Red de sensores inalámbricos para el monitoreo de bioseñales
Wireless Sensor Network for Biosignal Monitoring
Revista Cubana de Transformación Digital, vol. 3, núm. 2, pp. 1-13, 2022
Unión de Informáticos de Cuba
Recepción: 06 Enero 2022
Aprobación: 20 Enero 2022
Resumen: El desarrollo de módulos electrónicos de bajo costo y características variadas, la disponibilidad de computadoras monoplaca, SBC, junto con el libre acceso a sus herramientas de programación, han permitido la generalización de los sistemas de monitoreo y control de variables remotas. Entre estos últimos, las redes de sensores inalámbricos, WSN, representan un papel importante en la Internet de las Cosas (IoT) debido, entre otras razones, a la facilidad de imple- mentación y la flexibilidad que pueden ofrecer. El diseño de una red de este tipo dedicada al registro remoto de variables fisiológicas y su procesamiento debe cumplir requisitos que dependen, entre otros factores, de las características de la variable a medir y de las condiciones en las que se adquiere. La operación en tiempo real, una necesidad común en los sistemas de medición de bioseñales, es un desafío desde el punto de vista de la programación de los dispositivos, el diseño de circuitos asociados, la configuración de la red inalámbrica y otros factores que pueden modificarse y deben evaluarse en la práctica. Este trabajo presenta la evaluación del desempeño de una red WSN para la medición y pro- cesamiento de bioseñales, y su dependencia de las posibles configuraciones de red, tipos de señales, algoritmos de procesamiento; se analiza además la posi- bilidad de extender su alcance a entornos IoT. Los resultados indican la viabi- lidad de la propuesta y su flexibilidad para adaptarse a diferentes entornos.
Palabras clave: Procesamiento de Bioseñales, Redes de Sensores Inalám- bricos, Telemedicina.
Keywords: Biosignal Processing, Wireless Sensor Network, Telemedicine.
INTRODUCCIÓN
La atención médica ubicua es un paradigma que surge para aumentar la eficiencia, precisión y disponibilidad de los tratamientos médicos. La implementación práctica de este modelo es posible gracias a los recientes avances en las comunicaciones inalámbricas y en la electrónica. Lo anterior es sustentado por la existencia de las redes inalámbricas de sensores (WSN, Wi- reless Sensor Network) en constante evolución y por el desarrollo de dispositivos electrónicos embebidos cada vez más pequeños y con menor consumo de potencia. Gracias a esta última tendencia se ofertan en el mercado sensores inteligentes que pueden utilizarse en el cuerpo humano y dispositivos potentes y multifuncionales para el procesamiento de los datos, como son las computadoras compactas (SBC, Single Board Computer) (Negra et al., 2016).
Aún con las demostradas ventajas del uso de las WSN en entornos biomédicos, entre las que se encuentran la posibilidad de la monitorización de signos vitales de forma remota, có- moda y a largo plazo, deben afrontarse otros retos (Elayan et al., 2017). Los desafíos técnicos del despliegue de una WSN para aplicaciones médicas se extienden más allá de los que nor- malmente se asocian a redes de este tipo, como son la capacidad de la red, las limitaciones de procesamiento y memoria y el manejo eficiente de las reservas de energía. En este ámbito, debido a la naturaleza de los datos transmitidos, se establecen además otros requisitos de fia- bilidad, privacidad, calidad y seguridad en las comunicaciones (Ko et al., 2010).
La plataforma elegida para la realización del procesamiento remoto de las señales biomé-
dicas depende de diversos factores, como son el tipo de tecnología inalámbrica a utilizar, pro- tocolos, aplicación, algoritmos a implementar, etc. que deben seleccionarse de forma que se satisfagan los requisitos establecidos y que respondan a la disponibilidad de los recursos para su implementación y utilización eficientes. Existe una tendencia establecida al desarrollo de sistemas y procesos para la telemedicina apoyados en el uso de herramientas digitales que se caractericen por la orientación hacia el incremento en la calidad de vida de los pacientes y la garantía de la comodidad, la operación en tiempo real, la economía, portabilidad, capacidad de almacenamiento y precisión en el procesamiento de las señales de interés (Abib & Anacleto, 2014) (Wang, 2008). En el país hay antecedentes de estudios relacionados con el uso de medios inalámbricos para la transmisión de datos captados por sensores vinculados al monitoreo de variables fisiológicas (Díaz et al., 2017) (Valdés, 2010).
