].

A resposta fisiol ógica ao stress fornece ao organismo algumas capacidades, tais como maior vi- gil ância, energia, regulaç ão fisiol ógica e ativaç ão imunol ógica, que ajudam o indiv´ıduo a sobreviver em casos cr´ıticos. At é um certo n´ıvel, ostress pode ser útil em situaç ões exigentes, por exemplo, para realizar um trabalho atempadamente ou para estudar para um exame. No entanto, quando excede determinados n´ıveis ou persiste durante demasiado tempo, pode n ão ser ben éfico, tornando-se preju- dicial para a sa úde, regulaç ão emocional, produtividade e qualidade de vida. Com base na teorias de Lazarus, o que causa a reaç ão aostress n ão é apenas o stress ambiental, mas tamb ém a emoç ão associada e o seu significado avaliado pela pessoa [21].

(33)

A mediç ão do stresspsicol ógico é, convencionalmente, realizada recorrendo a tr ês m étodos principais. A maioria dos diagn ósticos psiqui átricos ou psicol ógicos de stress baseia-se em entrevistas, question ários e testes de auto-avaliaç ão. Embora estes m étodos tenham sido validados, para obter resultados mais concretos e fi áveis, h á necessidade de medidas objetivas. Na pr ática, esta última consiste frequentemente em m étodos invasivos, ou seja, an álise de sangue ou amostras de cortisol, sendo que estas monitorizaç ões n ão podem ser realizadas a longo prazo e com frequ ência [22]. Por este motivo, a an álise de dados fisiol ógicos para o reconhecimento do estado de stress é feita, cada vez mais frequentemente, pela combinaç ão destes dados captados de uma forma n ão invasiva, tais como o ritmo card´ıaco, atividade respirat ória, Atividade Eletrod érmica (AED), temperatura da pele, Photoplethysmography(PPG) ou Eletromiografia (EMG) [23].

Os biossensores t êm um papel com import ância temporalmente crescente na área do reconhecimento de emoç ões no geral, sendo estas um aspeto importante na comunicaç ão e interaç ão entre pessoas. Apesar das emoç ões serem intuitivamente conhecidas, é dif´ıcil definir precisamente “emoç ão”. O fil ósofo grego Arist óteles descrevia as emoç ões como um est´ımulo de avaliaç ão de experi ências com base no potencial de gerar dor ou prazer. Ao longo dos anos, t êm vindo a surgir outras definiç ões, contudo, nos dias de hoje, ainda n ão h á um consenso relativamente a estas [24]. De forma a compreender estas emoç ões, atrav és de sinais captados por sensores, é necess ário fazer uso de estrat égias de classificaç ão [25], tal como o modelo dimensional na figura2.3.

Figura 2.3:Modelo Dimensional de Emoc¸ ˜oes [24].

Apesar da dificuldade de defini-la com precis ão, a emoç ão est á sempre presente e é um fator importante na vida humana. O estado emocional das pessoas influ ência fortemente a sua forma de comunicar e, tamb ém, a sua atuaç ão e produtividade. Desta forma, este é um tema de elevada relev ância no meio militar para o aumento da produtividade no dia-a-dia, bem como nas miss ões em territ ório nacional e no estrangeiro.

(34)

2.3.2 Eletromiografia

AEMGpermite o estudo da atividade muscular de um indiv´ıduo atrav és dos sinais el étricos emitidos pela musculatura esquel ética, fornecendo informaç ão sobre a quantidade e qualidade da ativaç ão el étrica gerada pelo m úsculo [26]. É um dos melhores m étodos objetivos e informativos para o estudo da condiç ão funcional do sistema nervoso perif érico, permitindo detetar patologias neste. Atrav és da EMG é poss´ıvel estabelecer a natureza da doença e efetuar um diagn óstico, que permite tamb ém controlar objetivamente a efic ácia de tratamentos, por forma a prever o tempo e as fases de recuperaç ão do paciente.

No âmbito das les ões musculares, uma quantidade significativa de tratamentos inadequados é realizada devido à gravidade da les ão, erros de diagn óstico e intervenç ão qualificada tardia. A escolha dos m étodos de tratamento e reabilitaç ão para este problema é realizada sem uma avaliaç ão objetiva do estado estrutural-funcional dos m úsculos. Para resolver este problema, uma soluç ão proposta pela comunidade de investigadores é a utilizaç ão de dispositivos de monitorizaç ão permanente dos sinais vitais de uma pessoa. Os dispositivos deEMGs ão os indicados para fazer esta monitorizaç ão, por ém, estes s ão no geral constru´ıdos com transmiss ão de dados por fio. Por esse motivo, uma prioridade da investigaç ão sobre dispositivos deEMG é a transmiss ão de dados viawireless[27].

