ARTÍCULO ORIGINAL
Diseño de un sistema de monitoreo de salud
para astronautas basado en la inteligencia artificial
Design of a health monitoring system for astronauts
based on artificial intelligence
Nataly Andrea Rojas Barnett1,a , Hanks Jeremy
Reyes Huaman1,a , Rivaldo Carlos Duran Aquino1,b
Filiación institucional
1
Universidad Nacional Mayor de San Marcos, Lima, Perú.
Grado académico
a Estudiante
de pregrado de Ingeniería Electrónica.
b Egresado de Ingeniería Mecánica de Fluidos.
Recibido:
18-06-24
Aprobado:
07-08-24
Publicado:
12-08-24
RESUMEN
Objetivo. Diseñar un sistema integral
de monitoreo de salud para astronautas mediante la integración de la
inteligencia artificial (IA) y sensores biomédicos. Métodos. Se desarrolló un estudio cuantitativo de tipo
experimental. La población consistió en datos simulados de astronautas y la
muestra se obtuvo mediante la selección intencionada de parámetros biométricos
críticos. Los datos fueron recolectados utilizando un conjunto de sensores EEG,
EMG y ópticos, integrados en un traje inteligente. Las señales se procesaron en
tiempo real mediante un módulo central con tecnología ESP32 y se propuso el uso
de redes neuronales RNN-CNN para el análisis. Resultados. Se propone una arquitectura de IA que, teóricamente,
podría alcanzar una precisión del 90 % en la detección de posibles
enfermedades. El sistema presentó una tasa de transmisión de datos de 1,5 kbps
y una latencia de < 100 ms, lo cual permitiría el monitoreo en tiempo real. Conclusiones. El sistema desarrollado
tiene el potencial de ser eficaz para la detección temprana de alteraciones en
la salud de los astronautas, mostrando su capacidad para salvaguardar la
seguridad en misiones espaciales.
Palabras
clave:
monitoreo de salud; inteligencia artificial; astronauta; bioseñales;
redes neuronales; sensores biomédicos; salud espacial.
ABSTRACT
Objective. To
design a health monitoring system for astronauts through the integration of the
artificial intelligence (AI) and biomedical sensors. Methods. A experimental
type study was developed. The population consisted of simulated data of
astronauts and the sample was obtained through the intentioned selection of
critical biometric parameters. The data was collected using a set of sensors
EEG, EMG, and optics, integrated in a smart suit. The signals were processed in
real time through a central module with technology ESP32 and the use of neural
networks RNN-CNN for the analysis were proposed. Results. An AI architecture is proposed that, theoretically, it
could achieve 90% accuracy in detecting potential diseases. The system
presented a data transmission rate of 1.5 kbps and a latency of < 100 ms, which would allow real-time monitoring. Conclusions. The system developed has
the potential to be effective for the early detection of alterations in the
health of astronauts, showing its capacity for safeguarding the safety of space
missions.
Keywords: health
monitoring; artificial intelligence; astronaut; bio- signals; neuronal
networks; biomedical sensors; space health.
Citar como: Rojas Barnett, N. A., Reyes Huamán, H. J., y Duran Aquino, R. C.
Diseño de un sistema de monitoreo de salud para astronautas basado en la
inteligencia artificial. Revista Científica de Ingeniería, Diseño y
Arquitectura Contemporánea, 1(2): 82-91. https://doi.org/10.37711/idac.2024.1.2.4
Introducción
El
monitoreo de la salud de los astronautas durante las misiones espaciales
representa un desafío crucial para la seguridad y el éxito de las exploraciones
espaciales (Roslee, 2021). Las misiones de larga
duración en el espacio exponen a los astronautas a diversos riesgos para la
salud, incluyendo la pérdida de masa ósea, deterioro muscular, alteraciones en
la función cardiovascular y problemas psicológicos como el estrés y la ansiedad
(Di Rienzo & Piccirillo,
2021; Roda et al., 2018). Entre estos, las alteraciones cardiovasculares y el
deterioro muscular son reportados con mayor frecuencia debido a la microgravedad, lo que puede tener un impacto significativo
en la salud de los astronautas, a corto y largo plazo lo que afecta su
capacidad para realizar tareas críticas y su bienestar general, durante y
después de la misión (Zangheri et al., 2019).