En este trabajo se tienen en cuenta los principales requisitos de las redes inalámbricas
de sensores utilizados en aplicaciones biomédicas para proponer alternativas tecnológicas de implementación de una plataforma viable y flexible para el procesamiento remoto de señales biomédicas. Se evalúa la propuesta mediante el uso de señales sintéticas.
Señales biomédicas
Las señales biomédicas o bioseñales son registros espaciales, temporales o espacio-temporales de la actividad eléctrica, química o mecánica que ocurre durante eventos biológicos. La infor- mación que contienen estas señales se utiliza para explicar los mecanismos fisiológicos sub- yacentes. Al utilizar las bioseñales para el diagnóstico del estado de determinado subsistema biológico es esencial realizar correctamente la adquisición, el procesamiento y la presentación de las señales; de esta manera el personal médico puede obtener información fiable y útil so- bre el estado de salud del paciente y actuar de manera apropiada en beneficio de esta última. Algunas señales biomédicas tienen un uso más frecuente en el procesamiento a distancia, en- tre ellas están la electrocardiográfica (ECG), electroencefalográfica (EEG), electromiográfica (EMG) y la presión arterial (TA).
La señal ECG
La señal electrocardiográfica proporciona, de forma no invasiva, información de la actividad eléctrica del corazón que permite el diagnóstico de las principales enfermedades cardiacas.
Cada ciclo cardíaco se manifiesta como una secuencia ordenada de ondas (P, Q, R, S y T) re- lacionadas con las diferentes etapas de polarización/despolarización del corazón. Las caracte- rísticas de estas ondas pueden modificarse en función de la existencia de determinadas pato- logías (Sörnmo & Laguna, 2005).
La amplitud de la señal ECG depende de la forma en que se apliquen los electrodos a la superficie del cuerpo y de la proximidad de los mismos al corazón, su valor oscila entre
0.5 mV y 4 mV. El ancho de banda útil de la señal depende del estudio a realizar y de la región de interés. En estudios clínicos del ECG estándar de doce derivaciones es de 0.05 Hz a 100 Hz. Para aplicaciones de monitorización de pacientes en cuidados intensivos y pacientes ambulatorios, el ancho de banda útil se restringe a 0.5 Hz hasta 50 Hz. En regis- tros de ECG de alta resolución se extiende hasta los 300 Hz, para permitir la detección de los potenciales tardíos ventriculares, señales de baja amplitud y alta frecuencia (Prutchi & Norris, 2005).
La detección de la posición de los latidos cardiacos es un paso común en los sistemas para
el procesamiento y análisis de la señal ECG. La información resultante, obtenida a partir de la detección de la onda R, permite calcular otros parámetros relevantes como la frecuencia cardiaca (FC) y su variabilidad en el tiempo (variabilidad del ritmo cardiaco, VRC). La com- paración, el análisis del comportamiento de la morfología de las ondas componentes parte también del conocimiento de la posición de los latidos (Electrophysiology, 1996).
Para la adquisición de la señal ECG se recomienda una frecuencia de muestreo mínima
de 500 Hz para estudios en pacientes adultos. Para pacientes pediátricos se indica una tasa de muestreo como mínimo de 750 Hz. Por otra parte, para el análisis de la variabilidad del ritmo cardíaco se requiere una frecuencia de muestreo mínima de 1 kHz y para análisis de poten- ciales tardíos se necesita un mínimo de 4 kHz. El número de bits necesario para digitalizar una señal electrocardiográfica puede variar en dependencia de diversos factores; se recomien- da utilizar 12 o 16 bits para obtener una buena resolución.
