Sistema de monitoreo de signos vitales y posicion estimada

Vista previa del material en texto

Sistema de monitoreo de signos
vitales y posición estimada
Trabajo Final de la carrera de Ingeniería de
Sistemas
FACULTAD DE CIENCIAS EXACTAS
UNIVERSIDAD NACIONAL DEL CENTRO DE LA
PROVINCIA DE BUENOS AIRES
Alumno
Agustin Gerez
Director
Dr. Oscar Goñi
Codirector
Mg. Lucas Leiva
Junio 2019
Agradecimiento
Familia,
que siempre estuvo presente acompañando a lo largo del camino.
Amigos,
con quienes compartí horas de estudio y buenos momentos.
Al Laboratorio de Sistemas Embebidos de Tandil(LABSET),
director y codirector, Quique y Lucas,
por guiarme en todo este proceso, dedicación y atención en todo momento.
A todos, muchas gracias.
1
Índice
Agradecimiento 1
Índice 2
1.Introducción 4
1.1 Motivación 4
1.2 Objetivos 6
1.2 Alcance del proyecto 6
1.3 Contribuciones 7
1.4 Organización del informe 7
2. Marco Teórico 8
2.1 Localización 9
2.1.1 Tecnologías de posicionamiento 9
2.1.2 Técnicas de obtención de señal usando señales de radio 13
2.1.3 Algoritmos de estimación de distancia 15
2.1.4 Algoritmos de estimación de localización 18
2.1.5 Redes Neuronales Artificiales(RNA) 24
2.2 Sensores biométricos 29
2.2.1 Oxímetro 29
2.2.2 Sensor de pulso cardiaco 30
2.2.3 Sensor de respiración 30
2.2.4 Sensor de temperatura 30
2.2.5 Sensores de gases 31
2.2.6 Acelerómetro 31
2.3 Tecnologías para comunicación y administración de
información de sensores 32
2.3.1 Protocolos de comunicación 33
2.3.2 Dispositivos 33
2.3.3 Plataformas 34
2
3.Desarrollo Propuesto 36
3.1 Descripción general 36
3.1.1 Entradas del sistema 36
3.1.2 Funciones del sistema 36
3.1.3 Esquema general 38
3.2 Hardware Del sistema 42
3.2.1 nodeMCU 42
3.2.2 Raspberry Pi 44
4. Implementación 45
4.1 Componentes del sistema 45
4.1.1 MQTT 45
4.2 Diseño del sistema 46
4.2.1 Estructura modular 48
4.2.1.1 Almacenamiento 50
4.1.2.2 Fusión 53
4.1.2.3 Visualización 54
5. Resultados experimentales 58
5.1 Ambiente de prueba 58
5.2 Estudio de la señal 59
5.3 Algoritmos de estimación de distancia 63
5.4 Algoritmo de triangulación 69
6.Conclusión del proyecto 74
6.1 Conclusión 74
6.2 Trabajos futuros 75
7. Bibliografía 77
3
Capítulo 1
Introducción
La actividad minera en Argentina se puede distinguir en tres clases: la minería
metalífera, litio y potasio, y por último de rocas y minerales industriales. La
minería metalífera en Argentina está caracterizada por operaciones y proyectos
donde los principales productos son oro, plata, cobre, plomo y zinc. Según [1]
están en funcionamiento 8 establecimientos donde el metal principal es oro
ubicados en Jujuy, San Juan y Santa Cruz. El litio y potasio, conformado por el
“triángulo del litio” que abarca parte de las provincias de Jujuy, Salta y
Catamarca. Hay 2 operaciones en la actualidad ubicadas en Catamarca y
Jujuy. Argentina presenta 93 millones de toneladas de litio, lo que la ubica en el
primer puesto en recursos de litio a nivel mundial. Los depósitos potásicos de la
Cuenca Huitriniana (Mendoza y Neuquén), conforman la cuenca potásica más
importante de Latinoamérica y una de las más extensas del mundo. La
República Argentina cuenta con presencia de potasio en los salares del
Noroeste. Por último,la presencia de rocas y minerales industriales se
desarrolla en las 23 provincias del país siendo Buenos Aires y Córdoba las que
concentran cerca del 50% del valor de producción.
Dentro de la actividad minera existen riesgos como de temperatura y humedad,
aunque en minas poco profundas la temperatura no presenta grandes
inconvenientes, pero superados los 1000 metros de profundidad, debe
prestarse especial atención de la temperatura ya que puede causar
inconvenientes a la salud de los trabajadores. Tanto la humedad como la
temperatura, interactúan entre sí dificultando el balance termina siendo
necesario entre la temperatura corporal al momento del trabajo y el medio
ambiente laboral. Si la humedad es muy alta, la sensación térmica aumenta
notablemente y provoca cansancio y fatiga. Una de las buenas prácticas es
monitorear frecuentemente humedad y temperatura, entre otros agentes físicos
del ambiente en la operación minera. Otro tipo de riesgos son los químicos
como gases tóxicos, irritantes y asfixiantes. Algunos surgen de los explosivos
utilizados para las voladuras como el óxido de nitrógeno, y al ser poco solubles
en el agua pueden llegar hasta los pulmones donde se disuelven a nivel
alveolar. Allí se originan óxidos nitrosos y nítricos, lo que provoca una irritación
indolora, que puede causar edema pulmonar seguido de muerte. Una de las
buenas prácticas para evitar estos riesgos es realizar mediciones periódicas de
calidad de aire.
Los ambientes cerrados presentan una gran dificultad a la hora de estimar la
posición y monitorear los signos vitales de los operarios, ya que estas
condiciones afectan a las comunicaciones. El problema se vuelve aún mayor
4
considerando la industria minera, en donde los rebotes de las señales
generadas por las condiciones geológicas, afectan de forma considerable las
comunicaciones.
1.1 Motivación
La posición de un usuario o activo en su entorno puede resultar de un gran
interés para numerosas aplicaciones, tal como el muestreo de información
personalizada de la zona donde se encuentra el usuario, informar de zonas de
especial interés por algunas peculiaridades como aglomeraciones o alertas
meteorológicas. Este problema se ha resuelto en entornos a cielo abierto
gracias al uso de GPS, GLONASS, Galileo u otros sistemas de localización de
exteriores.
En los últimos años se ha dado gran auge a las tecnologías inalámbricas y
como consecuencia a los servicios de localización. Su aplicación ha tenido una
gran expansión tanto en interiores como en zonas urbanas, dando lugar a la
aparición de una serie de servicios de comunicaciones que las utilizan debido a
su sencillez y confiabilidad. De esta forma, las tecnologías de localización por
ondas de radio ya funcionan con suficiente precisión en exteriores, motivo que
hace lógico pensar que el siguiente paso es aplicar una tecnología similar
dentro de edificios, tales como museos o centros comerciales [2]. En estos
ambientes, este sistema puede ser utilizado para guiar al público hacia sitios de
interés, como, por ejemplo, una obra de arte en un museo, u ofrecer contenido
acorde a la ubicación como la publicidad al pasar por una tienda en un centro
comercial.
Si bien la localización en interiores (también llamada IPS, Indoor Position
System) es un problema con algunas soluciones, estas carecen de la precisión
necesaria para ciertas aplicaciones. El uso de GPS en ambientes interiores no
es aplicable debido a la escasa penetración de las señales satelitales. Los
equipos comerciales en este caso reportan directamente la información como
no válida. Por esta razón, no existe un estándar que resuelva el
posicionamiento en ambientes interiores. Existen ya varios productos
comerciales que utilizan la comunicación inalámbrica entre varios dispositivos
para determinar la ubicación de un móvil o activos, pero en general poseen
limitaciones en su precisión ya sean tecnológicas o por el enfoque de
posicionamiento utilizado.
Uno de los ambientes de mayor dificultad de aplicación son las instalaciones
mineras. En particular, en minas polimetálicas (plomo, cobre, zinc) de gran
densidad, se generan rebotes de la señal con la consecuente pérdida de
potencia. A raíz de esto se generaron varias alternativas de comunicación en
donde la tecnología informática comenzó a jugar un importante papel a la hora
de mejorar estas tecnologías ya que inicialmente se concibió las
comunicaciones con el objeto de transmitir voz, para luego ampliarla a la
transmisión compleja de datos. Por otro lado, las minas de explotación tanto
mineras como carboníferas son lugares de alto riesgo laboral. Problemas como
derrumbes dentro de los túneles, así como imprevistos de diversa índole
5
pueden llevar a problemas que involucren riesgo humano. En particular, la
detección temprana tanto de desprendimientos geológicos,así como
problemas de salud de un operario puede diferenciar entre la vida y la muerte.
Este hecho hace indispensable el monitoreo de parámetros biométricos de los
operarios. [3]
La seguridad del trabajo en ambientes riesgosos es una temática que preocupa
tanto al empleador como al empleado. De hecho, las legislaciones vigentes
prevén la presencia de personal idóneo en seguridad e higiene dentro de las
instituciones.
Las minas de explotación tanto mineras como carboníferas son lugares de alto
riesgo laboral. En particular, la detección temprana tanto de desprendimiento
geológicos así como problemas de salud de un operario puede diferenciar entre
la vida y la muerte.
Sin embargo, la aplicación de monitoreo, tanto de la estructura geológica como
del personal humano involucrado, no es una tarea trivial. Por un lado, la
presencia de obstáculos como paredes, piedras y estructuras, reducen o
imposibilitan la propagación de ondas electromagnéticas para el monitoreo
inalámbrico. La tarea desarrollada por los obreros, descarta cualquier tipo de
tecnología por cable.
1.2 Objetivos
Este proyecto de fin de carrera tiene como objetivo el diseño, implementación y
análisis de un sistema capaz de monitorear en tiempo real la información vital
del personal que se desempeña dentro de un ambiente cerrado de alto riesgo
como son las instalaciones mineras. Dentro de los objetivos a desarrollar se
pueden dividir en objetivos principales y secundarios.
Como objetivo principal se pretende generar el desarrollo de un algoritmo que
permita la localización efectiva en ambientes cerrados, con una reducción del
error de 40% para la distancia estimada en comparación a los sistemas
actuales que se utilizan para la localización indoor..