Quanto ao cansaço muscular, se este aumentar abruptamente ou for continuado por um longo per´ıodo de tempo, ser ão causadas les ões musculares, sendo que, se tal ocorrer, a funç ão motora ir á diminuir [28]. De forma a evit á-lo, o per´ıodo de descanso deve ser feito num tempo m´ınimo estabe- lecido de acordo com o cansaço muscular, que nos dias de hoje pode ser detetado por meio de uma EMG[29].

Para al ém disso, a comunidade cient´ıfica tem feito esforços no sentido de ligar as respostas corpo- rais às emoç ões, um exemplo disso é o estudo realizado por Yang Guangying e Yang Shanxiao [30]

que, com apoio do classificador autom ´atico, identifica alegria, raiva, tristeza e prazer, tendo assimEMG um papel importante nesta ´area.

2.3.3 Eletrocardiograma

As contraç ões card´ıacas ocorrem devido a um conjunto de impulsos el étricos que se sucedem no coraç ão. O Eletrocardiograma (ECG) é obtido atrav és da monitorizaç ão e gravaç ão dessa atividade, que fornece informaç ão sobre a sa úde, estrutura card´ıaca e respetiva funcionalidade [31].

Com as grandes alteraç ões na sociedade, os cidad ãos t êm vindo a ser submetidos a um elevado aumento de stress, ansiedade, fadiga, entre outros, tornando a populaç ão mais suscet´ıvel a contrair doenças, sendo as mais comuns associadas ao coraç ão. Dado este problema, as tecnologias t êm evolu´ıdo no sentido de permitir que cada pessoa possa ter acesso a alguns dos par âmetros que s ão

(35)

indicadores dessas doenc¸as.

OECGtem grandes custos quando realizado em hospitais, para al ém disso, obriga-nos a despender de tempo e é um processo com bastante complexidade. A comunidade cient´ıfica t êm tentado continuamente encontrar uma alternativa para contornar este problema, chegando à conclus ão que uma das melhores soluç ões passa por recorrer àIoTcomo ferramenta.

Para um n úmero crescente de pessoas, os acess órios est ão a tornar-se essenciais no seu quotidiano, alguns deles para a monitorizaç ão cont´ınua do ritmo card´ıaco.

OECG é um m étodo preciso para determinar o ritmo card´ıaco mas, por norma, n ão é pr ático para ser feito no dia-a-dia pois s ão necess ários aparelhos n ão port áteis. Portanto, a monitorizaç ão do ritmo card´ıaco feita pelo pulso tornou-se bastante utilizada, sendo baseada em fotopletismografia (do ingl ês, PPG) nestes dispositivos. Diversos dispositivos comerciais, tais como os rel ógios da Apple, Garmin ou Samsung, incluem um sensorPPG. No entanto, em comparaç ão com os dados tradicionais doECG, a estimativa do ritmo card´ıaco n ão é t ão precisa, especialmente em movimento, o que acaba sempre por acontecer devido à atividade f´ısica do utilizador, reduzindo significativamente a qualidade do sinal PPG[32]. Desta forma, um sensorECG de pequenas dimens ões pode ser uma soluç ão para estes problemas.

2.3.4 Atividade eletrod ´ermica

A AED capta as alteraç ões na condut ância da pele resultantes da atividade das gl ândulas sudor´ıparas. Healey et al. [33] salientaram a relev ância da junç ão da AED e do ECG como a melhor combinaç ão para a deteç ão de stress, entre outros sinais fisiol ógicos. Em particular, a AEDpoderia fornecer uma m étrica fi ável destresse tem sido utilizada como base fidedigna para comparar o desempenho de outros sinais [34]. Alguns estudos j á utilizaram aAEDcomo único sinal de entrada de um classificador supervisionado para discriminar se uma pessoa est á emstressou n ão e para monitorizar a carga cognitiva e tarefas stressantes [35–37].

