Tesis:
Relevant framework for social applications of internet of things by means of machine learning techniques
- Autor: ZHENG, Xiaochen
- Título: Relevant framework for social applications of internet of things by means of machine learning techniques
- Fecha: 2019
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS INDUSTRIALES
- Departamentos: INGENIERIA DE ORGANIZACION, ADMINISTRACION DE EMPRESAS Y ESTADISTICA
- Acceso electrónico: http://oa.upm.es/55328/
- Director/a 1º: ORDIERES MERÉ, Joaquín
- Resumen: Los desarrollos recientes de las tecnologías inalámbricas y el despliegue extendido de dispositivos distribuidos espacialmente con capacidades de identificación, detección y actuación integradas crearon la Internet de las cosas (IoT). Este paradigma prometedor se ha desarrollado de forma explosiva en los últimos años. Se cree que es la próxima tecnología revolucionaria al llevar el Internet tradicional al ámbito físico. Miles de millones de cosas inteligentes interconectadas están transmitiendo una gran cantidad de datos a cada momento y promocionando el mundo en la era del ”big data”. El valor potencial inimaginable se puede extraer de estos datos respaldados por tecnologías avanzadas como aprendizaje automático y la computación en la nube. Con la ayuda de herramientas avanzadas de minería de datos, IoT puede aportar grandes beneficios para varios dominios de la sociedad, incluida la atención de salud. La industria de la salud ha cambiado drásticamente debido a la revolución de la tecnología de la información que comenzó en el siglo pasado. Las tecnologías nuevas, como la telemedicina, el hospital digital y la atención sanitaria electrónica, se han aplicado ampliamente durante las últimas décadas y ahora el rápido desarrollo de IoT y el aprendizaje automático promueven la atención de salud de digital a inteligente. Como un aspecto importante de IoT, la tecnología portátil también ha mostrado un aumento rápido en la última década. Se han introducido en el mercado diferentes tipos de dispositivos portátiles que contienen varios sensores integrados con precios asequibles. Estos dispositivos portátiles generan grandes cantidades de datos relacionados con la salud durante diferentes actividades diarias. Estos datos de bajo costo, respaldados por técnicas de computación móvil y aprendizaje automático, hacen posible el desarrollo de sistemas de soporte de decisiones inteligentes (SDSS) que pueden ser beneficiosos para el monitoreo de actividades a largo plazo, el diagnóstico remoto de enfermedades y la promoción de alertas médicas de emergencia. Como una de las herramientas más importantes para realizar la Inteligencia Artificial (IA), el aprendizaje automático ha crecido de manera explosiva en las últimas décadas con el desarrollo de Internet. Varias de las técnicas de aprendizaje automático se han utilizado ampliamente para implementar diferentes tareas de minería de datos, entre las cuales, el aprendizaje profundo ha mostrado un rendimiento sobresaliente en los últimos años debido a la disponibilidad de “big data”. Nuestra investigación tiene como objetivo abordar las aplicaciones de la tecnología IoT respal dada por técnicas avanzadas de aprendizaje automático en diferentes áreas sociales, especialmente en la atención de salud. Se construyó un marco de aplicación general, que incluye la recopilación y transferencia de datos, el almacenamiento y el análisis de datos, y La entrega de resultados de análisis a los usuarios. Con el fin de verificar la viabilidad del marco de aplicación propuesto, se desarrolló un sistema práctico de recolección de datos de movimiento humano basado en tecnología portátil. Incluye tres módulos: un reloj inteligente, un teléfono inteligente y una NoSQL base de datos remota. El sistema se aplicó en un hospital para recopilar datos de actividad diaria y temblor de pacientes con Temblor Esencial (ET). Se adoptaron técnicas avanzadas de aprendizaje automático, incluido el aprendizaje profundo, para realizar tareas de Reconocimiento de Actividad Humana (HAR) y evaluación de ET. A través del procesamiento adecuado y la transformación de los datos, los modelos propuestos podrían reconocer una serie de actividades diarias humanas y clasificar los niveles de temblor con una alta precisión. Estos modelos podrían permitir a los neurólogos monitorear de forma remota y continua las actividades diarias de los pacientes con ET y la correspondiente situación de temblor. El resultado de la evaluación podría ayudarles a mejorar los planes de tratamiento. Este caso demostró la viabilidad del marco de aplicación IoT presentado y otras aplicaciones similares podrían desarrollarse en otros escenarios. Como una de las futuras direcciones de investigación, al final del estudio se propuso un sistema de intercambio de datos personales basado en la tecnología blockchain. El objetivo es proteger la privacidad y la seguridad durante el proceso de intercambio de datos. ----------ABSTRACT---------- The recent adaptation of wireless technologies and the widespread deployment of spatially distributed devices with embedded identification, sensing and actuation capabilities created the Internet of Things (IoT). This promising paradigm has been developing explosively in recent years. It is believed to be the next revolutionary technology by bringing the traditional sense of Internet into the physical realm. Billions of inter-connected smart things are streaming out a huge amount of data every moment and promote the world into “big data” era. Unimaginable potential value can be mined from these data supported by advanced data storage and analysis technologies, such as machine learning and cloud computing. With the help of advanced data mining tools, IoT can bring great benefits for various domains of the society including healthcare. The healthcare industry has been dramatically changed because of the information technology revolution that started in the last century. New technologies such as telemedicine, digital hospital and e-health have been widely applied during the past decades and now the rapidly development of IoT and machine learning is promoting healthcare from digital into intelligent. As an important aspect of IoT, wearable technology has also shown a surge in the past decade. Different types of wearable devices containing various embedded sensors have been introduced into the market with affordable prices. Large amounts of health-related data are generated by these wearable devices related to different daily activities. These low-cost data, supported by mobile computing and machine learning techniques, make it possible to develop Smart Decision Support Systems (SDSS) which can be beneficial to the long-term activity monitoring, remote disease diagnosis, emergency medical alerts promoting and so on. As one of the most important tools to realize Artificial Intelligence (AI), machine learning has been growing explosively in the past decades with the development of Internet. Various of machine learning techniques have been widely used to implement different data mining tasks, among which, deep learning has shown outstanding performance in recent years due to the availability of big data. Our research aims to address the applications of IoT technology supported by advanced machine learning techniques in different social areas, especially in healthcare. A general application framework was constructed, which includes data collecting and transferring, data storage and analysis, and analysis result sharing. In order to verify the feasibility of proposed application framework, a practical human movement data collecting system was developed based on wearable technology. I t includes three modules: a smart watch, a smartphone and a remote NoSQL database. The system was applied in a hospital to collect daily activity and tremor data from patients with Essential Tremor (ET). Advanced machine learning techniques, including deep learning, were adopted to realize Human Activity Recognition (HAR) and ET evaluation tasks. Through proper data preprocessing and data transformation, based on the collected acceleration data, the proposed models could recognize a series of human daily activities and classify tremor levels with high accuracy. These models could enable neurologists remotely and continuously monitor ET patients’ daily activities and the corresponding tremor situation. The evaluation result could help them to improve the treatment plans. This case proved the feasibility of the presented IoT application framework and similar applications could be developed in other scenarios. As one of the future research directions, a personal health data sharing system based on blockchain technology was proposed in the end of the study. The aim is to protect the privacy and security during the data sharing process.