La señal EEG
La señal electroencefalográfica depende de las corrientes que fluyen durante las excitaciones sinápticas de las neuronas en la corteza cerebral y se mide por medio de electrodos de super- ficie repartidos por el cuero cabelludo. El análisis de la EEG permite la detección de ciertas patologías asociadas al funcionamiento del sistema nervioso así como de características psi- cofisiológicas del individuo (Sanei & Chambers, 2013).
El análisis de la actividad de las ondas EEG se realiza fundamentalmente en el dominio de la frecuencia en cinco bandas de frecuencias correspondientes a la actividad de las denomina- das ondas delta, theta, alfa, beta y gamma que se extienden hasta los 50 Hz. El ancho de banda efectivo de la señal EEG para estudios de respuestas a estímulos puede llegar hasta los 100 Hz por tanto para muchas aplicaciones una frecuencia de muestreo de 200 Hz resulta suficien- te. El número de bits utilizados para digitalizar la señal EEG es 16 en la mayoría de los casos, aunque en algunos estudios se reporta el uso de 8 bits con resultados apropiados.
La señal EMG
La señal electromiográfica registra la actividad eléctrica generada por los músculos estriados durante su contracción y se adquiere mediante electrodos superficiales o intramusculares. La información derivada del análisis de la señal EMG se utiliza para el diagnóstico de patolo- gías que afectan al Sistema Nervioso Periférico, alteraciones funcionales de las raíces nervio- sas así como de patologías del músculo y de la unión neuromuscular. También la EMG tiene aplicaciones tales como el control de prótesis mioeléctricas, estimaciones ergonómicas y los sistemas de realimentación (Biofeedback). Las componentes de principal interés de las seña- les EMG se encuentran entre 50 Hz y 150 Hz, pero posee componentes armónicos hasta los 500 Hz. Existen también algunas componentes con frecuencias superiores a los 10 kHz, por lo que la frecuencia de muestreo debe ser ajustada en función de las características de la señal a analizar. La mayoría de los equipos modernos cuenta con convertidores de 16 o 12 bits para digitalizar la señal EMG (Merletti & Parker, 2004; Northrop, 2001).
La señal fotopletismográfica
La presión sanguínea arterial se debe a la fuerza ejercida por la sangre contra las paredes ar- teriales y/o vasculares como resultado del flujo sanguíneo desde el corazón. El valor de la pre- sión arterial es un indicador esencial de las condiciones fisiológicas de un paciente y una de las variables que más comúnmente se mide en estudios clínicos, utilizando métodos invasivos o no invasivos. Uno de estos últimos, basado en el empleo de técnicas ópticas para medir va- riaciones del volumen sanguíneo en el tejido vascular, da lugar a la señal fotopletismográfica (FPG). Mediante la adquisición y procesamiento de la señal FPG pueden estimarse valores tales como la presión arterial sistólica, la presión arterial diastólica, la presión arterial media, la ocurrencia temporal de la incisura dicrota y la presión arterial pulsátil que proporcionan información relevante. La señal FPG tiene componentes fundamentales de frecuencia entre el nivel de corriente directa y los 50 Hz (Beevers et al., 2001; Marchiando & Elston, 2003).
Para el diseño de un sistema dedicado a la adquisición y procesamiento de las bioseñales
deben tomarse en cuenta las principales características de las mismas, las que se muestran en la Tabla 1.
Algoritmos para el procesamiento de las bioseñales
Para extraer información útil de las señales biomédicas digitalizadas se aplican algoritmos orientados a la reducción de ruidos, representación en otros dominios, clasificación, determi-
nación de eventos característicos, entre otros procedimientos. Entre los más utilizados para el procesamiento están los descritos a continuación:
• Filtrado: los más comunes son los métodos basados en las técnicas clásicas de respues- ta finita al impulso, FIR (Finite Impulse Response), y respuesta infinita al impulso, IIR (Infinite Impulse Response). La implementación de filtros paso bajo, paso alto o su com- binación permite la atenuación de ruidos en la bioseñal, la selección de las componentes útiles para su procesamiento, entre otras funciones.