Esta atividade est á associada à reaç ão “lutar ou fugir”, descrita pelo fisiologista Walter Bradford Can- non, em 1927 [38], sendo caracterizada com uma resposta fisiol ógica autom ática a um acontecimento stressante ou assustador. Para al ém disso, Ali Rizwan et al. [39] conduziram um estudo que comprovou que, atrav és de um algoritmo de aprendizagem autom ática aplicado ao sinal extra´ıdo por um sensor de AED, é poss´ıvel identificar o estado de hidrataç ão, o que é bastante importante no meio militar, visto que a condiç ão f´ısica de um indiv´ıduo e a capacidade de dar continuidade prolongada a esforços f´ısicos est ão diretamente relacionadas com os seus n´ıveis de hidrataç ão.

AAEDsalienta-se na medida em que est á unicamente sob o controlo do sistema nervoso simp ático e, para al ém disso, é simples de medir com alguns el étrodos nos dedos. Por estas raz ões, tem uma popularidade crescente como ferramenta do neuromarketing. Al ém do mais, tamb ém tem diversas

(36)

potenciais aplicaç ões, tanto na investigaç ão como na medicina cl´ınica. Uma barreira à sua utilizaç ão é a falta de modelos estat´ısticos precisos baseados em fisiologia que forneçam uma vis ão detalhada aos investigadores.

As abordagens existentes à an álise daAEDtiram partido de impulsos discretos, subidas e descidas not áveis dos dados de sa´ıda, chamada Resposta Galv ânica da Pele (RGP). Os modelos da AED utilizam m étricas, tais como o n úmero e amplitude das flutuaç ões na condut ância da pele.

Quando o nervo simp ático que enerva as gl ândulas sudor´ıparas aumenta os est´ımulos, devido à atividade simp ática, o suor é secretado e difunde-se para cima atrav és da conduta da gl ândula sudor´ıpara em direç ão à superf´ıcie da pele [40]. Assim, é criado um caminho de resist ência reduzida à superf´ıcie da pele, que leva ao aumento da condutividade el étrica, aRGP. O aumento é transit ório porque quantidades ´ınfimas de suor evaporam imediatamente ap ós exposiç ão ao ar. ARGP, dada por impulsos, é a forma de correlacionar aAEDcom a atividade simp ática [41].

Apesar dos esforços realizados, existem barreiras metodol ógicas que impedem a exportaç ão dos estudos baseados unicamente emAEDpara o nosso dia-a-dia. Primeiramente, os sinais deAEDs ão distorcidos pelo ru´ıdo e movimento, cujo espetro de frequ ências é pr óximo e sobrep õem-se à banda de frequ ência daAED. Al ém de que, no quotidiano, um indiv´ıduo é exposto a m últiplas situaç ões destress que podem ser intervaladas por curtos espaços de tempo, levando a respostas eletrod érmicas sobre- postas. Esta sobreposiç ão é uma das maiores limitaç ões daAED, podendo dar origem a uma conclus ão errada atrav és da an álise do sinal. Por esse motivo, quando utilizados m étodos autom áticos de an álise atrav és da computaç ão, deve ter-se principalmente em atenç ão o controlo das carater´ısticas extra´ıdas, mas n ão s ó, s ão tamb ém importantes os custos computacionais, o risco de overfitting do modelo, a realizaç ão de uma classificaç ão imparcial e independente do sujeito. Contudo, apesar de haver v ários problemas associados à an áliseAEDextra´ıda no decorrer de um dia de um indiv´ıduo, este m étodo de estudo destressdemonstra-se mais preciso quando comparado com os m étodos convencionais [42].

2.3.5 Eletroencefalografia

A Eletroencefalografia (EEG) permite o estudo da atividade cerebral de um indiv´ıduo atrav és dos sinais el étricos emitidos pelos dois hemisf érios do c érebro ao longo do tempo [43]. Este procedimento

é considerado excecional para estudar a atividade cerebral devido às suas vantagens, tais como ser um m étodo n ão invasivo que mede diretamente as atividades neuronais e possuir a capacidade de fazer mediç ões em tempo real, expondo o indiv´ıduo a diferentes situaç ões de forma a obter um bom diagn óstico da sua resposta emocional a estas. Atrav és deste procedimento, é poss´ıvel relacionar a atividade cerebral direta e particularmente a certas emoç ões.

Hans Berger, o inventor da EEG, apresentou um m étodo para captar diferentes ondas cerebrais, presentes no c érebro humano. O neuro-sinal, baseado naEEG, é processado em dados com determi-

(37)

nadas bandas -Delta,Theta,Alpha,BetaeGamma. Estas categorias s ão determinadas por diferentes pot ências de ondas cerebrais em gamas de frequ ência espec´ıficas, como se pode verificar na tabela 2.1.

