Análisis automático de prioridades de sistemas de respuesta a emergencias mediante Internet de las cosas (IoT) y aprendizaje automático (ML)
Abu S.M. Mohsin 1, Shadab H. Choudhury 1, Munyem Ahammad Muyeed 1
Nota del blog: Este trabajo es muy interesante, para aumentar la capacidad de respuesta ante emergencias, su complementación con bomberos y defensa civil. La Ciudad autónoma de Buenos Aires tiene uno de los mejores servicios de emergencia en América Latina, con una importante inversión y continuidad como política de estado, que ha trasladado su modalidad de gestión y servicios a otras localidades. Entendiendo que para las emergencias los sistemas públicos son las empresas más eficientes, como ocurre en las principales urbes, como Paris, Ginebra, Roma, Madrid, etc. No tantas emergencias privadas, que no tienen médicos y dotaciones con ese grado de formación. Es imposible, porque no hay emergentólogos en cantidad suficiente. Además hay que continuar difundiendo la asistencia por testigos para reanimaciones dentro de los primeros minutos, que mejora la recuperación de latidos cardíacos. La importancia al decidir por aplicar inteligencia artificial también de utilizar para desarrollos algoritmos genéricos que acortan tiempo de desarrollo, que hace que el proyecto se pueda implementar y comparar. Blangadesh es un país pobre cuya urbanización es creciente, caótica y con una mala estructura, como muchas de nuestras ciudades por ello puede ser un buen ejemplo para aprender algunas de las aplicaciones. Somos testigos de un tiempo de cambio. Los que venden esta tecnología del conocimiento apuran la difusión de buenos resultados parciales para que otros apliquen la misma, siga aprendiendo y consolidando el modelo de comparación, y fortalecer el sistema técnico de toma de decisiones. Por otra parte, nuestro país tiene en la ciudad autónoma de Buenos aires, un sistema de emergencia consolidado, con mucha inversión. Hasta donde está publicado nuestro SAME, no tiene incorporado ningún sistema de Machine Learning que debiera ser por la jerarquía del servicio que se habla. Además el trabajo integra la emergencia a lo socio sanitario y la seguridad urbana, pudiendo integrar y modular los dispositivos, pero lo interesante es que se puedan transmitir señales que determinen las respuestas más adecuadas y combinadas entre ambulancias, bomberos y defensa civil.
Resúmenes
- •En este documento presentamos un marco integral para implementar un sistema de respuesta a emergencias (ERS) impulsado por IoT y ML que aprovecha el análisis de datos en tiempo real y el modelado predictivo.
- El sistema está diseñado para procesar y analizar diversos flujos de datos de múltiples fuentes, como sensores IoT, lo que permite respuestas rápidas e informadas a las emergencias dando prioridad a la respuesta a emergencias (policía, bomberos, hospitales o contactos de emergencia, etc.).
- Para priorizar las emergencias hemos utilizado el modelo XGBoost (es uno de los algoritmos elegidos por una gran cantidad de equipos que quieren utilizar aprendizaje automático). La exactitud, la precisión, el recuerdo promedio y la puntuación F-1 promedio fueron 96.1%, -99.8%, 0.972-0.999, 0.960-0.976 y 0.990-0.960 respectivamente para dispositivos médicos, vehiculares y domésticos.
- Nuestro marco propuesto basado en Machine Learning mejora el procesamiento de datos en tiempo real, la detección rápida de anomalías y el análisis predictivo, proporcionando respuestas oportunas y precisas a las emergencias.
- Además, la implementación web garantiza la escalabilidad y una amplia accesibilidad, lo que facilita la interacción dinámica y el monitoreo en tiempo real a través de interfaces fáciles de usar.
- Este marco no solo mejora las capacidades de respuesta inmediata, sino que también ayuda en la planificación estratégica al proporcionar información procesable sobre posibles eventos futuros hacia una gestión de emergencias más inteligente y basada en datos, mejorando la seguridad y la preparación tanto a nivel comunitario como organizacional.