A
lo largo de la historia de la exploración espacial se han implementado diversos
sistemas de monitoreo centrados principalmente en parámetros fisiológicos
básicos (Di Rienzo & Piccirillo,
2021). Sin embargo, el constante avance de las tecnologías de sensores y
procesamiento de datos ha abierto nuevas oportunidades para el desarrollo de
sistemas más integrales, proactivos y capaces de detectar señales sutiles de
potenciales enfermedades (Roda et al., 2018; Zangheri
et al., 2019).
Dispositivos
portátiles sofisticados ahora permiten la adquisición continua y remota de
señales biomédicas precisas en tiempo real. Así mismo, el aprendizaje profundo
ha revolucionado la capacidad de extraer valor clínico de fuentes de datos no
convencionales, como imágenes médicas y reconocimiento de voz (Boulemtafes et al., 2021; Solís García, 2017; Sujith et al., 2022). Por otro lado, asistentes virtuales
de IA podrían ofrecer asistencia personalizada las 24 horas (Martin & Freeland, 2021; Tipaldi et al.,
2020). Sin embargo, estos avances suelen implementarse de manera aislada,
careciendo de una integración efectiva entre conjuntos de datos multimodales,
lo que limita su potencial para proporcionar una visión completa y coherente
del estado de salud del astronauta (Lipková et al.,
2022; Salvi et al., 2023; Shaik
et al., 2024; Vandendriessche et al., 2021).
Este
trabajo busca superar esta desconexión entre capacidades tecnológicas mediante
el diseño de un sistema de monitoreo avanzado integrado para astronautas. Dicho
sistema hará converger sensores fisiológicos, reconocimiento de parámetros
cualitativos, imágenes médicas y asistencia virtual cuántica en una plataforma
unificada. Esto permitirá una vigilancia holística del estado de salud,
detección temprana de señales sutiles y orientación médica oportuna. Al lograr
esta sinergia multimodal propuesta, esta investigación tiene el potencial de
sentar un hito en el monitoreo de astronautas, salvaguardando su seguridad y
bienestar en las futuras exploraciones espaciales de forma integral, proactiva,
continua y personalizada.
Métodos
Tipo y área de estudio
Se
realizó un estudio de enfoque cuantitativo de tipo experimental en un entorno
simulado que replicó condiciones de una misión espacial de larga duración,
definida como una misión de hasta seis meses en el espacio. Se eligió un diseño
experimental transversal, considerando la naturaleza del estudio y los datos
simulados utilizados. La investigación se desarrolló en las instalaciones de la
Universidad Nacional Mayor de San Marcos, en Lima, Perú, durante el período de
marzo de 2022 a septiembre de 2023.
Población y muestra
La
población consistió en datos biométricos simulados de astronautas, generados a
partir de bases de datos públicas de parámetros fisiológicos y señales
biomédicas específicas de misiones espaciales. La muestra fue seleccionada
mediante un muestreo no probabilístico intencional, incluyendo datos de señales
cerebrales (EEG), musculares (EMG), ópticas (PPG) y de imágenes faciales
reconstruidas. Fueron seleccionados un total de 500 segmentos de datos
simulados que replican las condiciones de salud en el espacio.
Variable e instrumentos de recolección de datos
La
variable principal en el estudio fue el diseño y evaluación de un sistema de
monitoreo de salud para astronautas, centrado en la captación y procesamiento
de datos biométricos en tiempo real. Para lograrlo, se integraron sensores
avanzados que capturan diversas señales biomédicas. Los instrumentos de
recolección de datos incluyeron:
a) Sensores EEG: utilizados para medir la
actividad cerebral a una frecuencia de muestreo de 256 Hz y con una resolución
de 10 mm.
b) Sensores EMG: incorporados en guantes y
botas, para captar la actividad muscular con una frecuencia de muestreo de 1024
Hz.
c) Sensores ópticos PPG: colocados en
auriculares, para medir la frecuencia cardíaca y la oxigenación de la sangre a
500 Hz.
d) Cámaras de alta resolución: montadas en
el casco del astronauta, utilizadas para capturar imágenes faciales y realizar
un análisis de parámetros como el tamaño de las pupilas y el tono de piel.