Tabela 2.1:Gamas de frequ ˆencia espec´ıficas das ondas cerebrais [44].

Ondas Cerebrais Frequ ˆencia[Hz]

Delta 0.1-4

Theta 4-7

Alpha 8-12

Beta 13-30

Gamma >30

In úmeras pessoas t êm-se dedicado a realizar investigaç ões subordinadas ao estudo das emoç ões recorrendo àEEG. Um dos resultados com mais relevo é o importante papel da banda de frequ ência Alpha, sendo que Kostyunina et al. [45] descobriram que diferentes estados emocionais mostram diferentes frequ ências de pico nesta banda.

AEEGé um dos melhores m étodos para monitorizaç ão comportamental, emocional, de processos cognitivos, entre outros. A an álise destas situaç ões tamb ém pode ser realizada atrav és de express ões faciais e da fala. Por ém, como aEEGextrai dados fisiol ógicos diretamente ligados ao sistema nervoso central, a informaç ão é mais fidedigna pois estes sinais fisiol ógicos n ão podem ser ocultados, devido à sua natureza proveniente de flutuaç ões internas da informaç ão neuronal. Destaca-se uma das grandes desvantagens daEEG: ser bastante afetada pela movimentaç ão do indiv´ıduo [44].

2.3.6 Aceler ´ ometro

Os aceler ómetros s ão dos sistemas micro-eletro-mec ânicos mais simples, convertem aceleraç ão linear ou angular numa resposta el étrica atrav és de condensadores que est ão associados a cada um dos eixos X, Y e Z [46].

O Aceler ómetro (ACC) permite a an álise do movimento de um indiv´ıduo e, atualmente, tem de- sempenhado um papel muito importante no mundo dos desportos e da medicina, principalmente na recuperaç ão de pacientes. Desta forma, pode ser tamb ém relevante para uma avaliaç ão de um treino ou exerc´ıcio militar.

Na atualidade, os fisioterapeutas e m édicos avaliam os resultados de reabilitaç ão observando apenas o indiv´ıduo em causa. Cada fisioterapeuta ou m édico que avalia o progresso do paciente, fornece o seu pr óprio diagn óstico, sendo que estes resultados podem ser totalmente diferentes, dando origem a uma tardia avaliaç ão do progresso do paciente. Para al ém disso, desta forma, n ão é poss´ıvel um indiv´ıduo monitorizar os seus progressos sem um profissional das áreas supra-referidas. Utilizando o ACCno processo de reabilitaç ão, podemos melhorar a avaliaç ão dos resultados e aumentar a sua efici ência [47].

(38)

No desporto, os treinadores ajudam o atleta dizendo-lhes como melhorar o seu desempenho, mas n ão t êm uma ferramenta para monitorizar constantemente cada movimento do atleta. OACCpode ser a soluç ão para este problema, ao dar a informaç ão ao formador e a profissionais de sa úde relativamente ao estado do atleta. Posto isto, permite que seja feito um treino mais adequado, melhorando as suas capacidades. Desta maneira, podemos dizer que oACCfornece informaç ões cruciais aos terapeutas, m édicos e treinadores na decis ão dos m étodos de tratamento, reabilitaç ão e formaç ão. Estes sensores, de tamanho reduzido, podem ser acoplados dispersamente pelo corpo, permitindo uma melhor percepç ão dos movimentos do indiv´ıduo em estudo [48].

2.4 Atuadores

Um atuador é uma parte de um dispositivo ou m áquina que produz uma resposta quando recebe um sinal de controlo e est á principalmente ligado a movimentos f´ısicos, mas tamb ém pode ser a reproduç ão de um som, emiss ão de luz, entre outros [49]. Estes dispositivos t êm diversas funcionalidades e, atualmente, existem in úmeros esforços no desenvolvimento de tecnologias de atuaç ão para utilizaç ão em dispositivos tais como: rob ôs antropom órficos, micro-rob ôs, rob ôs micro-cir úrgicos, pr óteses e órg ãos artificiais [50], sendo que tamb ém s ão amplamente utilizados, a par de sensores, na produç ão de uma resposta ao sinal captado.

Juntamente com os biossensores, os atuadores podem ser úteis na criaç ão de um sinal de aviso ao indiv´ıduo em teste, como por exemplo uma vibraç ão quando o seu ritmo card´ıaco est á demasiado elevado ou na emiss ão de uma luz quando os n´ıveis destressse aproximam de n´ıveis considerados cr´ıticos.