En tanto, los objetivos secundarios abarcan el desarrollo de un sistema que
permita el monitoreo de parámetros vitales y posicionamiento de operarios así
como condiciones ambientales(O2, CO2, temperatura, humedad). El enfoque
propuesto es el de una plataforma web de modo de ser accedido de forma
remota.
1.2 Alcance del proyecto
En este trabajo se consideraron las siguientes restricciones tanto para la
localización indoor como el monitoreo de signos vitales. El trabajo aborda la
comparación entre los algoritmos implementados que se encargan de la
estimación de distancia entre dos puntos. La separación máxima que se realizó
en el trabajo es de 4 metros, y la separación mínima de 0.5 metros.. En cuanto
6
al monitoreo de signos vitales, sólo se presenta el caso de pulso cardiaco, pero
el sistema es escalable a cualquier otro sensor. ..
1.3 Contribuciones
Este trabajo presenta contribuciones en el Congreso Argentino de Sistemas
Embebidos(CASE), y en la Revista Elektron.
● Gerez, Agustín, Oscar Enrique Goñi, Lucas Leiva. “Incremento de
Precisión en Localización Indoor Mediante Redes Neuronales” Congreso
Argentino de Sistemas Embebidos: CASE 2020 (2020)
● Gerez, Agustín, Oscar Enrique Goñi, Lucas Leiva. "Aumento de
Precisión en Localización Indoor basado en Redes Neuronales."
Elektron 4.2 (2020): 74-80.
1.4 Organización del informe
La tesis está dividida en seis capítulos. En el primer capítulo se presenta una
introducción al posicionamiento en interiores, dando pie a la motivación y
objetivos del presente trabajo. El segundo capítulo desarrolla el marco teórico
sobre aspectos relevantes para el posicionamiento y sensores de signos
vitales. Se desarrollan tecnologías actuales que realizan posicionamiento,
pasando por algoritmos que estiman distancia y localización indoor. Se hace
referencia al marco teórico de redes neuronales, ya que existen algoritmos
basados en este tipo de inteligencia artificial. Por último, se presentan distintos
sensores que se pueden utilizar para el monitoreo de signos vitales. En el
tercer capítulo se presenta el algoritmo de localización propuesta, detallando
componentes y parámetros del mismo. Luego, se detalla el funcionamiento del
sensor ML87s[4] a modo de ejemplo como monitoreo de signo vital. El cuarto
capítulo se aboca a cuestiones relacionadas a la implementación del sistema,
se muestra la visión arquitectónica del algoritmo propuesto. El quinto capítulo
describe los experimentos realizados y sus resultados. Finalmente, el sexto
capítulo resume las experiencias resultantes de esta tesis, marcando mejoras
para trabajos futuros.
7
Capítulo 2
Marco teórico
El monitoreo de operarios en ambientes peligrosos, como bomberos u
operarios de minas, requiere tanto el conocimiento de su ubicación espacial,
como de sus signos vitales. Para brindar mayor seguridad al operario, se miden
sus signos vitales. El monitoreo continuo de variables biológicas permite
obtener el estado de salud y condiciones ambientales del individuo en tiempo
real de la persona. Esto se hace posible gracias al uso de múltiples sensores,
denominados sensores biométricos, los cuales son capaces de captar distintas
señales eléctricas, reacciones químicas o biológicas que produce el cuerpo
humano. Estos sensores biométricos están en continuo avance y son
conceptos cada vez más comunes como las tecnologías “wearable”, como
ejemplo de esta tecnologías son los smartwatch [5]
En cuanto a la ubicación espacial del individuo, el problema de posicionamiento
tiene sus orígenes en las primeras épocas de la evolución humana. El uso de
marcas o detalles en elementos del ambiente servían de guía para tener
sentido de la ubicación en el espacio. Desde el punto de vista tecnológico, la
invención de la brújula fue el paso inicial: permitió determinar el sentido de la
dirección. Con el avance del descubrimiento del electromagnetismo y
longitudes de onda de radio llevaron al lanzamiento del primer satélite. Años
más tarde, se lanzó el sistema satelital conocido como GPS, compuesto por
varios satélites cuyo fin era determinar la posición de un objeto en la tierra.
En 1997 fue aprobado el estándar 802.11, un estándar que regulaba la
trasmisión de datos de forma inalámbrica para interconexión entre elementos
informáticos que tuvieran una tarjeta de red inalámbrica. En la actualidad es
casi imposible encontrar una PC sin tarjeta de red inalámbrica y hay otro
dispositivo que las incluyen, aunque todavía se debería reducir aún más el
tamaño de las tarjetas Wifi si se quiere incluir en cualquier aparato que pueda
recibir o enviar datos.
Sin embargo, la transmisión de datos no es la única aplicación posible de los
dispositivos que siguen los estándares 802.11; también se puede aprovechar la
infraestructura ya existente que permite la transmisión y recepción sin cables
para la creación de un servicio de posicionamiento de interiores.
Actualmente, lograr una localización geográfica es una realidad de espacios
abiertos, mientras que en espacios cerrados es un campo activo de
investigación. Esto dio avance al desarrollo IPS cuya finalidad es la asistencia
de la navegación dentro de espacios cerrados. Dada su naturaleza, es común
pensar que estos servicios son aplicables a espacios cerrados como shopping
8
o utilizados para “distancias chicas”, menores a 20 metros que se podrían
utilizar para determinar la distancia entre dos personas para respetar el
protocolo de Distanciamiento Social, Preventivo y Obligatorio(DISPO).
A lo largo de este capítulo se resume el estado del arte y tendencias actuales
de las tecnologías relacionadas al presente trabajo. Inicialmente, se abordan
los enfoques para la localización de bienes o personas, luego se presentan
algunas tecnologías relacionadas con medición de parámetros biométricos y
finalmente tecnologías para administración y gestión de la información.
2.1 Localización
En esta sección se presentan diferentes tecnologías que usan localización,
enumerando los distintos métodos para la obtención de señal y algoritmos que
estiman tanto la distancia como su ubicación espacial. Se presenta la
descripción de las RNA, Redes Neuronales Artificiales con el fin de tener el
conocimiento básico que se utilizan en la localización.
2.1.1 Tecnologías de posicionamiento
En el contextode la localización en interiores (o indoor) el problema de
ubicación puede ser resuelto a través del uso de tecnologías como las redes de
área local inalámbrica (WLAN), también conocida como Wifi, las redes de área
personal inalámbrica (WPAN) que incluye identificación por radiofrecuencia
(RFID), la banda ultra ancha (UWB) y Bluetooth de baja energía (BLE) [6]. Se
debe considerar que, las señales inalámbricas más comunes poseen variación
de intensidad en el nivel de señal debido a la presencia de obstáculos, o por las
características del ambiente. La altura es una variable que influye en la
fluctuación de la intensidad de la señal. Por esta razón, no existe un estándar
para todos los ambientes interiores.
2.1.1.1 GPS
El origen del GPS se dio en el marco de la investigación militar por parte de la
armada de Estados Unidos. Un receptor de GPS que quiere localizarse dentro
del globo terrestre localiza al menos a cuatro satélites - cuanto mayor sea el
número de satélites encontrado mejorará su estimación de la posición - y de
cada uno de ellos obtiene la posición del satélite emisor y el tiempo de envío de
cada muestra recibida. Con estos datos, el receptor GPS calcula por
triangulación su posición absoluta dentro de la tierra (latitud, longitud, altitud)
gracias a que los satélites emiten en el mismo preciso momento su señal, pero
ésta le llega retardada al receptor por razones obvias de distancia.
9
Figura 1. Esquema de localización GPS
Un esquema básico del GPS se muestra en la figura 1; este sistema tiene una
precisión que puede llegar a ser mejor de 10 metros si se toman en
consideración más de cuatro satélites. Actualmente existen otros sistemas de
navegación satelital que utilizan la técnica de posicionamiento, siendo la
implementación más conocida el GPS (Sistema de Posicionamiento Global, de
origen estadounidense). Los otros tres son Galileo (europeo), GLONASS (ruso)
y BeiDou (chino)
El uso de GPS en ambientes interiores no es aplicable debido a la escasa
penetración de las señales satelitales. Los equipos comerciales en este caso
reportan directamente la información como no válida. Por esta razón, no existe
un estándar que resuelva el posicionamiento en ambientes interiores. Sin
embargo, es posible encontrar varios productos comerciales que utilizan la
comunicación inalámbrica entre varios dispositivos para determinar la ubicación
de un móvil o activos, pero en general poseen limitaciones en su precisión ya
sean tecnológicas o por el enfoque de posicionamiento utilizado. Su principal
inconveniente es que necesita una línea de visión directa entre el dispositivo
receptor y al menos cuatro satélites, y hay situaciones donde este requisito no
puede cumplirse, por ejemplo, dentro de edificación, túneles. Considerando que
la precisión del mismo es variable, estos problemas resultan en que estos
sistemas no sean aptos para el posicionamiento en interiores. Existen varios
productos comerciales que permiten la localización de interiores utilizando
distintas tecnologías, su principal diferencia es la precisión en la localización.
2.1.1.2 Wifi
Wifi es una tecnología inalámbrica que permite a usuarios conectarse
inalámbricamente entre ellos a través de dispositivos conocidos como Access
Point (AP) o puntos de acceso. Cada AP emite periódicamente una señal para
hacer notar su presencia a los usuarios (representados por tarjetas de red
inalámbricas), los cuales de este modo pueden saber en todo momento qué
redes inalámbricas hay disponibles en su entorno. Generalmente trabaja a
frecuencia de 2.4 GHz y 5 GHz. Fue estandarizado por la IEEE (Institute of
Electrical and Electronics Engineers) como 802.11.
10
De todas formas, el mecanismo CSMA-CA del que se hace uso en los
protocolos 802.11 elimina las mayores fuentes de interferencia, y por tanto de
error, al emitirse tramas solamente cuando el medio está libre.