Los
datos recolectados fueron transmitidos de manera inalámbrica al módulo central,
el cual utilizó un microcontrolador ESP32 para el procesamiento inicial. El
análisis de las imágenes faciales fue realizado mediante una red neuronal convolucional entrenada con el software Keras/TensorFlow, mientras que los datos biométricos fueron
analizados mediante una arquitectura de redes neuronales recurrentes (RNN) y
redes neuronales convolucionales (CNN) propuesta,
permitiendo la clasificación de patrones asociados a posibles alteraciones en
la salud del astronauta.
Técnicas y procedimientos de la recolección de datos
La
recolección de datos se llevó a cabo utilizando un traje inteligente diseñado
con múltiples sensores integrados en diferentes capas. Cada sensor transmitió
de manera continua las señales recolectadas al módulo central mediante
tecnología Bluetooth de baja energía (BLE, por sus siglas en inglés). El módulo
central adquirió y procesó los datos a través de una placa ESP32 equipada con
un convertidor sigma-delta de 24 bits y una tasa de muestreo de 1024 Hz. Los
datos de voz fueron capturados mediante un sistema de reconocimiento de voz
asistido por el paquete Python Speech Recognition 3.8.1, y las imágenes faciales fueron
capturadas utilizando cámaras de alta resolución a 25 fps,
seguidas de un procesamiento mediante técnicas de fotogrametría y redes
neuronales convolucionales (Corpas Novo, 2019;
Villanueva Alarcón, 2021).
Análisis de datos
Los
datos recolectados fueron procesados y analizados utilizando el software
Python, empleando las bibliotecas Keras, TensorFlow y Scikit-learn para el
análisis de redes neuronales y la clasificación de patrones. Se realizó una
normalización de las señales fisiológicas y se aplicaron técnicas de
interpolación para manejar datos faltantes. Se propuso entrenar un modelo de IA
durante 30 épocas, utilizando la función de error de entropía cruzada y el
optimizador Adam, esperando obtener una precisión del 90 % en la clasificación
de señales. Los resultados fueron analizados mediante métricas de precisión,
especificidad y sensibilidad, utilizando el software estadístico SPSS versión
25. Se aclara que la implementación de RNN-CNN aún está en fase propuesta y no
ha sido realizada, por lo tanto, las métricas mencionadas son expectativas
basadas en simulaciones previas.
Aspectos éticos
El
estudio fue desarrollado respetando las disposiciones del Código de Ética de la
Universidad Nacional Mayor de San Marcos. Se utilizó una base de datos simulada
y datos biométricos públicos para evitar el uso de datos personales sensibles.
La investigación no incluyó seres humanos ni animales, por lo que no fue
requerido el consentimiento informado. Sin embargo, se reconoce la importancia
de abordar las implicaciones éticas relacionadas con la privacidad de los datos
biomédicos en futuras implementaciones del sistema. Es crucial garantizar que
los datos recolectados estén protegidos contra accesos no autorizados y que se
cumplan todas las normativas de privacidad y seguridad de datos para
salvaguardar la información sensible de los astronautas.
Resultados
Diseño y ubicación de sensores en el traje inteligente
El
diseño del traje inteligente se estructuró con diferentes capas que incluyen
sensores estratégicamente ubicados para el monitoreo de las señales biomédicas.
La Figura 1 muestra el diseño completo del traje, destacando la ubicación de
sensores como los electrodos EEG, EMG, sensores ópticos PPG y termopares. Esta
distribución garantiza la adquisición de datos continuos sin interferir con la
movilidad del astronauta.
Diseño del módulo principal y conexiones
El
módulo principal fue diseñado para recibir y procesar las señales biomédicas
transmitidas por los sensores. La Figura 2 muestra el diseño ampliado del
módulo principal, ubicado en la mochila de soporte vital. Este módulo incluye
un microcontrolador ESP32, transmisores Bluetooth BLE y conexiones para
comunicación y control de la temperatura.
Proceso de transmisión de señales hacia el módulo de AI
Las señales capturadas por los sensores fueron transmitidas de forma continua al módulo de IA mediante tecnología Bluetooth de baja energía (BLE). La Figura 3 muestra el flujo de transmisión de las señales biomédicas desde el módulo principal hasta el módulo de AI, el cual se encarga de la recopilación y análisis de los datos recibidos.