El despliegue eficaz y oportuno de los recursos es esencial durante las emergencias. Al integrar el aprendizaje automático (ML) y el Internet de las cosas (IoT), el análisis automático de prioridades de los sistemas de respuesta a emergencias podría revolucionar este proceso vital, salvar vidas y minimizar los daños.
Este documento presenta un marco integral para la implementación de un sistema de respuesta a emergencias (ERS) impulsado por IoT y ML, que utiliza el análisis de datos en tiempo real y el modelado predictivo para identificar patrones y priorizar las respuestas en función de su impacto esperado, urgencia, distancia y recursos disponibles.
El sistema está diseñado para procesar y analizar diversos flujos de datos de múltiples fuentes, como sensores IoT, lo que permite respuestas rápidas e informadas a las emergencias dando prioridad a la respuesta a emergencias (policía, bomberos, hospitales o contactos de emergencia, etc.).
Se utilizó el modelo XG Boost para priorizar las emergencias, y su rendimiento se examinó utilizando la exactitud, la precisión, la memoria media y la puntuación F-1 media.
Además, se desplegó un cuadro de mando web para visualizar los datos de los sensores y los proyectados en tiempo real, lo que garantiza la accesibilidad y la escalabilidad. Esto permitió a los usuarios interactuar con el sistema a través de una interfaz intuitiva y obtener alertas e información oportunas.
El sistema proporciona visualización dinámica y seguimiento en tiempo real de escenarios de emergencia a través de la integración de sistemas de información geográfica (SIG) y la utilización de recursos de computación en la nube. Este marco no solo mejora las capacidades de respuesta inmediata, sino que también ayuda en la planificación estratégica al proporcionar información procesable sobre posibles eventos futuros.
El despliegue de este tipo de ERS marca un paso significativo hacia una gestión de emergencias más inteligente y basada en datos, mejorando la seguridad y la preparación tanto a nivel comunitario como organizativo.
Esta innovadora integración de IoT y ML tiene el potencial de transformar los sistemas de respuesta a emergencias, optimizando la asignación de recursos, reduciendo los tiempos de respuesta y, en última instancia, salvando más vidas en situaciones críticas.
1. INTRODUCCIÓN
El sistema de respuesta a emergencias (ERS) se denomina a los esfuerzos y acciones para abordar incidentes como accidentes, desastres naturales o crisis médicas, con el objetivo de minimizar las víctimas y prevenir daños mayores. Una respuesta de emergencia rápida es crucial para su capacidad de salvar vidas, reducir las lesiones y brindar asistencia médica oportuna. Cuando se trata de respuestas oportunas, a menudo hay una diferencia entre la vida y la muerte. Cada minuto cuenta en las emergencias, ya que los retrasos pueden aumentar el riesgo de mortalidad y complicaciones a nivel mundial. Como resultado, alrededor de 1,19 millones de personas han muerto [1].
En Bangladesh, la demanda de sistemas eficaces de respuesta a emergencias es cada día más necesaria debido a la rápida urbanización y el crecimiento de la población. La población de Bangladesh refleja un aumento del 1,01% con respecto al año anterior [2]. La población urbana está creciendo a una tasa anual del 3,5% en Bangladesh, lo que ha ejercido presión sobre los servicios de emergencia [3]. El avance de la sociedad y el bienestar general dependen de garantizar la seguridad individual, así como de tiempos de respuesta más cortos a emergencias como accidentes e instalaciones médicas.
Hoy en día, la respuesta de emergencia en Bangladesh es el tema más preocupante. Aunque la línea de ayuda nacional de emergencia (999) promete un tiempo de respuesta de 10 minutos, el tiempo promedio de respuesta es de aproximadamente 30 minutos [4]. Los accidentes de tráfico provocan más de 21.000 muertes al año, siendo los retrasos en los tiempos de respuesta un factor importante [5], del mismo modo, alrededor de 19.642 incendios en 2020, que resultaron en lesiones y muertes significativas [6]. Estos datos ponen de relieve la necesidad urgente de mejorar el sistema de respuesta a las emergencias.
