Pereira, Francisco José BatistaMarques, Ruben António de Jesus2024-08-272024-08-272023-12-06http://hdl.handle.net/10400.26/51915The global demographic shift towards an ageing population needs innovative approaches to elderly care. As the elderly face complex challenges including declining health and mobility, tailored care solutions are vital. Technological advancements, especially in the realm of the Internet of Things (IoT), offer promising avenues for transforming elderly care. This report encapsulates the creation of an IoT platform designed to address the healthcare needs of elderly individuals. The platform's foundation lies in IoT technology, wearable medical devices, and Domotics. Wearable sensors monitor vital signs, while smart home devices automate tasks, fostering a safer and more independent living environment. The platform's goal is to create individual profiles and detect exceptions in daily routines, initiating appropriate responses when predefined thresholds are reached. Developed during a Master's internship in Software Engineering at the Coimbra Institute of Engineering (ISEC) in Portugal, this initiative collaborates with the Kirepo S.a.r.l company in Luxembourg. It leverages Artificial Intelligence (AI) to analyse sensor data, detect anomalies, and automate workflows, ensuring timely intervention and personalized care. The platform encompasses IoT interactions, APIs, AI-driven triggers, and data analysis. Its adaptability has gained support from healthcare associations in Luxembourg, hinting at the potential for broader implementation beyond the elderly demographic. The internship focuses on a subset of the system, concentrating on key sensors, namely the electrocardiogram (ECG) and motion sensors. ECG sensors detect heart anomalies, while motion sensors track physical activity, detecting sudden changes indicating potential health issues. To assess which is the best way to analyse the sensor data, several Machine Learning techniques are compared and tested such as different feature extraction methods and types of used classifiers (traditional and Neural Networks). For demonstration and validation purposes, a proof of concept is built incorporating the ECG and motion sensors data gathering and the respective analysis of the data. The inclusion of a simplified dashboard permits the visualisation of the data that is gathered and the respective analysis.A transição demográfica para uma população mais envelhecida a nível global necessita de abordagens inovadoras no cuidado de idosos. À medida que os idosos enfrentam desafios complexos, incluindo saúde e mobilidade decadente, soluções de cuidados adaptadas são vitais. Avanços tecnológicos, especialmente na área da Internet das Coisas (IoT), prometem a transformação do cuidado de idosos. Este relatório resume a criação de uma plataforma IoT projetada para atender às necessidades de saúde dos idosos. A base da plataforma reside na tecnologia IoT, dispositivos médicos vestíveis e domótica. Sensores vestíveis monitorizam sinais vitais, enquanto dispositivos domóticos inteligentes automatizam tarefas, promovendo um ambiente de vida mais seguro e independente. O objetivo da plataforma é criar perfis individuais e detetar exceções nas rotinas diárias, iniciando respostas adequadas quando os limites predefinidos são atingidos. Desenvolvida durante um estágio de Mestrado em Engenharia de Software no Instituto Superior de Engenharia de Coimbra (ISEC) em Portugal, esta iniciativa colabora com a empresa Kirepo S.àr.l no Luxemburgo. A Inteligência Artificial (IA) é usada para analisar dados de sensores, detetar anomalias e automatizar fluxos de trabalho, garantindo intervenção oportuna e atendimento personalizado. A plataforma abrange interações de IoT, interfaces de programação de aplicações (APIs), decisões tomadas por IA e análise de dados. A sua adaptabilidade ganhou o apoio das associações de cuidados no Luxemburgo, sugerindo o potencial para uma implementação mais ampla para além da população idosa. O estágio centra-se num subconjunto do sistema, concentrando-se nos principais sensores, nomeadamente o eletrocardiograma (ECG) e sensores de movimento. Os sensores de ECG detectam anomalias cardíacas, enquanto os sensores de movimento rastreiam a atividade física, detectando mudanças repentinas que indicam possíveis problemas de saúde. Para avaliar qual a melhor forma de analisar os dados dos sensores, diversas técnicas de Machine Learning são comparadas e testadas, como diferentes métodos de extração de features e tipos de modelos utilizados. Para efeitos de demonstração e validação, é construída uma prova de conceito incorporando a recolha de dados de ECG e sensores de movimento e a respetiva análise dos dados. A inclusão de um dashboard simplificado permite a visualização dos dados recolhidos e a respetiva análise.engCuidado de idososInternet das CoisasMachine LearningEletrocardiogramaReconhecimento de Atividade Humanamaster thesis203531140