• Representación en el dominio de la frecuencia: entre los diferentes métodos de trans- formaciones aplicadas a las señales biomédicas la Transformada Discreta de Fourier (DFT, Discrete Fourier Transform) es una de las más usadas (Akay, 1998).
La DFT es la herramienta primaria, básica, fundamental del procesamiento digital de
señales y puede ser calculada de forma eficiente utilizando el algoritmo de la Transfor- mada Rápida de Fourier (FFT, Fast Fourier Transform). Aunque existen algoritmos rápi- dos para calcular digitalmente la transformada, los datos del segmento a analizar deben estar previamente almacenados en memoria.
• Comparación: en aplicaciones de procesamiento de bioseñales la clasificación permite, a par- tir del cálculo de medidas de distancia, determinar la clase a que pertenecen determinados segmentos de señal que pueden resultar útiles para el diagnóstico. Existen diversos algorit- mos de clasificación y la elección del más apropiado depende de la complejidad del problema a resolver (Morales et al., 2009; Sanei & Chambers, 2013). Algunas de las medidas clásicas de
distancia son: Euclidiana, Chebyshev y Manhattan (Weller-Fahy et al., 2014).
Un sistema de procesamiento de bioseñales flexible debe soportar la implementación de algoritmos básicos de tratamiento de señal como los mostrados en la Tabla 2.
Redes inalámbricas de sensores
La infraestructura de una WSN está sustentada en el uso de elementos de medición, cómpu- to y comunicación que permiten instrumentar, observar y responder a eventos y fenómenos en un entorno específico. Pueden identificarse cuatro componentes básicos de una WSN: (1) sensores (2) red de interconexión (3) nodo concentrador de información / coordinador y (4) recursos de cómputo para el procesamiento de los datos. La información puede ser procesada localmente y transmitida a través de enlaces inalámbricos hasta un nodo central de coordina- ción (Sohraby et al., 2007).
El nodo sensor se encarga de tomar los datos y transmitirlos de hacia el nodo central o coordinador. En dependencia de su capacidad de cómputo puede realizar el preprocesamiento de la señal adquirida. También gestionan el acceso al canal inalámbrico y maneja los efectos de interferencias, pérdida de paquetes, etc.
En la WSN el nodo coordinador realiza las funciones de concentración de la información de las señales adquiridas, el control de la red, y otras funciones en dependencia de los recur- sos de procesamiento disponibles. Una solución muy utilizada es el empleo de computadoras compactas o single-boardcomputer (SBC). A diferencia de otros sistemas de cómputo, como las laptops o las computadoras personales de escritorio, las SBC consumen menos de energía, tienen tamaño reducido y representan una solución de bajo costo y buen desempeño en apli-caciones específicas (Sohraby et al., 2007).
Protocolo de comunicación
El intercambio de información a nivel de aplicación se realiza mediante el protocolo MQTT (Message Queuing Telemetry Transport). Este está diseñado para sistemas con limitaciones de memoria y de procesamiento de CPU, también para redes con un ancho de banda mínimo y alta latencia. MQTT consta de tres actores diferentes: cliente-publicador que publica mensajes a un tópico específico, servidor-bróker que recibe los mensajes publicados y los reenvía hacia los destinatarios, que son los clientes-suscritores. El nodo coordinador de la red de la plataforma actúa como bróker y recibe los datos transmitidos por los nodos sensores. MQTT permite la transmisión de varias señales desde cada nodo sensor, para lo cual se declaran en este los tópicos en los que se publicarán los mensajes correspondientes a los valores de cada señal. El número máximo de tópicos permitido por MQTT hace que en la práctica la cantidad de tópicos que pueden ser declarados esté limitada por las carac- terísticas tecnológicas de los dispositivos y la aplicación en particular que se esté desarrollando.
