Documente Academic
Documente Profesional
Documente Cultură
En la figura 3 se aprecia le algoritmo desarrollado para el La figura 4 muestra la red de comunicación que se
sistema de monitoreo. implementa. Por un lado, muestra el sistema propuesto con los
Los primeros bloques del algoritmo muestran la etapa de diferentes sensores y el nodeMCU que realizará la adquisición,
adquisición de datos, a través de los sensores que funcionarán procesamiento y transmisión de datos a través de WiFi. Al
simultáneamente. Una vez adquirido los datos, pasan al bloque centro se representa un router común que nos brinda acceso a
con un respectivo algoritmo para el procesamiento de esos internet. A la derecha, la Raspberry PI como servidor también
datos uno para cada sensor. Estos algoritmos permiten conectada a la red por WiFi. Es necesario la asignación de una
establecer si se presenta una situación de riesgo, es caso de ser IP estática al nodeMCU y a la Raspberry PI, para el
negativo, el sistema vuelve a al inicio del sistema cumpliendo reconocimiento de estos dispositivos en la red y para el caso
nuevamente el ciclo (adquisición de datos, luego del nodeMCU, para determinar a qué usuario pertenece dicha
IP. Para la Raspebrry PI es necesario debido a que se pretende
4
Interfaz Web
D. Acelerómetro
E. Signos vitales.
El estudio de la detección de caída, así como el análisis de Sujeto de Drager M540 Proyecto
los resultados obtenidos, permitieron la definición de los prueba
Edad Spo2 FC Temp. Spo2 FC Temp.
rangos de normalidad de las actividades cotidianas de los (Años) (%) (bpm) (C°) (%) (bpm) (C°)
usuarios. A partir de estos se comenzó el desarrollo del 1 25 99 61 36,7 99 59 36,6
algoritmo de detección el cual fue probado sobre el sistema
2 26 98 54 36,9 98 56 37
real.
El algoritmo se probó con las pruebas mencionadas 3 28 100 76 37,2 98 77 37,2
anteriormente, para confirmar que no se activa el sistema de 4 5 100 118 37,1 100 117 37
alerta en ninguna situación inadecuada, eliminando así los 5 74 99 75 36,4 99 78 36,3
máximos falsos positivos posibles. Esto permitió ajustar los
6 81 97 66 36,4 97 64 36,5
umbrales para obtener el mayor porcentaje de efectividad del
sistema posible. 7 59 99 84 36,9 98 82 36,8
Los resultados obtenidos para la detección de caídas con el 8 45 100 85 36,5 100 85 36,6
sistema ya programado y completamente montado en un sujeto 9 26 96 78 38,1 96 78 38,1
de prueba que utilizó la prenda arrojaron los siguientes
resultados: 1 61 98 69 37,2 98 69 37,1
0
IX. CONCLUSIONES
Para cada actividad y completando una cierta cantidad de
repeticiones se obtuvo como resultado en promedio de todas
las situaciones un 94,6 % de aciertos lo que en gran medida En este trabajo se presentó la implementación de un detector
representa una gran efectividad. Destaca el acierto entre las de situaciones de riesgo tanto de caídas como signos vitales,
situaciones en que los ancianos pasan mayor tiempo que son utilizando NodeMCU, Raspberry Pi 3 y diversos sensores
sentarse, acostarse de espadas y caminar, con un 100% de como acelerómetro, SO2, temperatura y frecuencia cardiaca.
efectividad, lo que no alertaría en falso al personal de cuidados. Esta implementación considera un algoritmo de detección de
situaciones de riesgo, donde el parámetro de decisión para las
7