Las redes basadas en los protocolos 802.11b y 802.11g se emiten en la banda
de 2.4 GHz. Mientras que las redes de 5 GHz alcanzan velocidades mayores a
las 2.4 GHz, son menos eficaces a la hora de traspasar obstáculos como
paredes y muebles, lo que resulta en un rango menor de cobertura. Una red
Wifi promedio tiene un alcance de 92 metros en exteriores o 46 metros en
interiores.[7]
La principal ventaja de utilizar redes Wifi como tecnología de posicionamiento
es su infraestructura ya existente en edificios. Debido al gran crecimiento de las
redes inalámbricas para uso hogareño o empresarial, es normal encontrar en
un hotel en cada uno de los pisos un AP, o en un hogar con la finalidad de
expandir el alcance de la red inalámbrica. Además, su facilidad de instalación,
es decir, cualquier dispositivo que permite conexión a red inalámbrica puede
acceder y es de bajo coste ya que evita el cableado.
Por otro lado, la principal desventaja es que el protocolo 802.11 no fue
diseñado con el objetivo de ser utilizado con este fin: cada vez que se quiere
realizar un escaneo para determinar la ubicación, se envían mensajes a todos
los puntos de acceso Wifi solicitando la información correspondiente, y esto
impacta negativamente en el rendimiento de la red. Esto se debe a que los
actores de la red Wifi pueden estar en modo AP, estación o ambos. En modo
AP implica generar una red nueva, mientras que modo estación (o station, STA)
implica conectarse a una red existente. Y en el modo AP+STA , implica que
puede operar en ambos modos, sin embargo, no puede ser ambos modos al
mismo tiempo.
2.1.1.3 RFID
Otra alternativa al GPS en la localización en interiores son los sistemas RFID
(Radio-Frequency Identification, identificación por radiofrecuencia). Estos
sistemas RFID consiste en lectores y etiquetas RFID. El lector puede obtener
los datos emitidos por las etiquetas. Estas últimas actúan como una antena,
siendo capaces de emitir señales de información, principalmente su ID único.
Las etiquetas se pueden clasificar en dos grupos en función de cómo obtienen
la energía para su funcionamiento: son “pasivas” si se utilizan la pequeña
energía emitida por el lector, recogida mediante la pequeña antena; o “activas”
si tiene su propia fuente de alimentación y transmiten periódicamente su ID.
Esta tecnología se puede utilizar, por ejemplo, para realizar un sistema de
localización y control de inventario como el que se desarrolló en un almacén de
aduana por la Universidad Nacional Mayor de San Marcos de Lima, Perú.
Donde lograron reducir el tiempo de localización en un 46.2% [8]. Otro ejemplo
es el control de la presencia de empleados en un buque marítimo, el
desarrollado por la escuela técnica superior de náutica, de la universidad de
Cantabria [9]
11
Como resumen, la localización por RFID es una alternativa válida, aunque
costosa dado el corto alcance de las señales de RFID, lo que implica la
instalación de una gran cantidad de lectores en áreas extensas.
2.1.1.4 UWB
La tecnología UWB (Ultra Wideband, banda ultra ancha) parece una buena
candidata para la localización en interiores. Permite altísimas velocidades de
transmisión y rangos elevados, y parece un candidato perfecto para hacer
sistemas de localización en interiores aunque su aplicabilidad parece enorme
en un gran número de campos [10]
La precisión alcanzada con este sistema es de un metro con lo que queda
patente sus posibilidades de aplicación en el ámbito. Sin embargo, el mayor
inconveniente es que no está regulado de tal forma que se pueda usar
libremente a escala masiva como sucede con el Wifi. Por otro lado, su ventaja
principal con respecto a la localización en interiores usando Wifi es su mayor
robustez ante cambios del entorno (puerta, paredes, presencia o movimiento
de personas, etc.).
2.1.1.5 BLE
La tecnología Bluetooth se considera un competidor de la tecnología Wifi en los
sistemas de posicionamiento en interiores, en particular desde la adopción
generalizada del Bluetooth Low Energy(BLE), debido a que es compatible con
la mayoría de los Smartphone modernos; es una tecnología de bajo coste; y de
bajo consumo de energía, lo que permitea los emisores funcionar con pilas
durante varios meses o incluso años.
BLE, también conocido como Bluetooth Smart, permite la comunicación entre
dispositivos en un rango menor al Bluetooth tradicional, siempre y cuando estos
no requieran una gran transferencia de datos. Con esta tecnología no es
necesario el emparejamiento: soporta un modo broadcast, donde la información
es enviada por canales específicos sin establecer una conexión. Al igual que en
los sistemas Wifi, se utiliza la RSSI para obtener la localización. En estos
sistemas, existen balizas fijas denominadas beacons (análogo a los puntos AP
en Wifi) que emiten señal. La señal es recogida por un Smartphone que lleva el
usuario y se aplica la técnica correspondiente para calcular la distancia.
Algunos de los ejemplos que se pueden mencionar que utilizan tecnología BLE,
son las aplicaciones móviles de museos donde indican al usuario final dónde o
a qué distancia que se encuentra de una pintura elegida por el mismo usuario
[11], desarrollado por el centro de Automática y Robótica(CAR) y el Consejo
Superior de Investigaciones Científicas(CSIC) en Madrid, España.
La ventaja de BLE es que es una tecnología barata, pero de alcance corto y se
necesitan muchos dispositivos para cubrir un edificio. El error cometido puede
estar en torno a 1.5 metros, lo cual es aceptable. El mayor inconveniente del
BLE es que el indicador RSSI no es preciso, por lo que no se puede usar y por
ella, si se encuentra un dispositivo cercano, hay que asumir que se está en un
entorno, pero no se puede estimar el grado de cercanía o lejanía.
12
2.1.2 Técnicas de obtención de señal usando señales de radio
Respecto a los mecanismos de obtener señal a partir en un ambiente wifi, se
clasifican en los basados en el rango y los de rango libre [12,13]. En el enfoque
basado en el rango, los nodos deciden su posición teniendo en cuenta el
cálculo de ángulo o distancia de algunos nodos de anclaje (nodos con
posiciones conocidas) [15,16]. Dichas estimaciones pueden obtenerse a través
de diversos procedimientos, por ejemplo, evaluando el tiempo de llegada (TOA)
[15], evaluando la diferencia de tiempo de llegada (TDA) [17], estimando la
dirección llegada (DOA) [17] o considerando el indicador de intensidad de señal
de recepción (RSSI) [18].
2.1.2.1 Diferencia de tiempo de llegada
En esta técnica, se calcula el tiempo de llegada de una señal específica a
diferentes receptores que están sincronizados entre sí. La diferencia de tiempo
entre los diferentes receptores se utiliza para estimar la distancia.
Aunque TDOA (Differential Time Of Arrival) y ToA (Time Of Arrival, tiempo de
llegada) son similares, existen algunas diferencias. TOA difiere en el hecho de
que utiliza el tiempo absoluto de vuelo a un único receptor, en vez de la
diferencia de tiempos a varios receptores. Por otro lado, en TOA se conoce el
momento en que se envió la señal (emisor y receptor están sincronizados),
mientras que en TDOA el momento en el que se envió la señal es desconocido
(están sincronizados los receptores únicamente). Se puede observar en la
imagen como se infiere la distancia.
Figura 2. Uso de la técnica TDOA
Sin embargo, esta técnica tiene los inconvenientes típicos de la localización en
interiores, y es que, por el multitrayecto, el tiempo de propagación será más
elevado de lo que sería en espacios libres y las mediciones de distancia no
serán muy precisas. Además, para lograr una medición con una precisión y de
muy alta velocidad capaz de detectar variaciones de tiempo en el arribo de la
señal.
2.1.2.2 Tiempo de llegada
A veces denominado tiempo de vuelo(TOF), es el tiempo que tarda una señal
en llegar del emisor al receptor. Si el receptor obtiene este TOA, entonces
13
puede estimar la distancia mediante el uso de la velocidad de la luz (en el caso
de señales electromagnéticas).
Se estima la distancia a tres o más puntos de referencia mediante TOA, y a
continuación, usando estas distancias se aplica un algoritmo de multilateración
para obtener la posición del usuario. Por ejemplo, en la figura 3, los radios d1,
d2 y d3 de las circunferencias se obtendrían mediante TOA y luego se aplicaría
el algoritmo de triangulación con las circunferencias resultantes.
Figura 3. Uso de la técnica TOA
Esto mismo ocurre con varias de las técnicas TDOA, RSSI. Que son
necesarias unirlas a un método de localización como trilateración o fingerprint
para obtener la posición precisa del usuario.
2.1.2.3 Ángulo de llegada
Este método, también conocido como AOA (Angle Of Arrival) , estima la
posición del objetivo determinando el ángulo de incidencia en el cual las
señales llegan al receptor. El dispositivo emisor define una línea que parte del
mismo y que incide en el receptor (objetivo) con un ángulo dado. La
combinación de varias líneas de varios dispositivos emisores permite situar al
receptor. Al menos son necesarios dos emisores y dos ángulos.
En la figura 4 se puede observar cómo se forman los respectivos ángulos entre
el nodo y cada antena. Las antenas pueden hacer referencias a un AP con una
localización conocida.
14
Figura 4. Uso de la técnica AOA
En realidad, la técnica del ángulo de llegada es efectiva solo cuando no hay
multitrayecto porque en caso de haberlos se puede pensar que la señal viene
de otro lugar al medir el ángulo de una señal reflejada. Por ello, normalmente
se necesita visión directa para estimar el ángulo de un terminal hacia una
antena emisora.
2.1.2.4 RSSI
Esta técnica usa la atenuación de la señal recibida para inferir la localización
del Terminal Móvil(TM). En base a esta atenuación se puede estimar la
distancia que separa al TM de cada AP, pero la relación distancia/potencia de
señal recibida no es muy clara al haber multitrayecto, reflexiones, difracciones y
otras propiedades que tiene la señal. Sin embargo, esta es la solución que se
ha elegido por ser la más simple conceptualmente y la más barata de las
cuatro, al no necesitar ningún hardware adicional.
2.1.3 Algoritmos de estimación de distancia
Se propone el análisis de tres algoritmos de localización indoor, seleccionados
por su bajo costo ya que no requieren de hardware adicional. Los algoritmos
utilizan el método RSSI para captar la señal de transmisión. Este método se
basa en la atenuación de la señal recibida para inferir la localización del móvil y
estimar la distancia que separa el móvil de cada Access Point (AP).