Además, las emergencias sanitarias también son un tema preocupante, al igual que el número de muertes debidas a ENT (enfermedades no transmisibles) como las cardiopatías, los accidentes cerebrovasculares y la diabetes. Según [7], alrededor del 67% de las muertes en Bangladesh se deben a enfermedades no transmisibles. La evaluación profesional de los pacientes puede reducir las tasas de supervivencia, y los sistemas básicos de respuesta gubernamental son insuficientes para responder eficazmente al aumento de las emergencias. Para reducir las tasas de mortalidad y mejorar la salud de los pacientes, se necesitan instalaciones de respuesta y seguimiento rápidas.
Mediante el uso de dispositivos como los teléfonos inteligentes, los sistemas de automatización del hogar permiten el monitoreo y la administración de los equipos del hogar, lo que los convierte en algo más que comodidades. Aunque fomenta la conservación de energía y los estilos de vida modernos, la automatización del hogar inteligente es costosa, compleja y requiere mucho tiempo de instalar y configurar. [8]. Para superar estos obstáculos, son esenciales soluciones creativas y a precios razonables que hagan que esta tecnología esté fácilmente disponible para todos, incluidos los ancianos y los discapacitados. Además, al integrar los sistemas de automatización del hogar en los planes de respuesta a emergencias, que son soluciones esenciales para la mayoría de los problemas de seguridad, se fomenta el uso cada vez mayor de estos sistemas. Desafortunadamente, los sistemas domésticos actuales se quedan muy cortos al anteponer la comodidad a la seguridad, lo que resulta en serias brechas en la detección y respuesta a emergencias como incendios, fugas de gas e intrusiones de seguridad [9].
Teniendo en cuenta los desafíos actuales en los sistemas de respuesta a emergencias, como los retrasos en la asignación de recursos, la priorización ineficiente de incidentes y la falta de integración de datos en tiempo real, existe una necesidad apremiante de soluciones innovadoras para abordar estas limitaciones. Para superar estos desafíos, proponemos un sistema integral de asistencia de emergencia basado en IoT que integre dispositivos de monitoreo en hogares, vehículos y salud individual. Nuestra solución aprovecha la recopilación y el procesamiento de datos en tiempo real y las técnicas de aprendizaje automático como XGBoost para analizar los datos de los sensores, predecir los niveles de riesgo y priorizar las respuestas en consecuencia. Este sistema se mejora aún más con la administración de datos escalable con Firebase, el seguimiento preciso de la ubicación con la API de Google Maps y el modelado predictivo para optimizar la asignación de recursos de emergencia. Al abordar emergencias relacionadas con la salud, el hogar y los vehículos, nuestro sistema tiene como objetivo mejorar la seguridad pública, reducir las muertes y mitigar los riesgos asociados de manera efectiva.
Este documento está organizado de la siguiente manera: En la sección 2 se revisan las limitaciones de los sistemas de respuesta a emergencias existentes y se destacan las brechas abordadas por nuestro trabajo. En la sección 3 se analiza la importancia de la seguridad de IoT para garantizar la fiabilidad y la seguridad del sistema propuesto. La sección 4 describe la metodología, que abarca la recopilación de datos, las especificaciones de los sensores, la configuración del servidor central en la nube, el procesamiento y el análisis de datos, la integración de la API de Google Maps para la respuesta a emergencias, el diseño de la interfaz web y el modelo de aprendizaje automático empleado. En la sección 5 se presenta el análisis de datos realizado mediante técnicas de aprendizaje automático, mientras que en la sección 6 se detalla el despliegue web del sistema. En la sección 7 se examinan los aspectos de seguridad y privacidad del sistema propuesto. En la sección 8 se ofrece un análisis exhaustivo del rendimiento del sistema. En la sección 9 se analizan los desafíos encontrados durante el desarrollo y se esbozan los posibles trabajos futuros. Finalmente, la sección 10 concluye con un resumen de las contribuciones y las implicaciones más amplias de este trabajo.