2.5 Aprendizagem autom ´atica

A aprendizagem autom ática, como um ramo da intelig ência artificial, tem vindo a desempenhar um papel cada vez mais importante na investigaç ão cient´ıfica nos últimos anos. Foi descrita por Arthur Samuel, como o campo de estudo que d á aos computadores a capacidade de aprender sem ser expli- citamente programados [51].

Os algoritmos de aprendizagem podem ser divididos em v ´arios tipos de modelos de acordo com as caracter´ısticas do problema em quest ˜ao.

A aprendizagem supervisionada consiste num algoritmo que gera uma funç ão para relacionar determinadas caracter´ısticas de um conjunto de dados com uma sa´ıda desejada. É constru´ıdo um modelo a partir de conjuntos de dados com o objetivo de fazer previs ões em novos dados. Os algoritmos su- pervisionados podem ser subdivididos em problemas de classificaç ão e regress ão. Por um lado, nos

(39)

problemas de classificaç ão o objetivo é atribuir um resultado de entre um conjunto de categorias, como por exemplo stressou calmo. Por outro lado, a regress ão tem como sa´ıda final um valor num érico e n ão uma categoria.

Em contrapartida, na aprendizagem n ão supervisionada, o modelo a utilizar n ão tem resultados pre- definidos como refer ência para aprender. Por consequ ência, a aprendizagem é focada em encontrar semelhanças nos dados em an álise e agrup á-los com base nas mesmas. Os algoritmos n ão super- visionados podem ser subdivididos em problemas declustering e de associaç ão. Relativamente aos primeiros, estes s ão utilizados quando se pretende conjuntos distintos de dados. Nos algoritmos de associaç ão, conforme o nome indica, pretende-se revelar associaç ões em grandes conjuntos de dados, um exemplo comum deste sistema é a an álise das vendas para encontrar a melhor forma de colocar artigos numa loja.

Atrav és de uma combinaç ão de ambas surge a semi-supervisionada, onde apenas alguns dos dados t êm os seus dados de sa´ıda identificados. Esta combinaç ão tem, por norma, a quantidade de dados identificados bastante reduzida comparativamente aos n ão identificados. Esta forma de aprendizagem pode ser útil na medida em que o processamento de grandes quantidades de dados, no caso da aprendizagem supervisionada, pode ser bastante dispendioso ao n´ıvel de recursos de processamento e de tempo. Desta forma, atrav és da aprendizagem semi-supervisionada, poupa-se recursos e, para al ém disso, est á menos sujeito aooverfiting[52].

2.5.1 Interpretabilidade

A gest ˜ao da sociedade era feita unicamente por seres humanos, no entanto isso pode vir a mudar.

Quando nos candidat ávamos a um emprego ou empr éstimo, o resultado final dessa candidatura era dado por uma pessoa. Se fossemos para um hospital, um m édico tentaria categorizar a nossa doença e recomendar o tratamento mais adequado. Para decis ões como estas, h á uma explicaç ão para a decis ão tomada.

Se um pedido de empr éstimo for recusado, por exemplo, é poss´ıvel compreender o racioc´ınio de quem tomou essa decis ão para que numa pr óxima candidatura se possa preencher os requisitos necess ários. Para al ém disso, se a decis ão for mal tomada, pode ser contestada podendo levar à anulaç ão da mesma. No hospital, a explicaç ão de um m édico elucida-nos sobre a nossa condiç ão.

Em contextos sociais, as raz ões para uma decis ão muitas vezes interessam. Por exemplo, causar intencionalmente a morte, comparativamente a involuntariamente, s ão crimes distintos. No entanto, muitos dos modelos preditivos atuais n ão s ão interpret áveis, tornando imposs´ıvel explicar a tomada de decis ão final [53].

Os modelos de aprendizagem autom ática t êm sido utilizados como uma ferramenta de soluç ão de problemas num grande espetro de áreas cient´ıficas e da sociedade. No ramo da sa úde, surge o

(40)

conceito de interpretabilidade a par destes modelos.

Apesar desta ferramenta j á ter provado ser útil na área da sa úde, a interpretabilidade dos modelos, por vezes, pode ser um impedimento para uma maior adoç ão da aprendizagem autom ática em ambientes reais. Nesta área, apenas um alto desempenho das m étricas de validaç ão dos modelos n ão é o suficiente para que haja confiança numa decis ão que é feita por uma m áquina, visto que esta pode ter implicaç ões diretas na sa úde de uma pessoa. Posto isto, h á que ser balanceada a interpretabilidade com o desempenho dos modelos de forma a obter o melhor desempenho, cumprindo os requisitos m´ınimos de interpretabilidade. Esta tarefa torna-se dif´ıcil devido à relaç ão entre este dois objetivos que, tal como se pode observar na figura2.4, quanto maior a exatid ão, menor é a interpretabilidade [54].