2.1.3.1 Algoritmo de Zhu y Feng
El trabajo presentado por Zhu y Feng [18], desarrollado en la universidad
Ocean de China Qingdao, propone una solución a la localización de interiores
a partir de la fórmula de pérdida de ruta de camino libre (Ecuación 1, FSPL) y
del concepto de atenuación. Se hace referencia a FSPL (Free Space Path
Loss), como la atenuación de la señal que consigue a lo largo de su trayecto
desde el nodo origen a destino. Es decir, disminuye la densidad potencial de
cualquier onda electromagnética dada a medida que se propaga a través del
espacio. Hay varias causas de pérdida de trayecto que van desde la expansión
natural de la onda de radio, la pérdida de trayectoria de difracción debido a la
obstrucción, a la pérdida de la trayectoria de absorción que ocurre debido a la
presencia de un medio que no es transparente a las ondas electromagnéticas.
Es importante tener en cuenta que incluso cuando ocurre la pérdida de
15
trayecto, la señal transmitida puede viajar a lo largo de otros trayectos al
destino previsto, dicho proceso se denomina trayecto múltiple o multitrayecto
Zhu y Feng mediante el uso del método de triangularización y el uso de
matrices determina la posición del individuo. Una de las desventajas de este
enfoque es que el objeto a localizar debe ubicarse donde al menos hay tres AP.
Como ventaja, esto demuestra que mejora la precisión de localización a la vez
que se reduce la desviación.
𝑃𝐿 𝑑𝐵( ) = 𝑃𝐿 𝑑
0( ) − 10 * 𝑛 − 𝑙𝑜𝑔10
𝑑
𝑖
𝑑
0
( (1)
Siendo d0 la distancia de referencia cercana a la Tierra, PL(d0) la señal de
fuerza medida desde d0, yn es el factor de atenuación. Su valor varía entre 2 y
6 dependiendo del ambiente.
El objetivo de su trabajo es mejorar la localización de un móvil, a partir de la
intensidad de señal (RSSI). El trabajo presenta mediciones con las antenas de
los nodos terminales en distintas posiciones, por ejemplo, el nodo ubicado en
forma vertical, horizontal, hacia adelante o hacia atrás. De esta forma,
demostraron que cuando el nodo terminal se encuentra atrás del AP la señal se
mantiene estable y el RSSI disminuye, según su trabajo el error medio es entre
5º y 15º . Mientras que, si el nodo se encuentra delante del AP, la señal de
atenuación del Wifi es mínima. Si se encuentra la dirección de orientación del
AP y el valor RSSI de esa dirección, aumenta la precisión de localización. A
partir de esta optimización, el algoritmo utiliza triangulación para inferir la
posición del móvil.
2.1.3.2 Algoritmo de Barai Biswal y Sau
En el trabajo de Barai, Biswal y Sau [19], desarrollado en la universidad
Jadavpur, Kolkata India, se realizan mediciones entre dos nodos determinando
la relación entre el desvío estándar y la media de la intensidad de señal
recibida (RSSI). A partir de esta relación, determina la ecuación de distancia
(2)𝑑
𝐴
= (−0.043𝑥
5−4.92𝑥4−171.5𝑥3−600.8𝑥2+41.41𝑥−0.84)
(𝑥4+250𝑥3+14780𝑥2−455.9𝑥+12.24)
Según Barai, Biswal y Sau, la relación se basa en que la desviación estándar
cercana a uno es más baja, y los valores RSSI se aproximan a la media para
una distancia particular. Para la desviación estándar mayor a tres se
incrementa y los valores de RSSI se extienden en un rango alto.
En este trabajo se logró una reducción del error de estimación de distancia del
8.32%. Este resultado es experimental, en este trabajo realizaron una serie de
mediciones con NodeMCU (ESP8266 Wifi). Dicho experimento constó en la
toma de 17 muestras por cada distancia medida, el rango a medir fue de 0.3
metros a 10 metros. A su vez, utilizaron dos NodeMCU+25 dBm donde uno fue
utilizado como AP y otro como estación. A partir de esta serie de mediciones,
determinaron las medias y desvíos estándar de cada medición y junto al
análisis de curvas como CFT(Curve Fitting Technique), llegaron a la ecuación
2. También hicieron comparación con otras estimaciones como ESS (Estimated
16
Signal Strength) y FTE(Friis Transmisión Equation). Se compara dichas
estimaciones en la tabla I, junto a una gráfica, figura 5, donde se muestra con
líneas de colores cada técnica en relación a su distancia y RSSI.
Distancia
Actual
RSSI Esimac.
Distancia
CFT(dA)
Estimac.
Distanci
a
ESS(dB)
Estimac.
Distancia
FTE(dC)
Error
CFT
(dA)
Error
ESS
(dB)
Error
FTE
(dC)
Error
porcentual
CFT
(dA)
Error
porcentual
CFT
(dA)
Error
porcentual
CFT
(dA)
0.3m -55 0.2900m 0.3981m 0.3213m 0.01 0.0981 0.0213 3.333% 32.7% 7.1%
0.4m -59 0.3742m 0.5011m 0.5092m 0.0258 0.1011 0.1092 6.45% 25.275% 27.3%
0.5m -60 0.4029m 0.5308m 0.5714m 0.0971 0.0308 0.0714 19.42% 6.16% 14.28%
0.6m -62 0.4723m 0.5956m 0.7193m 0.1277 0.0044 0.1193 21.283% 0.733% 19.88%
0.7m -66 0.6761m 0.7498m 1.14m 0.0239 0.0498 0.44 3.4142% 7.114% 62.85%
0.8m -68 0.8236m 0.8413m 1.43m 0.0236 0.0413 0.63 2.95% 5.1625% 78.75%
0.9m -69 0.9127m 0.8912m 1.61m 0.0127 0.0088 0.71 1.41% 0.9777% 78.88%
1m -71 1.1293m 1.0000m 2.02m 0.1293 0 1.02 12.93% 0% 102%
2m -74 1.5859m 1.1885m 2.86m 0.4171 0.8115 0.86 20.855% 40.575% 43%
3m -79 2.9307m 1.5848m 5.09m 0.0693 1.4152 2.09 2.31% 47.173% 69.67%m
4m -81 3.8387m 1.7782m 6.41m 0.1613 2.2218 2.41 4.0325% 54.545% 60.25%
5m -83 5.1232m 1.9952m 8.07m 0.1232 3.0048 3.07 2.464% 60.096% 61.4%
6m -84 5.9720m 2.1134m 9.05m 0.028 3.8866 3.05 0.4666% 64.7766% 50.83%
7m -85 7.0137m 2.2387m 10.16m 0.0137 4.7613 3.16 4.4542% 68.0185% 45.14%
8m -86 8.3118m 2.3713m 11.40m 70.3118 5.6287 3.4 3.8975% 70.3587% 42.5%
9m -87 9.9605m 2.5118m 12.79m 70.9605 6.4882 3.79 10.6722% 72.09% 42..1%
10m -88 12.1052m 2.6607m 14.35m 2.1052 7.3393 4.35 21.052% 73.393% 43.5%
TABLA I. Comparación actual y estimación de distancia por función, estimación de ESS y FTE
17
Figura 5. Comparación entre Gráfica de entrenamiento (línea azul oscuro), gráfica
actual (línea violeta), fórmula ESS(lineal verde) y formula FTE(línea azul)
2.1.3.3 Algoritmo de Nasca y Cojocariu
Finalmente, el trabajo de Iacob Nasca y Teofil Cojocariu [20], presenta una
solución utilizando la fórmula de pérdida de ruta de espacio libre, teniendo en
cuenta la potencia del transmisor y la frecuencia del sensor. Su solución es
viable, aunque se ve afectado por la latencia en las actualizaciones de los AP.
A partir de la fórmula de pérdida básica de transmisión en el espacio libre, se
deduce la distancia d medida en metros según la ecuación (3), donde Ptx[dBm]
es la potencia del transmisor, siendo F[MHz] la frecuencia y K es una
constante que depende de las unidades de la distancia y frecuencia, Por último,
L[dBm] es el valor de RSSI obtenido entre un emisor y receptor.
(3)𝑑 = 10 
𝐾 −(𝑃𝑡𝑥+𝑙𝑜𝑔 𝐹 + |𝐿|)
20
En este trabajo primero utilizan el protocolo de comunicación SNMP(Simple
Network Management Protocol, protocolo simple de administración de red), su
función es devolver todas las direcciones MAC asociadas a un AP. Además, de
la información de la MAC, aparece asociada la IP,VLAN, encriptación usada,
RSSI, entre otros datos.
Se puede observar en la imagen que cada nodo está conectado de forma
inalámbrica a uno o varios AP. Estos AP están conectados a un controlador
inalámbrica que se comunica mediante el protocolo SNMP al desarrollador para
comunicar los datos de la red.
18
Figura 6. Arquitectura según Nazca y Cojocariu para la obtención de señal asociada a cada AP
Los datos RSSI se dan en dBm por lo que el segundo paso fue convertir esos
valores en metros, utilizando la ecuación 3. Esta ecuación es derivada a partir
de la FSPL.
2.1.4 Algoritmos de estimación de localización
En esta sección se describen los distintos métodos que infieren la localización
espacial. Entre ellos se destacan el método de triangulación, trilateración, el
uso de reconocimiento de patrones o fingerprint.
Es importante mencionar la diferencia entre triangulación y trilateración. La
primera técnica se basa en determinar la posición de un objeto o nodo objetivo
en base al ángulo de llegada, AOA de señales inalámbricas. Hay varias formas
de determinar el AOA en un nodo, por ejemplo, equipando a los nodos con
antenas direccionales, o con receptores de ultrasonido. La medición del ángulo
de llegada en el receptor requiere que el mismo esté calibrado de acuerdo a un
eje de referencia contra el cual se puede medir el ángulo de una línea recta
entre un emisor y el receptor. Mientras que la trilateración, es una técnica para
determinar la posición que involucra únicamente la distancia entre varios
puntos. Para que la misma sea aplicable en un plano bidireccional, es
necesario conocer las distancias entre la posición a determinar(TM) y al menos
otros tres puntos preestablecidos (A, B, C) de los cuales ya se conoce su
ubicación exacta.