En correspondencia con los requisitos para el monitoreo de variables fisiológicas, como parámetro de conexión se especifica el nivel 2 de calidad de servicio, QoS, en el que además de existir garantías de los mensajes distribuidos se asegura a los suscriptores que no reciban mensajes duplicados (Hunkeler et al., 2008).
METODOLOGÍA
Para elegir los recursos a utilizar en el diseño de la plataforma para el procesamiento de bio- señales de forma remota se tuvieron en cuenta las tecnologías existentes y la disponibilidad para su implementación práctica. Se utilizó un entorno como el mostrado en la Figura 1.
Red inalámbrica de sensores
La red ha sido implementada con una topología en estrella en la que el nodo coordinador cum- ple la función de concentrador. Se utiliza el estándar IEEE 802.11, un protocolo que aunque demanda un alto consumo de energía está implementado en prácticamente todos los disposi- tivos móviles y ofrece mayores opciones de integración con las tecnologías desplegadas.
Nodo sensor
Los nodos sensores se ubican en el entorno del paciente y cumplen las funciones de acondi- cionamiento, adquisición, digitalización, preprocesamiento y transmisión de los valores de las señales al nodo coordinador. Para la implementación de las funciones de preprocesamiento y transmisión se ha utilizado el módulo ESP8266, un sistema autónomo para soluciones WiFi de bajo consumo y bajo costo. Este posee potentes capacidades de procesamiento y almace- namiento que le permiten integrarse con sensores y dispositivos específicos de aplicación a través de puertos genéricos de entrada/salida digital, GPIO. El kit de desarrollo de software o SDK (Software Development Kit) es libre, permitiendo un desarrollo más rápido de aplicacio- nes para su uso (Kodali & Soratkal, 2016). Las principales características del módulo se indi- can en la Tabla 3.
La programación de los nodos sensores se realizó con la herramienta de desarrollo Ardui- no IDE 1.8.5, de acceso libre.
Nodo coordinador
Para cumplir con la función de nodo coordinador se ha elegido el Raspberry Pi, una SBC que puede desempeñar muchas de las funciones de una PC convencional y que tiene un amplio respaldo de software libre con un sistema operativo Raspbian, una variante del sistema opera- tivo DebianGNU/Linux Jessie de 64 bits. En el diseño realizado el nodo coordinador cumple las funciones de punto de acceso WiFi, bróker para las comunicaciones mediante el protocolo MQTT, gestor de base de datos y servidor de HTTP. Los programas utilizados para cumplir las funciones citadas se indican en la Tabla 4.
El monitoreo de los parámetros clínicos almacenados en la base de datos, obtenidos del procesamiento de las señales recibidas desde los nodos sensores, se realiza mediante el acceso
a la página web diseñada que se despliega por el servidor web Nginx del Raspberry Pi. Así se facilita el acceso remoto a la información desde cualquier dispositivo que tenga un navegador web y que esté conectado a la red WiFi de la que el Raspberry Pi es el punto de acceso.
Diseño experimental
Para la validación de la propuesta se desplegó un escenario como el mostrado en la Figura 2. Las pruebas fueron realizadas en instalaciones en las que la distancia máxima entre los nodos sensores y el coordinador no excedió los 10 m.
Señales representativas para la realización de los estudios
Para la realización de las pruebas a la plataforma se seleccionaron segmentos de las bioseña- les indicadas en la Tabla 5. Los valores de las señales se representaron mediante aritmética de punto fijo de 16 bits, y se almacenaron en la memoria de los nodos sensores para su transmi- sión de forma continua hacia el nodo coordinador.
Algoritmos para procesamiento de bioseñales
Los algoritmos utilizados en la plataforma comprenden los destinados al preprocesamiento de la bioseñal, que se implementan en los nodos sensores, y los dedicados al procesamiento definitivo que son ejecutados en el nodo coordinador. Debido al carácter libre de los sistemas utilizados y a la nutrida comunidad de desarrolladores de programas existe amplia disponibi- lidad de bibliotecas de algoritmos de procesamiento de señales para los nodos sensores y para el nodo coordinador. En la Tabla 6 se indican las utilizadas en las pruebas realizadas.