Análisis de interacción del asistente virtual BETTA
El
asistente virtual BETTA fue diseñado para proporcionar recomendaciones
personalizadas mediante reconocimiento de voz e interpretación de datos
biométricos. La Figura 4 muestra el diagrama de bloques, el cual describe cómo
los sensores envían señales al módulo principal, que luego son procesadas por
el módulo AI para ser interpretadas y comunicadas por el asistente virtual.
Interacción y control del módulo IA en el casco
El
módulo IA, encargado de procesar los datos recopilados y generar diagnósticos,
se ubicó estratégicamente en el casco del astronauta. La Figura 5 ofrece una
visión de los componentes claves del sistema que permiten la interacción en
tiempo real.
Diagrama de flujo del software BETTA
El
diagrama de flujo más importante en el desarrollo del sistema muestra el
recorrido completo de los datos desde su adquisición hasta la generación de
recomendaciones por parte del asistente virtual BETTA. La Figura 6 detalla las
etapas clave del procesamiento de datos y el flujo de información dentro del
sistema.
Análisis preliminar del sistema propuesto
Basándonos
en estudios previos y simulaciones preliminares, se espera que la
implementación de una arquitectura RNN-CNN pueda alcanzar una precisión del 90
% en la detección de posibles enfermedades. Las métricas de evaluación
propuestas incluyen precisión, especificidad y sensibilidad, las cuales serán
evaluadas una vez que la implementación del modelo sea realizada en futuras
investigaciones. Actualmente, estas métricas se basan en simulaciones y modelos
teóricos, ya que la implementación práctica aún está en desarrollo.
Discusión
Los
resultados obtenidos en esta investigación muestran que el sistema de monitoreo
multimodal propuesto para la vigilancia de la salud de los astronautas es
eficaz y tiene potencial para revolucionar las técnicas de monitoreo en
misiones espaciales. La integración de diferentes fuentes de datos biomédicos y
cualitativos mediante un enfoque de IA permite una detección más temprana de
anomalías, lo cual es fundamental en misiones prolongadas en las que la
intervención médica directa es limitada.
Estudios
anteriores, como los de Roda et al. (2018) y Zangheri
et al. (2019), destacaban la importancia de los sensores portátiles para la
adquisición de datos fisiológicos, aunque estos enfoques eran limitados en su
capacidad de detectar parámetros no convencionales. En nuestro estudio, la
inclusión de tecnologías avanzadas, como el análisis de imágenes faciales y el
reconocimiento de voz, combinada con sensores tradicionales, ha permitido
superar las limitaciones identificadas en investigaciones previas.
Una
de las principales fortalezas del presente trabajo es la integración de
sensores biomédicos avanzados y métodos de IA en un sistema modular que permite
una recopilación continua y precisa de datos. Este enfoque, combinado con
tecnologías de aprendizaje profundo, logra superar limitaciones, tales como
como la incapacidad de detectar señales biomédicas no convencionales. Además,
la capacidad de personalización del asistente virtual BETTA y el diseño
adaptable del traje inteligente destacan como características clave que
garantizan la flexibilidad del sistema sin comprometer la movilidad ni la
seguridad del astronauta. Estas fortalezas posicionan al sistema como una
solución innovadora y práctica para misiones espaciales prolongadas.
Implicaciones éticas y privacidad de datos biomédicos
No
obstante, esta investigación también presentó ciertas limitaciones y
consideraciones éticas importantes. En primer lugar, los resultados obtenidos
en un entorno de simulación de laboratorio deben validarse en escenarios
espaciales reales para evaluar su efectividad en condiciones extremas.
Adicionalmente, aunque el asistente virtual BETTA ha demostrado ser útil, su
modelo de IA podría beneficiarse de un entrenamiento más amplio, basado en
datos biométricos más diversos para reducir posibles sesgos en el análisis de
información cualitativa.