También existen derivados a partir de los algoritmos de triangulación,
soluciones embebidas para los problemas de localización indoor. A
continuación, se explica a partir del algoritmo de estimación de distancia y el
método de triangulación, la solución embebida para resolver el problema.
19
2.1.4.1 Algoritmo de triangulación
La triangulación puede realizarse siguiendo dos métodos relevantes que
describen desde el armado del sistema de ecuaciones hasta obtener la
posición del móvil usando triangulación. Si bien los resultados son similares, es
importante describir ambos métodos. Según Nasca y Cojocariu, luego de
obtener las mediciones entre señales y distancia, ocurre el problema de
multilateración.
Este problema se describe como sucesivas ecuaciones equivalentes a la
cantidad de AP que detectan el dispositivo y pueden medir el valor del RSSI,
donde D = (x,y) es la posición del dispositivo, APi = (xi , yi ) es la posición del
APi y ri es la distancia medidadesde el APi al dispositivo. El sistema puede ser
linealizado restando la i-ésima ecuación en las demás n-1 ecuaciones.
En el caso ideal, todos los círculos se intersectan en un sólo punto, sin
embargo, las medidas reales se ven afectadas por el error y los círculos se
intersectan en más de un punto. Nasca y Cojocariu infieren la localización
espacial usando el método de eliminación Gaussiana en el sistema de
ecuaciones propuesto. Zhu y Feng, asume que hay n APs y el nodo terminal o
móvil se representa como (x,y). Donde di representa a la distancia estimada
entre el móvil y el i-ésimo nodo AP (xi, yi). La diferencia entre la distancia real y
la distancia estimada es expresada como ⍴i = | di - di’ |. Asumiendo la
existencia de un error, ⍴i, (distinto de cero), la solución propuesta para lograr la
mejor estimación de localización es usar el algoritmo de mínimo cuadrados que
permite que el valor de sea mínimo. A partir de la definición del sistema
𝑖=1
𝑛
∑ ⍴
𝑖
2
de ecuaciones que se puede obtener de un sistema de localización indoor:
Ax = b (6)
20
Usualmente di en b es desconocida, pero di ’ compuesta de b’ puede ser
estimada por el modelo mencionado anteriormente, entonces min( )
𝑖=1
𝑛
∑ ⍴
𝑖
2
significa min . Luego la resolución de x’ es la siguiente:𝐴𝑋 − 𝑏'| |
x’ = (ATA)-1 AT b’ (7)
A mayor cantidad de nodos AP disponibles, mayor es la precisión lograda, pero
con un mayor costo computacional y económico. En casos reales, 3 nodos AP
son suficientes para localizar un nodo desconocido, entonces consideramos
n=3. La elección de un método u otro para la localización espacial depende de
la ubicación de los AP o el nodo terminal a localizar. Si se encuentran ubicados
en los límites del ambiente indoor o en lugares donde la señal es débil, la
localización espacial varía utilizando un método o el otro. Si la ubicación
espacial no varía usando ambos métodos, entonces se está en presencia de un
caso de localización exacta. La utilización de ambos métodos nos permite
verificar la precisión en la localización.
2.1.4.2 Reconocimiento de patrones
Este tipo de técnicas de localización,requiere inicialmente los datos relativos a
las señales de radiofrecuencia de un escenario (fingerprints) para después
estimar la localización de un objeto mediante la comparación de las medidas
obtenidas en tiempo real con las previamente recolectadas.
En general, a la fase de recolección de medidas para construir el patrón de
referencia se la denomina fase de calibración, o fase offline. Luego, durante la
fase online, se determina la localización mediante comparación de las medidas
obtenidas frente al patrón guardado (también llamado “mapa radio” o
“radio-map”).
Los métodos fingerprinting son métodos basados en mediciones en la potencia
de la señal recibida (RSSI), y dependiendo de la tecnología concreta utilizada,
los datos recolectados pueden ser los niveles de la señal del piloto de
portadora, etc.
A continuación, se enumeran los principales algoritmos y técnicas
pertenecientes a esta familia. La necesidad de uso de todos ellos deriva del
hecho de que los valores medidos durante la fase online no suelen tener un
emparejamiento sencillo con los valores almacenados en el mapa radio durante
la fase de calibración, por diversos motivos principalmente asociados a las
variaciones de la señal por ruidos y otros efectos.
Método kNN (k vecinos más próximos)
El método kNN, o de los k vecinos más cercanos (k-Nearest-Neighbor) emplea
las medidas RSSI realizadas online para buscar y seleccionar las k
equivalencias más próximas a los valores de potencia previamente
almacenados en el mapa radio construido durante la fase de calibración.
21
El valor de k es un parámetro que se puede adaptar a cada situación, para
obtener mejores prestaciones.
El proceso consta de dos fases: durante la primera, se compara el valor medido
para cada uno de los REP (Punto de Emisión Radio) con todos los valores
almacenados en cada uno de los puntos de referencia del mapa radio, y a partir
de esa comparación se seleccionan de entre ellos los k valores más próximos.
El criterio de proximidad se establece en base al principio de la raíz del error
cuadrático medio, calculado respecto de las distintas estaciones emisoras.
Según lo anterior, podemos asumir que rij corresponde a la RSSI almacenado
para el REP numero i en el punto de referencia j, y que Ri es el valor de RSSI
observado en el momento de realizar el posicionamiento, en relación al REP
numero i
Entonces, se considera la distancia entre Ri y los conjuntos de datos rij según
se expresa en la Ecuación 8:
(8)𝐷
𝑗
=
𝑖=1
𝑛
∑ (𝑅
𝑖
− 𝑟
𝑖𝑗
)2; ∀𝑗 = 1, 2,.. 𝑛
Ecuación 8. Distancia euclídea entre potencias medidas y potencias almacenada
Una vez calculada la distancia observada de una medida concreta observando
las m REP que tienen cobertura sobre un punto, con respecto a todos los
puntos del mapa radio, se debe escoger el conjunto de las k muestras que
ofrecen un valor de la distancia menor. Esas k muestras se corresponderá con
otros tantos puntos de referencia del mapa radio, cuya posición es conocida de
antemano.
A partir de ahí, promediando las coordenadas x e y de los puntos
correspondientes a esas k localizaciones que se deseen tener en cuenta, se
obtiene el valor de la posición estimada.
Esta técnica presenta ciertas desventajas, los k vecinos son lo mejor
representativo para poder localizar un móvil. De esta forma, el dataset influye
en la calidad de la localización espacial.
Método bayesiano.
Otro enfoque de localización bayesiana es contribuir una distribución de
probabilidad de la variable de observación(RSSI) según se esté en una
localización u otra, que es la probabilidad condicionada P(x|i), siendo x el
vector de potencias recibidas e i la localización en la que está el TM. Por el
teorema de Bayes es fácil calcular la probabilidad a posteriori:
(9)𝑃(𝑖|𝑥) = 𝑃(𝑥|𝑖)𝑃(𝑖)𝑃(𝑥) =
𝑃 𝑖( )𝑃(𝑖)
𝑗=1
𝑐
∑ 𝑃(𝑥|𝑗)𝑃(𝑗)
El término P(x|j) indica la probabilidad de observación condicionada a que
estén la localización j. Una forma de calcular esta probabilidad es con los
22
métodos de histograma, los cuales, discretizan los valores posibles para la
variable de observación, asignándoles una clase de un histograma con k
clases. La forma de construir el histograma puede ser:
(10)𝑃(𝐴𝑃
1
= 𝑦
1
, …, 𝐴𝑃
𝑑
= 𝑦
𝑑
) =
𝐹𝑟𝑒𝑐. 𝐴𝑏𝑠.(𝐴𝑃
1
=𝑦
1
,…,𝐴𝑃
𝑑
=𝑦
𝑑
)
𝑛
Donde se tiene d puntos de acceso, y se han obtenido n muestras. Al ser este
cálculo muy complejo, se presupone independencia de los AP, es decir, se
supone que no se solapan sus emisiones al estar situados en canales lo
suficientemente alejados entre sí, reduciéndose como: :
(11)𝑃 𝐴𝑃
1
= 𝑦
1
, …, 𝐴𝑃
𝑑
= 𝑦
𝑑( ) = 𝑃 𝐴𝑃1 = 𝑦1( )𝑃 𝐴𝑃2 = 𝑦2( )…𝑃 𝐴𝑃𝑑 = 𝑦𝑑( )
En la siguiente imagen se puede observar un modelo probabilístico bayesiano
de un robot para calcular su localización. Se puede visualizar las señales de
control como U0, U1, …, Uk. Un eje de la posición conocida, llamada referencia
(X0, X1, X2…, Xk) y junto a un mapa determinan la observación o localización
espacial del robot. La figura viene [27]
Figura 9. Ejemplo de modelo bayesiano utilizado para la localización de un robot
Support Vector Machines (SVM)
Otro enfoque para la estimación de la localización es el basado en SVM
(Support Vector Machine, máquina de vector soporte). En los SVM, se
procesan los vectores de observación en un espacio con mayor dimensión que
la dimensión de las observaciones, con el fin de obtener un hiperplano que
separe linealmente las observaciones y permita la localización de la forma más
fiable como sea posible.
23
Figura 10: Separación lineal de las muestras con SVM
Como se observa en la figura 10, hay múltiples formas de separar linealmente
los elementos de los dos conjuntos, representados respectivamente por
círculos de color azul y verde. La importancia de SVM es que la separación
entre los conjuntos es máxima, lo que en teoría hace a este métodobastante
tolerante a errores, siempre que el entrenamiento haya sido realizado con
suficientes observaciones.
Un ejemplo puede ser, considerandos vectores de observación xi, la
pertenencia no de dichas observaciones al conjunto de mediciones de potencia
cuando el TM está en la localización 1. Es decir, en este conjunto(CL), de todas
las mediciones realizadas (xi) algunas valdrán 1 si el TM está en 1, y valdrán -1
en caso contrario.