Figura 2.4:Relaç ão entre interpretabilidade e exatid ão [54].

(41)

2.5.2 Selec¸ ˜ao de caracter´ısticas

A seleç ão de caracter´ısticas, como uma estrat égia de pr é-processamento de dados, é uma forma eficaz e eficiente na preparaç ão de dados (especialmente, dados de grande dimens ão) para diversos conjuntos de dados e problemas de aprendizagem autom ática. O objetivo da seleç ão de caracter´ısticas s ão a construç ão de modelos mais simples e compreens´ıveis, bem como, tornar os dados mais limpos, melhorando o desempenho dos modelos de aprendizagem [55].

A seleç ão das caracter´ısticas deve ser distinguida da extraç ão de caracter´ısticas. Embora ambas as t écnicas sejam utilizadas para reduzir o n úmero de caracter´ısticas de um conjunto de dados, a extraç ão de caracter´ısticas é uma t écnica de reduç ão na dimensionalidade que cria novas combinaç ões de atributos, enquanto a seleç ão de caracter´ısticas inclui e exclui os atributos que est ão presentes nos dados sem os alterar [56]. As t écnicas de seleç ão de caracter´ısticas s ão utilizadas principalmente quando a interpretabilidade do modelo é um requisito fundamental.

(42)

(43)

Cap´ıtulo 3

Descric¸ ˜ao f´ısica dos dispositivos utilizados

O BITalino (r)evolution Plugged Kit é bastante vers átil e útil no que toca à aquisiç ão de dados biom étricos. Este kit vem equipado com uma s érie de ferramentas, nomeadamente:

Sensores atuadores

Eletromiografia3.2.1 LED3.3.1 Eletrocardiograma3.2.2 BUZZER3.3.2

Atividade Eletrod ´ermica3.2.3 Digital-to-Analog Converter Eletroencefalografia3.2.4

Aceler ´ometro3.2.5 Luz3.2.6

Bot ˜ao3.2.7

Para al ém dos sensores e atuadores, vem acompanhado de um m ódulo central, 5 el étrodos pr é- gelificados, uma bateria de 700mAe um cabo de conex ão UC-E6 para UC-E6.

3.1 M ´ odulo central

O m ódulo central pode ser descrito separadamente de acordo com os seus 4 blocos funcionais representados na figura3.1; a vermelho, a Microcontroller Unit (MCU) baseada no microcontrolador ATmega328P; a preto, as portas f êmea UC-E6 que s ão ainterfacede entrada e sa´ıda para controlo dos sensores e atuadores; a azul, o bloco de transmiss ão com um BT121-A que est á destinado a aplicaç ões que requerem conetividade tantoBLEcomo Bluetooth cl ássico e, a verde, o bloco de alimentaç ão com um interruptoron/off, uma entrada microUSB e um ponto de ligaç ão para a bateria LiPo Battery 3.7V LP553436 700mA.

(44)

Figura 3.1:M ´odulo central dividido em blocos.

3.2 Sensores

Nesta secç ão é feita uma descriç ão detalhada de cada sensor, apresentando a forma como devem ser utilizados, as suas funç ões de transfer ência, os respetivos sinais em diversos cen ários e, por fim, as suas especificaç ões e carater´ısticas.

3.2.1 Eletromiografia

O sensorEMGpermite o estudo da atividade muscular de um indiv´ıduo, fazendo a ligaç ão ao mesmo atrav és de el étrodos pr é-gelificados ou secos. Tem uma configuraç ão bipolar, ideal para a captaç ão do sinal com baixo ru´ıdo, fornecendo assim dados biom étricos precisos para o desenvolvimento de projetos [57]. Na figura3.2 é poss´ıvel observar o sensor descrito.

Figura 3.2:Sensor para Eletromiografia [57].

Os el étrodos, positivo e negativo, t êm de ser colocados ao longo do m úsculo cuja atividade se quer analisar e, para al ém disso, o el étrodo de refer ência numa regi ão de baixa atividade muscular como, por exemplo, o cotovelo ou a clav´ıcula.

