Diseño de un sistema de monitoreo de salud para astronautas basado en inteligencia artificial
DOI:
https://doi.org/10.37711/repiama.2024.1.2.4Palabras clave:
monitoreo de salud, inteligencia artificial, astronauta, bioseñales, redes neuronales, sensores biomédicos, salud espacialResumen
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.
Descargas
Referencias
Boulemtafes, A., Khemissa, H., Derki, M. S., Amira, A., & Djed-jig, 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 con-sumo energetico de clasificadores en cascada para la de-teccion 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.space-pol.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 require-ments 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). Multimodality 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 health-care: 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, Univer-sidad 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 moni-toring using deep learning and artificial intelligence. Neuro-science 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.arcon-trol.2020.01.001
Vandendriessche, B., Godfrey, A., & Izmailova, E. S. (2021). Multimodal biometric monitoring technologies drive the development of clinical assessments in the home environ-ment. Maturitas,151, 41–47. https://doi.org/10.1016/j.ma-turitas.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 moni-toring 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
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Nataly Andrea Rojas Barnett, Hanks Jeremy Reyes Huaman, Rivaldo Carlos Duran Aquino
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