(12)𝐶
𝐿
= { 𝑥
1
, 𝑐
1( ), 𝑥2, 𝑐2( ), …, (𝑥𝑛, 𝑐𝑛)}
La forma de separar este conjunto maximizando la distancia es con la
resolución de la ecuación w∙x – b = 0 para buscar el hiperplano más distante
de las muestras. Una explicación gráfica de por qué se escoge este valor se ve
a continuación, mostrando el concepto de margen:
Figura 11: Distintas formas de separación de dos conjuntos
Se puede observar tres hiperplanos en la imagen, el más cercano a los círculos
hace referencia a un hiperplano w∙x-b=1. Se hará una descripción pesimista
del conjunto, ya que en cuanto se produzcan errores, es posible que una
muestra se clasifique erróneamente como no perteneciente al conjunto (falso
24
negativo). Sin embargo, con la ecuación w∙x-b = -1 es posible que haya falsos
positivos. Para minimizar estas dos posibilidades se debe resolver w∙x-b=0, en
la imagen es la línea central del margen. Esto permite que las muestras del
conjunto y las que no pertenecen a él se separen lo máximo posible según las
muestras de entrenamiento.
Esta descripción solo funciona si el conjunto de datos es linealmente separable,
pero se puede extender a clasificadores no lineales. Por último, a pesar de que
los resultados obtenidos con los SVM son satisfactorios, se requiere una
calibración muy laboriosa y son complejos de implementar.
2.1.5 Redes Neuronales Artificiales(RNA)
Las redes neuronales artificiales son un paradigma de aprendizaje y
procesamiento automático que se modelan matemáticamente para un
problema en concreto y posteriormente formulan una solución mediante un
algoritmo codificado que tenga una serie de propiedades que permitan resolver
dicho problema. Entre otras de las definiciones que se pueden encontrar de las
RNA, el autor [21] hace referencia a la siguiente definición: “Redes neuronales
artificiales son redes interconectadas masivamente en paralelo de elementos
simples (usualmente adaptativos) y con organización jerárquica, las cuales
intentan interactuar con los objetos del mundo real del mismo modo que lo
hace el sistema nervioso biológico”. Existen varias definiciones acerca de redes
neuronales, pero estas dos definiciones hacen referencia al uso que tienen las
RNA en este trabajo.
Entre algunas de las ventajas podemos destacar que son capaces de aprender
de la experiencia, de generalizar de casos anteriores, de abstraer
características esenciales a partir de información innecesaria, según el autor
[20] las redes neuronales tienen las siguientes propiedades
● Aprendizaje adaptativo, es decir aprenden a llevar a cabo ciertas tareas
mediante un entrenamiento con ejemplos ilustrativos. Las redes pueden
aprender a discriminar patrones a partir de ejemplo y entrenamiento, por
esta razón no es necesario elaborar un modelo ni especificar funciones
de probabilidades. Además, son dinámicos ya que tienen la capacidad
de estar cambiando de manera continua a las nuevas condiciones que
se presentan en el sistema.
● Auto-organización, a partir del aprendizaje adaptativo organizan la
información de manera automática que reciben durante el aprendizaje.
Esto provoca la generalización, que es la facultad de responder a
situaciones que no se les presentó en el aprendizaje. Permite que el
sistema dé una solución, aun cuando la entrada de la red este de forma
incompleta.
● Tolerancia a fallos, esto permite que las redes pueden aprender patrones
con información distorsionada y que las redes pueden seguir realizando
su función, aunque se elimine parte de la red. La tolerancia a fallos, es
una necesidad en las redes neuronales ya que tienen la información
25
distribuida en las distintas conexiones entre neuronas, esto puede
producir cierta redundancia en los datos.
● Operación en tiempo real, como las redes neuronales se adaptan a los
cambios de forma dinámica deben dar respuestas rápidas con respecto
a la información de entrada, deben calcular los pesos de las conexiones
en tiempo real. En un sistema de localización indoor, se puede observar
que el TM se mueve de forma constante y el RSSI cambia
continuamente.
● Fácil inserción dentro de la tecnología existente, la red neuronal no
presenta complejidad al agregarse al sistema existente. En este
proyecto, se pensó a la red neuronal como una caja donde entra cierta
cantidad de parámetros, el resultado de cada algoritmo de estimación de
distancia calculado previamente junto a la distancia real. Y como salida
de la red, es la distancia estimada. Esta solución no presenta mayor
complejidad, ya que la red se entrena, válida y testea con sus
respectivos parámetros.
Figura 6. Arquitectura básica de una red neuronal
Por ejemplo, la figura 6 muestra una red neuronal genérica formada por
neuronas interconectadas y constituida en tres capas. .
● Capa de entrada: es la capa que recibe directamente la información
proveniente de las fuentes externas de la red
● Capa oculta: son internas a la red y no tienen contacto directo con el
entorno exterior. El número de niveles ocultos puede estar entre cero y
un número elevado. Las neuronas de las capas ocultas pueden estar
interconectadas de distintas maneras, lo que determina, junto con su
número, las distintas topologías de redes neuronales.
● Capa de salida: transfieren información de la red hacia el exterior.
La función de activación calcula el estado de actividad de una neurona. Existen
distintas funciones de activación como la función lineal, función tangente o
hiperbólica. En este trabajo destacamos la función sigmoide por la mejor
adaptación al sistema de localización indoor.
Históricamente, la función sigmoide es la función de activación más antigua y
popular. En su definición, se denota la constante exponencial, que es
aproximadamente igual a 2.71828. Una neurona que utiliza el sigmoide como
26
función de activación se llama neurona sigmoide. Definimos a z, como
, y su función asociada σ(z). Lo vemos reflejado en la figura 7.𝑧 = 𝑏 + 
𝑖
∑ 𝑤
𝑖
𝑥
𝑖
Figura 7. Función sigmoide
Podemos ver que σ(z) actúa como una especie de función “aplanadora”,
comprimiendo nuestra salida a un rango de 0 a 1. En el centro, donde z = 0,
σ(0) = . Para valores negativos grandes de z, el término en el1
(1+ 𝑒0)
 = 12 𝑒
−𝑧
denominador crece exponencialmente, y σ(z) se aproxima a 0. Al contrario,
valores positivos grandes de z reducen hacia 0, y σ(z) se aproxima a 1.𝑒−𝑧
De acuerdo a experimentos empíricos, el perceptrón es una de las redes de
neuronas más simples y más efectivas, donde la información viaja desde los
nodos de entradas a través de los nodos ocultos hacia los nodos de salida.
Para el proceso de aprendizaje de un perceptrón multicapa, el algoritmo de
propagación hacia atrás es uno de los algoritmos de aprendizaje más
populares. Está compuesto de dos fases: una vez que se ha aplicado un patrón
a la entrada de la red como estímulo, éste se propaga desde la primera capa a
través de las capas superiores de la red, hasta generar una salida. La señal de
salida se compara con la salida deseada y se calcula una señal de error para
cada uno de las salidas. Después de realizar este proceso muchas veces, la
red está entrenada y es estable para representar la relación entre las entradas
y las salidas.
En el contexto de localización, los trabajos presentados por [22, 23] destacan la
capacidad de las RNA de adaptarse a modelos no lineales. El trabajo
presentado en [24] presenta una solución basada en redes Perceptrón
multicapa (MLP). El trabajo aborda la estimación de posición con el objetivo de
optimizar la potencia de transmisión de nodos móviles y, así, reducir el
consumode los mismos. En este trabajo se propone un entrenamiento y
posterior estimación de una red cuyas entradas consideran la salida de los
algoritmos [20, 25 ,26]. El entrenamiento se realiza considerando las salidas de
los tres algoritmos y la posición relativa real del nodo con respecto a los APs.
Luego del proceso de entrenamiento, las redes neuronales poseen los pesos
adecuados y cuando algún dispositivo móvil se encuentre en el área cubierta
por esos nodos, se podrá obtener la posición del dispositivo en función a la
27
distancia que reciban los nodos y los pesos adquiridos por la red en la etapa de
entrenamiento.
Para estos casos particulares del problema de localización se puede utilizar el
método de fingerprint, se puede representar la relación no lineal entre los
valores almacenados en la fase offline y la localización en tiempo real. Algunos
modelos son: un modelo de red neuronal con dos salidas para las
coordenadas, un modelo propuestos para cada una de las coordenadas, o un
modelo de red neuronal con una salida para la distancia estimada. Este último
modelo se adaptó mejor al sistema de localización indoor junto al resto del
proyecto.
Como se mencionó, la funcionalidad de las redes neuronales es clasificar datos
en conjuntos, por ello es obvio que se puede usar en la estimación de la
localización mediante la observación de la RSSI de los distintos puntos de
acceso o AP.
El método empleado es un perceptrón multicapa, en el cual las entradas
pueden ser las RSSI de cada uno de los AP, y las salidas son las
probabilidades de estar en cada una de las localizaciones.
Los trabajos presentados por [22, 23] destacan la capacidad de las RNA de
adaptarse a modelos no lineales. El trabajo presentado en [24] presenta una
solución basada en redes Perceptrón multicapa (MLP). El trabajo aborda la
estimación de posición con el objetivo de optimizar la potencia de transmisión
de nodos móviles y, así, reducir el consumo de los mismos. Así mismo, en [27],
los autores proponen resolver el problema de localización mediante RSSI, sin
considerar la pérdida de camino, pero aplicando filtros sobre la señal original.
Esta información, en conjunto con la posición de los nodos, se integra dentro
de una red neuronal multicapa, asegurando suficiente precisión para la
aplicación indoor. Si bien los trabajos [23, 28] están basados en la utilización de
redes previamente entrenadas, [23] presenta un algoritmo adaptativo basado
en la extracción de características de la señal para adaptar progresivamente
los pesos de la red neuronal de manera que cuando se haya logrado la
precisión deseada, la red deja de entrenarse. Los trabajos mencionados
consideran propiedades y características de la señal como información que
alimenta a la red neuronal. Por ejemplo, algunas variantes de las RNA,
muestran como entradas a las RSSI de cada uno de los AP, y las salidas son
las probabilidades de estar en cada una de las localizaciones (Fig. 8). Este
método tarda mucho tiempo en entrenarse y necesita un conjunto de datos
robustos, en algunos casos requiere de un pre procesamiento de los datos
crudos, y presenta el problema de overfitting. Además, aunque la fase de
entrenamiento se haya realizado correctamente, no se garantiza que ante los
datos reales la respuesta sea la adecuada. Sin embargo, parece de los
métodos más prometedores para estimar la localización del móvil en el
posicionamiento en interiores.