Um exemplo de medida pode ser feito no m ´usculo b´ıceps braquial, destacado a vermelho na figura 3.3.

(45)

Figura 3.3:Posicionamento dos el étrodos doEMGno b´ıceps braquial (destacado a vermelho) para vers ãoStan- dard, à esquerda, e para aAssembled, à direita [57].

A resposta deste sensor às contraç ões musculares (que pode ser observada na figura3.4) é recebida pelo BITalino e varia entre 0 e 2ⁿ−1 (n =resoluç ão de amostragem), sendo convertida para a unidade original de medida deste sensor [mV], usando a seguinte funç ão de transfer ência3.1.

EM G(mV) = (^ADC₂_n −¹₂)∗V CC

G_{EM G} ∗1000 (3.1)

Com:

EMG(mV) SinalEMGem mili-Volt (mV)

ADC Dados das amostras do sensor/canal (valor digital) n Resoluc¸ ˜ao de amostragem

V CC Tens ˜ao (3,3V quando utilizado com o BITalino) G_{EM G} Ganho (1009)

A funç ão transfer ência 3.1 d á assim origem à resposta da EMG captada com o software Open- Signals [58] para um ficheiro .txt, ao qual é feito um ajuste recorrendo ao c ódigo de limpeza A.1.

Posteriormente, é processado com o c ódigoA.3, que d á origem à figura3.4com o sinal em estadoraw e com o sinal filtrado, destacando os momentos de impulsos nervosos.

(46)

Figura 3.4:Dados de sa´ıda do sensor (sinal adquirido do b´ıceps braquial atrav és da flex ão do cotovelo e antebraço em supinaç ão).

Especificac¸ ˜oes:

• Ganho: 1009 • Gama de variac¸ ˜ao:±1,64mV (@VCC=3,3V)

• Imped ˆancia de entrada:10/7,5GΩ/pF • Consumo: 0,17mA

• Tens ˜ao de entrada: 2,0-3,5V • CMRR: 86dB

Caracter´ısticas:

• Mediç ão diferencial bipolar • Alta relaç ão sinal-ru´ıdo

• Sa´ıda anal ógica pr é-condicionada • De pequenas dimens ões

• Sa´ıda de dados n ˜ao processados • F ´acil de utilizar

• Pode ser utilizado com o cabo de dois ou tr ês el étrodos (sendo necess ário s ó um ponto de refer ência quando se utilizam v ários EMGs)

3.2.2 Eletrocardiograma

O sensor de baixo ru´ıdo da Plux utiliza um tr´ıodo diferencial que permite uma aplicaç ão r ápida para a aquisiç ão de dados, sendo poss´ıvel usar outras configuraç ões para o mesmo prop ósito. Odesign inovador do sensor anal ógico tem como sua principal funç ão a an álise minuciosa da actividade card´ıaca de um indiv´ıduo, atrav és dos dados brutos fornecidos [59].

(47)

Figura 3.5:Sensor para Eletrocardiograma [59].

Para a aplicaç ão dos el étrodos deste sensor é utilizada a configuraç ão de Einthoven. O tri ângulo de Einthoven tem tr ês variaç ões diferentes que dependem da posiç ão onde se coloca os el étrodos:

• Derivaç ão D1: mediç ão do Braço Direito (BD) para o Braço Esquerdo (BE)

• Derivaç ão D2: mediç ão doBDpara a Perna Esquerda (PE)

• Derivaç ão D3: mediç ão doBEpara oPE

Nas seguintes figuras s ão demonstrados os locais recomendados para se colocar os el étrodos para oECG, nas diferentes configuraç ões de Einthoven, dependendo dos sensoresECGa utilizar e respetivos tamanhos dos cabos.

Figura 3.6:Posicionamento dos el étrodos do ECG conforme a configuraç ão de Einthoven, com o sensor com cabos dos seguintes comprimentos: 1.5cm (+e−) e 3cm (refer ência) [59].

Figura 3.7:Posicionamento dos el étrodos do ECG conforme a configuraç ão de Einthoven, com o sensor que possui cabos com 30 cm de comprimento (+,

−e refer ˆencia) [59].

(48)

Ap ós serem colocados os el étrodos no indiv´ıduo em teste, os cabos dos el étrodos devem ser ligados com uma das configuraç ões presentes na tabela3.1.