2. REVISIÓN DE LA LITERATURA
En las últimas décadas, la implementación de IoT en el sistema de respuesta a emergencias ha florecido excesivamente en diversos dominios como el transporte, la salud y la seguridad del hogar. El objetivo principal de diferentes estudios ha sido aumentar la efectividad en grandes áreas.
Yuan et al. [10] proporcionan una revisión en profundidad de las tecnologías de aprendizaje automático en los sistemas de transporte inteligentes, insistiendo en el potencial de dichas tecnologías para mejorar la seguridad vial y la eficiencia del transporte. De manera similar, Radi et al. [11] introdujeron un sistema de redes de vehículos inteligentes y sostenibles (ISVN) que utiliza el aprendizaje automático, la comunicación de vehículo a vehículo (V2V) y de vehículo a infraestructura (V2I) para gestionar accidentes de tráfico. En otro estudio, Megnidio-Tchoukouegno y Adedeji [12] analizan la precisión del algoritmo del Árbol de Decisión en la predicción y análisis de la gravedad de los accidentes de tráfico mediante el aprendizaje automático. Un estudio notable presenta el avance de la seguridad en la conducción en el mundo real mediante un marco de aprendizaje automático para la detección automatizada de accidentes basada en sensores en el automóvil [13]. Con el fin de resolver los problemas de retrasos en las llegadas y la falta de información crítica para una respuesta de emergencia eficiente, Aslam et al. [14] presentan un sistema automático de detección de accidentes de vehículos y notificación visual de situaciones basado en el Internet de las cosas. Assi et al. [15] sugieren un método para predecir la gravedad de los accidentes mediante la combinación de enfoques y algoritmos de aprendizaje automático. En su comparación de métodos de aprendizaje automático para estimar la gravedad de los accidentes de tráfico, Akour et al.[16] y Chougule et al. [17] muestran que algunos modelos son mejores para determinar la gravedad de las lesiones y evaluar las implicaciones legales y morales de la conducción autónoma, así como sus límites. Al-Mayouf et al.[18] abordan los problemas críticos que afectan a los países en desarrollo: la congestión vial, los accidentes y la contaminación causada por el número de vehículos en las carreteras urbanas. Propone un sistema completo para la gestión de accidentes, que integra la comunicación eficiente y en tiempo real entre vehículos, ambulancias, hospitales, unidades de carretera y servidores centrales mediante redes ad hoc vehiculares (VANETs) y tecnologías de celulares públicas. El sistema utiliza un algoritmo de reenvío óptimo de múltiples saltos para reducir el tiempo de despacho de ambulancias a los lugares de accidentes y también presenta un algoritmo de planificación de rutas óptimas (ORPA) para la reducción de la congestión y la minimización de los costos de viaje.
Varios estudios realizados en el sector de la salud como respuesta de emergencia es muy crucial para la salud. Shaik et al. [19] ofrecen una revisión de los sistemas de monitorización remota de pacientes (RPM), con especial énfasis en la aplicación de la inteligencia artificial (IA) en la atención sanitaria. Mediante el uso de técnicas de ML para identificar irregularidades en el tráfico de la red, Khan y Alkhathami [20] abordan los problemas de seguridad en la atención médica basada en IoT. Wu et al. [21] desarrollan un sistema de monitoreo de la salud en tiempo real basado en el aprendizaje profundo para mejorar la seguridad de los atletas. Tahat et al. [22] desarrollaron un sistema experimental de monitoreo de salud estructural (SHM) que combina algoritmos de aprendizaje automático con conectividad LoRa IoT para identificar daños o errores. Rahman et al. [23] cubren el DL y el ML en la atención médica inteligente con gran detalle. Además, abordan los desarrollos recientes, las aplicaciones y los beneficios de integración. Los desarrollos únicos de Iranpak et al.[24] incluyen el uso de redes neuronales profundas LSTM para monitorear de forma remota la condición de los pacientes y priorizar los datos confidenciales en el IoT. Hiyama et al. [25] proponen un dispositivo portátil basado en sensores para las futuras madres para mejorar la calidad de vida materna y fetal durante todo el embarazo. Además, Gayathri S. et al. [26] diseñaron un sistema de monitorización de la salud de las mujeres embarazadas basado en IoT para la monitorización de la atención sanitaria después del parto, mientras que Banerjee et al. [27] propusieron un sistema de detección de la frecuencia del pulso basado en una técnica no invasiva. Además, Ajagbe et al. [28] proporcionan una revisión exhaustiva de las técnicas de IoT-DL para la detección de pandemias, destacando su aplicación en el monitoreo, la detección y el diagnóstico durante la pandemia de COVID-19. Identifica las brechas en la investigación existente, incluidos los modelos discriminativos de DL poco explorados y la ausencia de algoritmos metaheurísticos, lo que ofrece información para futuros avances.