28
Fig. 8 Perceptrón multicapa con una capa intermedia
Se puede observar distintos modelos de MLP para localizaciones indoor, estos
tres modelos son los más destacables. Cada entrada puede representar la
señal del AP, o la distancia estimada a partir de los algoritmos de estimación de
distancia. Luego en la capa oculta, pasar por uno o más nodos, aunque no
siempre mejora la distancia estimada. Además, requiere más tiempo para
entrenarse ya que contiene mayor cantidad de parámetros a analizar. Por esta
razón, en la figura 12.c, se muestra un MLP sin capa intermedia, donde la
cantidad de parámetros es menor y su entrenamiento y validación son bastante
rápidos. De todas formas, la calidad de los algoritmos de localización indoor
influye en el ambiente a estudiar, aunque si se consigue una red neuronal que
aprenda de cada ambiente, se podría llegar a tener mejor precisión de múltiples
ambientes, por ejemplo, en un hogar. La última capa es la de salida, acá
cambia en las distintas imágenes, esto se debe a que en la figura 12.b la salida
deseada puede ser dos nodos, la posición X en el primer nodo, y la posición Y
en el segundo. Esta solución está sujeta al entrenamiento, validación y testing
de la red neuronal. Como así, otros problemas como el overfitting. La figura
12.a y 12.c muestran un nodo solo de salida, por ejemplo la distancia estimada.
Este último modelo muestra como ventaja reducir el error, ya que si bien hay un
error en el cálculo de la localización el objetivo es siempre disminuir y que se
adapte a los ambientes nuevo a localizar. El modelo, parecido a la figura 12.c,
es el utilizado en este trabajo para llevar a cabo las investigaciones.
29
.
(a) (b)
(c)
Figura 12. Modelos MLP
2.2 Sensores biométricos
El concepto de biometría proviene de las palabras bio(vida) y metría(medida)
por lo tanto, con ello se infiere que todo equipo biométrico mide e identifica
alguna característica propia de la persona. Biometría es el conjunto de
características fisiológicas y de comportamiento que pueden ser utilizadas para
verificar la identidad del individuo, lo cual incluye huellas digitales,
reconocimiento visual, medición del oxígeno del ambiente, signo vitales de un
ser humano, entre otras técnicas.
Un equipo biométrico es aquel que tiene capacidad para medir, codificar,
comparar, almacenar, transmitir y/o reconocer alguna característica propia de
una persona, con un determinado grado de precisión y confiabilidad. En este
ámbito, la biometría puede literalmente salvar vidas al ofrecer una mejor
atención al paciente y evitar errores que pueden resultar fatales.
A continuación, se realiza una breve descripción de algunos sensores
biométricos más relevantes que se encuentran en el mercado.
2.2.1 Oxímetro
El sensor de oximetría de pulso tradicional han demostrado un margen de error
que va desde un +/-2% a un +/-10%, el sensor de oximetría mide los niveles de
saturación de oxígeno en la sangre, mediante un led, cuando el color de la
sangre es rojo oscuro el nivel de oxígeno es bajo y rojo pálido el nivel de
30
oxígeno es alto, el uso de un oxímetro es recomendada para gente con
respiratoria agudas y crónicas como asma, hiperventilación pulmonar y
enfermedades cardiacas, muchas personas con enfermedades crónicas puede
sufrir una baja saturación de oxígeno sin saberlo ya que el cuerpo se
acostumbra y no reconocer las señales de aviso.
Figura 13. Oximetro con pantalla LED[37]
2.2.2 Sensor de pulso cardiaco
Es un sensor de frecuencia cardiaca conectar-y-usar para arduino, con un
consumo corriente de bajo de 4 mA y alimentación de 5V. Funciona como un
sensor óptico, también posee una etapa de amplificación y un filtro para el
atenuar el ruido, asegurando de esta manera una señal de salida confiable y
estable.
Figura 14. Sensor de pulso cardiaco[34]
2.2.3 Sensor de respiración
Es un sensor bricolaje que tiene forma de un conductor con punto de
estiramiento. Se puede utilizar para estudiar el ejercicio y la aptitud física, la
salud humana, y las anomalías de respiración para futuras investigaciones. El
sensor registrador calcula la presión de aire en el cinturón de monitor
conectado para identificar las tasas de respiraciones, que cambian de acuerdo
con la respiración del sujeto de prueba.
31
Figura 15. Sensor de respiración con pantalla LED y correa[38]
2.2.4 Sensor de temperatura
El sensor Melexis Mlx90614 Gy 906 es un termómetro infrarrojo, apto para
medir temperaturas de objetivo en el rango de -70ºC a +382ºC, con salida
digital de 17 bits. El mismo provee dos tipos de salidas:PWM para una
resolución de 10 bits (0.14ºC)y SMBus(TWI, I2C) para la resolución
máxima(0.02ºC). El sensor se calibra en fábrica para un rango de temperaturas
de cápsula de -40 a +82ºC. El valor de temperatura entregado es el promedio
de los objetos incluidos en el campo de visión del sensor. La exactitud del
sensor es de 0.5ºC a temperatura ambiente de 25ºC.
Figura 11. Sensor de temperatura infrarrojo[39]
2.2.5 Sensores de gases
Los sensores de gases MQ son una familia de dispositivos diseñados para
detectar la presencia de distintos componentes químicos en el aire. Podemos
conectar estos dispositivos a un autómata o procesador como Arduino.
Existe una gran variedad de sensores MQ. Cada modelo está diseñado para
detectar una o más sustancias, pensadas para un uso específico, como por
ejemplo detección de gases inflamables, calidad del aire o detección de alcohol
en aire respirado.
Pese a sus limitaciones, los sensores de gases tipo MQ son muy usados en
proyectos de electrónica. Por ejemplo, podemos encender o apagar un
ventilador en función de la calidad del aire, hacer un pequeño detector de
alcoholemia, o una alarma que suene al detectar humo.
32
Figura 12 Sensor MQ 7, sensor de monóxido de carbono[40]
2.2.6 Acelerómetro
Es un sensor micromecanizado (MEMS) capacitivo que detecta la aceleración
en los eje X, Y y Z. También es posible determinar la orientación del sensor,
gracias a la acción de la fuerza de gravedad. Entre ellos, se destaca el
ADXL345 que tiene 3 ejes independientes (3 DOF), que puede ser conectado a
un autómata.
La comunicación puede realizarse tanto por bus SPI como por bus I2C, por lo
que es sencillo obtener los datos medidos. La tensión de alimentación es de
bajo voltaje entre 2.0 a 3.6 V. Frecuentemente, se encuentran integrados en
módulo que incorporan la electrónica necesaria para conectarla de forma
sencilla. En la mayoría de los módulos, esto incluye un regulador de voltaje
que permite alimentar directamente a 5V.
Los acelerómetro son dispositivos ampliamente utilizados en todo tipo de
dispositivos, desde determinar la orientación en móviles o tablets, detectar la
caída libre, medir pasos en podómetros, estabilización de cámaras, alarmas y
sensores de vibración, entre muchos otros casos.
Figura 13. Acelerómetro ADXL345[41]
33
2.3 Tecnologías para comunicación y administración de
información de sensores
En esta sección se presentan diferentes arquitecturas y protocolos de
comunicación utilizados en la industria hoy en día, referentes al ecosistema IoT.
El análisis se realiza específicamente sobre las tecnologías utilizadas en las
capas superiores - de capa 5 a capa 7 del modelo OSI. Las tecnologías
utilizadas en las demás capas fueron relevadas en detalle en otros estudios[29,
30, 31].
La arquitectura desarrollada en la figura 16 presenta como componentes de
Hardware los sensores, la tarjeta de desarrollo que permite integrar las
mediciones y la interfaz de comunicaciones; como componentes de software
los diferentes programas, aplicaciones y APIs que integran los datos en Internet
y permiten interactuar con otras aplicaciones
Figura 16 Capa e interacciones entre ellas para la arquitectura IoT
En la imagen 16 se observa la estructura del sistema y la manera como fluyen
los datos y la información en el sistema a través de cada una de las capas
descritas con anterioridad. A continuación, se describen los componentes del
sistema relevantes para una arquitectura IoT.
2.3.1 Protocolos de comunicación
La comunicación en sí entre dispositivos o gateways - y servidores sucede a
través de internet, y los protocolos de capa de transporte utilizados suelen ser
los mismo que para otras aplicaciones(como TCP y UDP). Por otro lado, entre
los protocolos de capa de aplicación utilizados suele aparecer HTTP, pero son
muy comunes protocolos propios de IoT como MQTT y otros menos populares
como AMQP, XMPP, STOM Y CoA.
MQTT
MQTT(Message Queuing Telemetry Transport) es un protocolo de
comunicación muy utilizado en el ámbito de IoT, por su simplicidad y por su
eficiencia tanto en términos de ancho de banda como de energía. Implementa
un patrón de mensaje publish-subscribe, y funciona sobre el protocolo TCP/IP.
34
A diferencia de HTTP que es request-response, MQTT es publish-suscribe, lo
cual le permite a los clientes conectados enviar mensajes, pero también
recibirlos, mediante el uso de push notifications. Esto es, un cliente MQTT se
suscribe a un canal (en MQTT esto se llama topic) y luego recibe el mensaje
que se envía a ese canal. La comunicación entre clientes no es directa, sino
que sucede a través de un servidor que actúa como message broker. Siempre
hay una conexión TCP abierta entre el cliente y el servidor. Si la conexión es
interrumpida, el servidor puede guardar los mensajes no enviados en un buffer
y enviarlos al restaurarse la conexión.
2.3.2 Dispositivos
Se distinguen dos tipos de dispositivos: sensores y actuadores. Los sensores
son dispositivos que miden una variable (física, de comportamiento, etc.
periódicamente o disparado por eventos) y lo comunican, mientras que los
actores reciben mensajes y realizan acciones. Un dispositivo puede también se
de ambos tipo: por ejemplo, una cámara envía continuamente datos de video
pero también está escuchado por mensajes que la ordenen moverse o hacer
zoom
El hardware mismo de los dispositivos también es tan amplio como dispositivos
hay. Algunas son computadoras por ejemplo, un Raspberry Pi tiene un
procesador ARM y utiliza el kernel de Linux. Desarrollar software para esa
plataforma no es muy diferente que desarrollar para cualquier computadora.