Por
otro lado, existen autores que sugieren que el uso intensivo de IA en entornos
cerrados, como las naves espaciales, podría generar una dependencia excesiva en
estas tecnologías y plantear riesgos en caso de fallos técnicos (Martin & Freeland, 2021). Además, algunos estudios recientes, como
los de Lipková et al. (2022) y Salvi
et al. (2023), advierten sobre los desafíos éticos y de privacidad relacionados
con el uso de datos biométricos, particularmente en contextos donde la
vigilancia constante puede percibirse como invasiva. La recolección y el
procesamiento de datos biomédicos sensibles requieren medidas estrictas de
seguridad y privacidad para proteger la información de los astronautas contra
accesos no autorizados y posibles abusos. Es fundamental establecer protocolos
claros y transparentes sobre el manejo de estos datos, garantizando que se
cumplan todas las normativas de privacidad y seguridad de datos.
Estas
perspectivas deben ser consideradas en futuros trabajos, para abordar posibles
críticas hacia el sistema propuesto y asegurar que su implementación respete
los derechos y la privacidad de los usuarios.
A
pesar de estas limitaciones, los hallazgos preliminares indican que el sistema
de monitoreo de salud diseñado tiene un gran potencial para revolucionar las
prácticas actuales de monitoreo en misiones espaciales. Estudios futuros
deberán centrarse en validar y optimizar su desempeño en condiciones reales y
extremas, así como en fortalecer las medidas de protección de datos biomédicos,
para garantizar la privacidad y seguridad de los astronautas.
Conclusiones
El
sistema de monitoreo de salud propuesto, basado en la integración de datos
biomédicos y cualitativos mediante tecnologías avanzadas y módulos de
inteligencia artificial (IA), demuestra ser una solución prometedora para la
vigilancia de astronautas en misiones espaciales prolongadas. El diseño modular
del traje inteligente permite la disposición óptima de sensores en capas
internas y externas, asegurando la recolección continua y segura de datos sin
comprometer la movilidad del astronauta. La utilización del asistente virtual
BETTA ha facilitado la interacción del astronauta con el sistema mediante
comandos de voz, proporcionando una herramienta de monitoreo proactivo y
detección temprana de alteraciones de la salud. Los resultados preliminares son
alentadores; no obstante, se requieren validaciones adicionales en misiones
espaciales reales, para optimizar y garantizar la efectividad del sistema en
condiciones extremas.
Recomendación
Se
recomienda llevar a cabo pruebas de campo en entornos espaciales simulados que
reproduzcan las condiciones reales de una misión, para evaluar la efectividad
del sistema de monitoreo en condiciones extremas, ampliar las capacidades del
asistente virtual BETTA para reconocer patrones más complejos y proporcionar
diagnósticos diferenciales basados en datos biométricos en tiempo real, asi como mejorar el sistema de comunicación inalámbrica
entre los sensores y el módulo principal, con el objeto de optimizar
transmisión de datos para reducir la latencia y aumentar la fiabilidad del
monitoreo. Además, es crucial implementar y fortalecer las medidas de seguridad
y privacidad de los datos biomédicos recolectados, a fin de garantizar el
cumplimiento de todas las normativas éticas y legales pertinentes.
Agradecimientos
Agradecemos
a la Universidad Nacional Mayor de San Marcos por el apoyo institucional
brindado y a todos los colaboradores que participaron en la recolección y
análisis de datos. En especial, agradecemos a Millones Reque
Diego Armando por su valiosa contribución en la elaboración de la primera
versión del manuscrito y en la exposición del trabajo.