Las pruebas realizadas estuvieron orientadas a la evaluación del comportamiento de la co- municación nodo inalámbrico/nodo coordinador y del desempeño de la plataforma en tiem- po real que comprende las operaciones de almacenamiento, el procesamiento de los datos, la operación de la base de datos y la presentación de los resultados.
RESULTADOS Y DISCUSIÓN
La comunicación entre los nodos sensores y el coordinador queda establecida mediante los parámetros de configuración del ejemplo mostrado en la Tabla 7.
En el nodo sensor se tiene en cuenta la necesidad de reconexión en caso de interrum- pirse la comunicación con la red o con el bróker MQTT. La Figura 3 muestra el resulta- do de la confirmación del establecimiento de la comunicación en un nodo sensor y en el coordinador.
La sección de procesamiento, que utiliza funciones disponibles en la biblioteca biosppy, se rea- liza sobre un segmento de la bioseñal recibida. Esta tiene una duración especificada por el usuario en función de la aplicación deseada. Para la evaluación se tomaron 5000 muestras de una señal ECG de la cual se extrajo la frecuencia cardiaca instantánea aplicando el método ecg.ecg de la re- ferida biblioteca. Los valores de la señal son previamente almacenados en una estructura de buffer cíclico y con los resultados del procesamiento se actualiza la base de datos de la plataforma.
La presentación de los resultados se realiza mediante una página web, accesible en la direc- ción del nodo coordinador, que se actualiza con el resultado de la gestión de la base de datos implementada. El comportamiento de la variable mostrada puede ser en tiempo real con cada ciclo de procesamiento, la elección se realiza mediante la activación de un botón accesible en la parte superior derecha del espacio para el gráfica, Figura 4. En una misma ventana se per- mite la visualización de hasta 30 segundos del registro de la señal, un parámetro que puede modificarse a conveniencia del usuario.
Se realizaron pruebas para evaluar el desempeño de la plataforma en función de la canti- dad de nodos activos disponibles. Estas consistieron en la transmisión continua durante una hora utilizando de uno a tres nodos activos a la vez. Los resultados, mostrados en la Tabla 8, revelan la influencia de la cantidad de nodos en el tiempo de procesamiento de cada segmento y en la dispersión de sus valores.
En todos los casos el tiempo de procesamiento estuvo por debajo de los 10 s, tiempo de du- ración del segmento de señal analizado. Debido a lo anterior puede afirmarse que la plataforma, en las condiciones analizadas, puede operar en tiempo real. Aunque la extrapolación de estos resultados permitiría inferir la cantidad de nodos para la cual se degrada, en condiciones análo- gas, el desempeño, deben ser realizadas pruebas en condiciones reales para encontrar ese límite.
CONCLUSIONES
La propuesta de plataforma para el procesamiento de bioseñales de forma remota satisface los requerimientos planteados en el proyecto inicial, pues permite la recepción de bioseñales trans- mitidas desde nodos inalámbricos hacia un nodo coordinador de la red dedicado al procesa- miento, el registro y la presentación de los parámetros resultantes. Las alternativas tecnológicas elegidas para el despliegue de la plataforma junto con el uso de herramientas de software libre y de dispositivos de hardware de libre acceso facilitan la asimilación y la ampliación de las po- tencialidades del diseño desarrollado. Las soluciones de software y hardware planteadas hacen que la propuesta sea además flexible en cuanto a la implementación de otros algoritmos para el procesamiento de bioseñales. El empleo de la tecnología WiFi conjuntamente con el protocolo MQTT facilita el acceso a la red desde diversos dispositivos de usuario y lo extiende al hacerlo compatible con entornos IoT. Las bibliotecas elegidas para el procesamiento de bioseñales sus- tentan el uso de la plataforma para el análisis de múltiples variables fisiológicas, lo que posibilita contar con un sistema de monitoreo integral y aplicable a distintos escenarios.