Por otra parte, si el dispositivo está basado en un microcontrolador como
Arduino las rutinas de comunicación serán escritas directamente sobre el
hardware y dependen de su arquitectura.
2.3.3 Plataformas
Los dispositivos deben conectarse a algún lado. Es raro que se comuniquen
directamente unos con otros; lo normal para la mayoría de los protocolos es
que los mensajes pasen por alguna entidad central. En MQTT, esta entidad es
el broker, que administra las suscripciones a los canales, recibe todos los
mensajes y se encarga de enviarlos a los suscriptores apropiados.
Por ejemplo, si se quisiera almacenar todos los mensajes en una base de
datos, habría que mantener un servicio que esté suscrito al canal apropiado y
que re envíe todos los mensajes a la base de datos. Si se quisiera generar una
alerta en algún lado cuando la temperatura de cierto termómetro supere cierta
temperatura, habría que mantener otro servicio que esté suscrito al canal
apropiado y esté constantemente chequeando la temperatura de los mensajes
que llegan.
Esto rápidamente se transforma es una gran cantidad de servicios similares
entre sí que habría que desarrollar para cada aplicación de IoT. Es aquí donde
entran las plataformas, algunas de las características principales son:
Recepcion y envio de mensajes
La parte fundamental de una plataforma IoT es la capacidad de comunicarse
con dispositivos. Para esto son normales los protocolos MQTT y HTTPS. Una
35
plataforma provee una implementación de un broker MQTT o equivalentes,
facilidades para ejecutarlo y un endpoint para que los dispositivos se conecten
a él.
Descubrimiento de dispositivos
Otra parte fundamental es cómo los dispositivos se registran en la plataforma
en primer lugar. Específicamente, cómo una entidad totalmente externa a la
plataforma pasa a ser un dispositivo registrado dentro de la plataforma con
certificados y permisos de publicación o suscripción y cómo ella discierne entre
qué dispositivos aceptar en el registro y qué dispositivos rechazar.
Motor de reglas y eventos
Las plataformas deben tener la capacidad de interpretar mensajes (u otros
eventos que actúan como disparador), realizar acciones en consecuencia, y
que el administrador tenga el poder de definir qué eventos desatan qué
acciones.
Interfaz gráfica de administración
Las plataformas de IoT suelen contar con una interfaz gráfica (usualmente web,
también llamada dashboard) para que un administradorpueda gestionar la
plataforma sin recurrir a archivos de configuración o una interfaz de línea de
comandos. Normalmente es posible acceder a resúmenes de uso y a
configuración de las características de la plataforma. Las plataformas suelen
contar también con una API, para poder realizar todas estas acciones
programáticamente. Algunos ejemplos de plataformas son Thinger.io[32], Node
RED[33].
36
Capítulo 3
Desarrollo propuesto
En el sistema de localización (o localizador) propuesto en este proyecto fue
realizado un prototipo que sirvió para validar el sistema de forma teórica, es
bien conocido que la propagación de señales no se comporta de forma
fácilmente predecible en la realidad, y por esta razón no se podía concluir la
investigación teórica sin un proceso de validación del sistema. Por esta razón
se siguió el estudio del mismo con el desarrollo de un sistema de localización
real.
La razón principal del desarrollo de este sistema de localización es proponer
una solución de monitoreo en tiempo real de la información vital del personal
que se desempeña dentro de un ambiente indoor, por ejemplo, una instalación
minera. El monitoreo se realizará utilizando módulos comerciales de sensado
de signos vitales como la presión arterial, glucosa, oxigenación, a modo de
ejemplo el sensor de ritmo cardíaco ML87s [5]. El esfuerzo más importante en
este trabajo final se basa en la geolocalización. Para esto, se estudiarán los
métodos de estimación existentes y mediante el uso de Inteligencia Artificial
(IA) se apunta a mejorar la precisión en la estimación de la posición.
Por esta razón, el trabajo presentado consiste en el desarrollo de distintos
algoritmos indoor que permitan realizar su objetivo mediante la obtención RSSI,
el uso de los distintos algoritmos de estimación de distancia. A partir de las
distintas salidas de estos algoritmos, se procesa en un MLP NN para obtener
una única distancia estimada, y por último se triangula con respecto a los otros
AP en el sistema presente.
En estos sistemas indoor, se observan unas grandes posibilidades de futuro en
el desarrollo de localizaciones similares al presente, incluyen la gestión de
emergencias, la explotación publicitaria de la localización de los usuarios o la
implantación de servicios añadidos en museos o bibliotecas, entre otros.
3.1 Descripción general
En esta sección se realiza una descripción informal de las características del
sistema de localización a realizar, sin entrar en detalle de la implementación.
3.1.1 Entradas del sistema
En este sistema se encuentran presentes el TM o nodo o móvil, en este se
encuentra conectado uno o varios sensores biométricos. Los distintos AP
donde se conocen su localización y generan su red interna. En el sistema se
reconoce como entrada cada par de localización, con su RSSI y AP
determinado, y el resultado del sensor biométrico.
3.1.2 Funciones del sistema
Este sistema debe ser capaz de:
37
● Localizar una persona dentro de un ambiente indoor
● Reconocer sus datos biométricos
● Detectar problemas de signos vitales en el activo a localizar
● Adaptar e integrar nuevos algoritmos de estimación de distancia
● Monitorear en tiempo real de un activo
● Plataforma web
Localizar un activo dentro de un ambiente indoor
Para permitir la localización a los usuarios, los componentes del sistema ha de
obtener los datos necesarios para el cálculo de la localización. Esto implica
calcular la potencia de la señal recibida, RSSI, de todos los puntos de
accesos(AP) conocidos dado un conjunto de potencias de señal recibida.
Reconocer datos biométricos
Se debe reconocer los distintos resultados arrojados por los sensores de
signos vitales conectados a la persona que se quiere monitorear. Para este
proyecto, se utilizó el sensor de pulso cardiaco, en el capítulo 2 se realizó una
presentación teórica, con la finalidad de obtener el pulso cardiaco de una
persona mientras está en un ambiente indoor desconocido como una mina
subterránea o por ejemplo un derrumbe.
Detectar signos vitales en el activo a localizar
Junto a determinar la ubicación del activo, se debe recibir y procesar los datos
del sensor del pulso cardiaco, ya que el fallo de la frecuencia cardiaca provoca
precarización en los signos vitales. En este procesamiento de datos, se debe
tener en cuenta que los datos del sensor analógico deben ser transformado a
digitales y presentarlos en pantalla. No siempre interesa los datos digitales,
ya que los datos analógicos del sensor presentan un electrocardiograma de la
persona en seguimiento.
Adaptar e integrar nuevos algoritmos de estimación de distancia
Uno de los objetivos de una red MLP, es poder ser adaptable y dinámico a los
cambios que se presenten en la red. Ya que la red, calcula el peso de error de
cada nodo, al incrementar la cantidad de nodos sin bien puede tardar más su
entrenamiento, pero su precisión puede ser mayor. Por esta razón, se pueden
agregar nuevos algoritmos de estimación de distancia a la red neuronal con el
objetivo que se adapte a distintos ambientes. Otro de los objetivos de la red
neuronal es presentar un resultado ante una entrada de datos desconocida,
esta nueva adaptación permite que los nuevos resultados sean más certeros
que lo anterior, siempre que el nuevo algoritmo obtenga datos relevantes del
ambiente a analizar.
Monitorear en tiempo real de un activo
Después de comenzar la ejecución del programa cliente de localización, y tras
conectarse al servidor, el usuario pedirá todos los datos que el programa cliente
38
necesita para calcular de forma completamente autónoma la localización
(detalle de los AP, localización del móvil, pulso cardiaco del activo)
posteriormente comenzará a calcular periódicamente su localización y signo
vital. Podrá mostrarse en la pantalla tanto la localización del propio usuario
como la de otros usuarios del sistema. La interfaz no ha de mostrar más que lo
necesario para que el usuario pueda localizarse de forma rápida e intuitiva.
Plataforma web
Desarrollo a nivel interno de la red inalámbrica del ambiente indoor, para que
dentro del ambiente pueda saber la ubicación del móvil y monitorearla. Se
presenta una plataforma simple mostrando la ubicación actual junto al pulso
cardiaco recibido.
3.1.3 Esquema general
3.1.3.1 Posicionamiento
A nivel esquema general del sistema desarrollado para el proyecto, se realizan
las siguientes tareas:
● Se cargan las localizaciones de los AP conocidos
● Se conecta a la red inalámbrica los AP, el móvil y el servidor
● El móvil escanea las redes cercanas de los AP, y obtiene el
correspondiente RSSI de cada AP
● El móvil manda esta información al servidor
● Para cada AP i:
o El servidor estima la distancia a partir de los algoritmos
adecuados.
o El servidor utiliza estos datos como nodos de entrada para la red
neuronal
o La red neuronal estima una distancia a partir de los pesos de los
nodos
● Una vez obtenida las distancias para cada AP, se triangula con la
distancia estimada a partir de la red neuronal
● Se presenta la localización del móvil.
3.1.3.2 Adquisición de parámetros biométricos
En este proyecto, se utilizó el sensor ML87s como monitoreo biométrico
respecto al pulso cardiaco. Un pulsómetro o sensor de pulso cardiaco es un
aparato que mide principalmente de forma gráfica y digital la frecuencia
cardiaca (pulsaciones por minuto) en tiempo real. Se los llama también
monitores de frecuencia cardiaca.
Este pulsómetro requiere un control total de la persona que se localiza, por lo
que se debe tener la posibilidad de conexión a la PC de forma inalámbrica. Por
esta razón se decidió, el uso del sensor ML87s, indicado en la figura 3.3.
39
Figura 3.3 Sensor ML87s, pulso cardiaco
El ritmo del pulso es la medida de la frecuencia cardiaca, es decir, del número
de veces que el corazón late por minuto. Cuando el corazón impulsa la sangre
a través de las arterias, éstas se expanden y se contraen con el flujo de la
sangre, esto permite tener la señal necesaria para posteriormente hacer el
control del proyecto.