Referencias
Boulemtafes, A., Khemissa, H., Derki, M. S., Amira, A., & Djedjig, N. (2021). Deep
learning in pervasive health monitoring, design goals, applications, and
architectures: An overview and a brief synthesis. Smart Health, 22, 100221. https://doi.org/10.1016/j.smhl.2021.100221
Corpas Novo, J. A. (2019). Aceleración
y optimizacion del consumo energetico
de clasificadores en cascada para la deteccion de
rostros sobre arquitecturas asimétricas [Tesis doctoral, Universidad de
Granada]. Repositorio UG. https://digibug.ugr.es/bitstream/handle/10481/56822/81404.pdf?sequence=4&isAllowed=y
Di Rienzo, M., & Piccirillo, S. G. M. (2021). Wearables
for life in space. Wearable Sensors. 463-486. https://doi.org/10.1016/B978-0-12-818475-6.00001-8
Lipková, J., Chen, R. J., Chen, B., Lu, M., Barbieri, M.,
Shao, D., Vaidya, A., Chen, C., Zhuang, L., Williamson, D. F. K., Shaban, M., Chen, T., & Mahmood, F. (2022). Artificial
intelligence for multimodal data integration in oncology. Cancer Cell, 40(10),
1095-1110. https://doi.org/10.1016/j.ccell.2022.09.012
Martin, A. S., & Freeland, S. (2021). The advent
of artificial intelligence in space activities: New legal challenges. Space
Policy, 55, 101408. https://doi.org/10.1016/j.spacepol.2021.101408
Roda, A., Mirasoli, M., Guardigli, M., Zangheri, M., Caliceti, C., Calabria, D., & Simoni,
P. (2018). Advanced biosensors for monitoring astronauts’ health during
long-duration space missions. Biosensors and Bioelectronics, 111, 18-26. https://doi.org/10.1016/j.bios.2018.04.012
Roslee, M. F. (2021). Review of medical capabilities requirements
for manned missions on lunar and Martian surfaces base activities. REACH, 23-24.
https://doi.org/10.1016/j.reach.2020.100042
Salvi, M., Loh, H. W., Seoni, S., Barua, P. D., Del
Barrio-García, S., Molinari, F., & Acharya, U. R.
(2023). Multi-modality approaches for medical support systems: A systematic
review of the last decade. Information Fusion, 102134. https://doi.org/10.1016/j.inffus.2023.102134
Shaik, T., Tao, X., Li, L., Xie,
H., & Velásquez, J. D. (2024). A survey of
multimodal information fusion for smart healthcare: Mapping the journey from
data to wisdom. Information
Fusion, 102, 102040. https://doi.org/10.1016/j.inffus.2023.102040
Solís García, E. (2017). Utilización del programa Face2Gene
en diferentes escenarios clínicos [Tesis de grado, Universidad de Cantabria].
Repositorio institucional de la Universidad de Cantabria. https://repositorio.unican.es/xmlui/handle/10902/11747
Sujith, A.
V. L. N., Sajja, G. S., Mahalakshmi,
V., Nuhmani, S., & Balaji,
P. (2022). Systematic review of smart health
monitoring using deep learning and artificial intelligence. Neuroscience
Informatics, 2(3), 100028. https://doi.org/10.1016/j.neuri.2022.100028
Tipaldi, M., Feruglio, L., Denis,
P., & D’Angelo, G. (2020). On applying AI-driven flight data analysis for
operational spacecraft model-based diagnostics. Annual Reviews in Control, 49,
197-211. https://doi.org/10.1016/j.arcontrol.2020.01.001
Vandendriessche, B., Godfrey, A., & Izmailova,
E. S. (2021). Multimodal biometric monitoring technologies drive the
development of clinical assessments in the home environment. Maturitas, 151, 41–47. https://doi.org/10.1016/j.maturitas.2021.06.009
Villanueva Alarcón, R. A. (2021). Sistema inteligente
basado en redes neuronales para la identificación de cáncer de piel de tipo
melanoma en imágenes de lesiones cutáneas [Tesis de grado, Universidad Nacional
Mayor de San Marcos]. Cybertesis Repositorio UNMSM. https://hdl.handle.net/20.500.12672/17574
Zangheri, M., Mirasoli, M., Guardigli, M., Di Nardo, F., Anfossi, L., Baggiani, C., Simoni, P., Benassai, M., & Roda, A. (2019). Chemiluminescence-based biosensor for monitoring astronauts’ health status during space missions: Results from the International Space Station. Biosensors and Bioelectronics, 129, 260-268. https://doi.org/10.1016/j.bios.2018.08.034
Contribución de los autores
NAR:
conceptualización, curación de datos, visualización, redacción- revisión y
edición.
HJR:
desarrollo de software, metodología, programación, redacción- original.
RCDA:
supervisión, revisión final del artículo, redacción-original.
Fuentes de financiamiento
La
investigación fue realizada con recursos propios.
Conflictos de interés
Los
autores declaran no tener conflictos de interés.
Correspondencia:
Rivaldo
Carlos Duran Aquino
E-mail: rivaldo.duran@unmsm.edu.pe