Tabela 3.1: Configurac¸ ˜oes de Einthoven

El étrodo Positivo(+) El étrodo Negativo(-) El étrodo de Refer ência

Derivac¸ ˜ao I BE BD PE

Derivac¸ ˜ao II PE BD BE

Derivac¸ ˜ao III PE BE BD

A resposta deste sensor às contraç ões card´ıacas (que pode ser observada na figura3.8) é recebida pelo BITalino e varia entre 0 e2ⁿ−1(n=resoluç ão de amostragem), sendo convertida para a unidade original de medida deste sensor [mV], utilizando a seguinte funç ão de transfer ência:

ECG(mV) = (^ADC₂n −¹₂)∗V CC

G_ECG ∗1000 (3.2)

Com:

ECG (mV) Sinal ECG em mili-Volt(mV)

V CC Tens ˜ao (3,3V quando utilizado com o BITalino) GECG Ganho (1019)

Na seguinte imagem é poss´ıvel observar a resposta do ECG, retirada com o software OpenSig- nals [58] para um ficheiro.txt, ao qual é feito um ajuste recorrendo ao c ódigo de limpezaA.1. Posteri- ormente, é processado com o c ódigoA.3, que d á origem à figura3.8com o sinal em estadoraw, com o sinal filtrado evidenciando os momentos de pico, o batimento card´ıaco instant âneo, em destaque, à direita, o momento de batimento.

Figura 3.8:Dados de sa´ıda do sensor (sinal adquirido em descanso).

(49)

Especificac¸ ˜oes:

• Ganho: 1019 • Gama de variac¸ ˜ao:±1,47mV (@VCC=3V)

• Largura de Banda: 0,5-100Hz • Consumo: 0,5mA

• Imped ˆancia de entrada:≥100GΩ • CMRR: 100dB

Caracter´ısticas:

• Mediç ão diferencial bipolar • Sa´ıda de dados n ão processados com qua-

• Sa´ıda anal ógica pr é-condicionada lidade para avaliaç ão m édica

• Alta relaç ão sinal-ru´ıdo • De pequenas dimens ões

• F ´acil de utilizar

3.2.3 Atividade eletrod ´ermica

O sensor AED permite, à semelhança da frequ ência card´ıaca, traduzir o n´ıvel de entusiasmo, frustraç ão e t édio de um indiv´ıduo, sendo desta forma relevante para o estudo da situaç ão do militar em teste [60], fazendo a ligaç ão ao mesmo atrav és el étrodos pr é-gelificados ou secos. Tem uma configuraç ão bipolar, ideal para a captaç ão do sinal com baixo ru´ıdo, fornecendo assim dados biom étricos precisos para o desenvolvimento de projetos [61]. Na figura 3.9 é poss´ıvel observar o sensor supra descrito.

Figura 3.9:Sensor para a Atividade Electrod ´ermica [61].

A aplicaç ão dos el étrodos deste sensor, por norma, é feita entre dois dedos adjacentes de forma a medir a diferença de potencial na pele, por ém, pode ser realizada de diversas formas. A diferença de potencial é medida entre os dois el étrodos utilizados (+ & -). Sendo poss´ıvel fazer esta conex ão de duas formas diferentes observ áveis na tabela3.2.

Tabela 3.2:Configurac¸ ˜oes paraAED.

Eletrodo Positivo(+) Eletrodo Negativo(-) Derivaç ão I dedo indicador dedo m édio Derivaç ão II dedo m édio dedo indicador

(50)

Na seguinte imagem ´e poss´ıvel observar o local preciso onde colocar os el ´etrodos:

Figura 3.10:Posicionamento dos el ´etrodos para aAED[61].

A resposta deste sensor (que pode ser observada na figura 3.11) é recebida pelo BITalino e varia entre 0 e2ⁿ−1(n=resoluç ão de amostragem), sendo convertida para a unidade original de medida deste sensor [µS], usando a funç ão de transfer ência3.3.

AED(µv) =

ADC

2ⁿ ∗V CC GAED

∗10⁶ (3.3)

Com:

AED(µS) Sinal AED em microsiemens (µS)

V CC Tens ˜ao (3,3V quando utilizado com o BITalino) GAED Ganho (0,132)

Na imagem3.11 ´e poss´ıvel observar a resposta doAED, retirada com osoftwareOpenSignals [58]

para um ficheiro.txt, ao qual ´e feito um ajuste recorrendo ao c ´odigo de limpezaA.1. Posteriormente,

é processado com o c ódigoA.3, que d á origem à figura3.11com o sinal em estadoraw e com o sinal filtrado evidenciando o momento de pico, que corresponde ao aumento destress.