REFERENCIAS
Abib, J. C., & Anacleto, J. C. (2014). Improving Communication in Healthcare: A case study. 2014 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 3336–3341.
Akay, M. (1998). Time frequency and wavelets in biomedical signal processing. IEEE press.
Beevers, G., Lip, G. Y., & O’Brien, E. (2001). Blood pressure measurement. Sphygmomanome- try: Factors common to all techniques. BMJ, 322, 981–985.
Díaz, D. F. D., Varela, Á. D. B., Rodríguez, A. C., & Franco, Y. O. S. (2017). Diseño de un módu- lo para la adquisición y transmisión inalámbrica de bioseñales. Telemática, 16(2), 39–53.
Elayan, H., Shubair, R. M., & Kiourti, A. (2017). Wireless sensors for medical applications: Current status and future challenges. 2017 11th European Conference on Antennas and Propagation (EUCAP), 2478–2482. https://doi.org/10.23919/EuCAP.2017.7928405
Electrophysiology, T. F. of the E. S. of C. the N. A. S. of P. (1996). Heart rate variability: Standards of measurement, physiological interpretation, and clinical use. Circulation, 93(5), 1043–1065.
Hunkeler, U., Truong, H. L., & Stanford-Clark, A. (2008). MQTT-S—A publish/subscribe pro- tocol for Wireless Sensor Networks. 2008 3rd International Conference on Communica- tion Systems Software and Middleware and Workshops (COMSWARE’08), 791–798.
Ko, J., Lu, C., Srivastava, M. B., Stankovic, J. A., Terzis, A., & Welsh, M. (2010). Wireless sensor networks for healthcare. Proceedings of the IEEE, 98(11), 1947–1960.
Kodali, R. K., & Soratkal, S. (2016). MQTT based home automation system using ESP8266. 2016 IEEE Region 10 Humanitarian Technology Conference (R10-HTC), 1–5.
Marchiando, R. J., & Elston, M. P. (2003). Automated ambulatory blood pressure monitoring: Clinical utility in the family practice setting. American Family Physician, 67(11), 2343–2350.
Merletti, R., & Parker, P. J. (2004). Electromyography: Physiology, engineering, and non-inva- sive applications (Vol. 11). John Wiley & Sons.
Morales, R. D. P., Morales, D. Á., & Grisales, V. H. (2009). Caracterización de señales electro- miográficas para la discriminación de seis movimientos de la mano. Scientia et Technica, 2(42), Article 42.
Negra, R., Jemili, I., & Belghith, A. (2016). Wireless body area networks: Applications and te- chnologies. Procedia Computer Science, 83, 1274–1281.
Northrop, R. B. (2001). Measurement of electrical potentials and magnetic fields from the body surface. In Noninvasive instrumentation and measurement in medical diagnosis (pp. 75–168). CRC Press.
Prutchi, D., & Norris, M. (2005). Design and development of medical electronic instrumenta- tion: A practical perspective of the design, construction, and test of medical devices. John Wiley & Sons.
Sanei, S., & Chambers, J. A. (2013). EEG signal processing. John Wiley & Sons.
Sohraby, K., Minoli, D., & Znati, T. (2007). Wireless sensor networks: Technology, protocols, and applications. John wiley & sons.
Sörnmo, L., & Laguna, P. (2005). Bioelectrical signal processing in cardiac and neurological applications (Vol. 8). Academic Press.
Valdés, M. J. G. (2010). Desarrollo de Monitores de Paciente en Cuba. Revista Ingeniería Elec- trónica, Automática y Comunicaciones ISSN: 1815-5928, 31(1), 42–48.
Wang, P. (2008). The real-time monitoring system for in-patient based on zigbee. 2008 Second International Symposium on Intelligent Information Technology Application, 1, 587–590.
Weller-Fahy, D. J., Borghetti, B. J., & Sodemann, A. A. (2014). A survey of distance and simila- rity measures used within network intrusion anomaly detection. IEEE Communications Surveys & Tutorials, 17(1), 70–91.