Debido a la creciente amenaza de intrusiones y emergencias como incendios, la automatización del hogar y los sistemas de seguridad se están volviendo populares hoy en día. Un sistema que puede controlar el sonido, los sistemas de iluminación y varios dispositivos en respuesta a la actitud y el afecto del usuario se conoce como automatización del hogar [29]. Kulbuzhev et al [30] trabajaron para mejorar la seguridad y también reducir la pérdida de energía mediante la implementación de sistemas basados en ML e IA.
Irugalbandara et al. [31] han creado un sistema de automatización del hogar seguro y fuera de línea con reconocimiento de voz y capacidades de medición de energía para resolver los problemas de dependencia de Internet y los riesgos de ciberseguridad en los países en desarrollo.
Empleando la aplicación para teléfonos inteligentes qToggle, el usuario puede operar varios dispositivos domésticos y detectores [32]. Umer et al. [33] introdujeron un extenso sistema de automatización del hogar inteligente de Internet de las Cosas (IoT) que utiliza blockchain y aprendizaje profundo.
Reddy et al. [34] presentan un sistema de automatización del hogar que integra la inteligencia artificial (IA) con el Internet de las Cosas (IoT) para el control automatizado de electrodomésticos para aumentar la eficiencia y la seguridad. Park [35] demuestra cómo se pueden utilizar los algoritmos de aprendizaje automático para pronosticar el consumo de energía, mejorando no solo la eficiencia energética sino también la seguridad al detectar patrones de consumo anormales que pueden indicar una emergencia. Además, Cleland et al. [36] revisaron la automatización del hogar para aquellos con discapacidades, los beneficios incluyen una mayor autonomía, independencia, seguridad y bienestar psicológico.
Las tecnologías de aprendizaje automático (ML) y aprendizaje profundo (DL) están demostrando avances significativos en diversos dominios, respaldados por evidencia cuantitativa de su efectividad.
En el sector agrícola, Taiwo et al. [37], en el que participaron 145 partes interesadas de Shonga Farms, Nigeria, informaron que el 78% expresó un apoyo positivo a la adopción de tecnologías de IA/ML en áreas como la formación, el desarrollo de infraestructuras y los resultados económicos. Sin embargo, también se identificaron desafíos relacionados con los marcos de políticas y la asignación de recursos. De manera similar, en el dominio de la predicción del crimen, los modelos de ML que utilizan datos de sentimiento de Twitter por hora lograron una precisión predictiva del 81% y una puntuación AUC de 0.7079 mediante la aplicación del algoritmo XGBoost [38]. Estos hallazgos ilustran el potencial de las tecnologías de ML/DL para abordar problemas complejos del mundo real, destacando su aplicabilidad y éxito en diversos campos.
En todos los sectores, la implementación de sistemas IoT se centra en la seguridad. En este momento, la comunicación segura entre los vehículos y entre los vehículos y la infraestructura es de suma importancia para garantizar respuestas de emergencia rápidas y confiables. Mohsin et al. [39] identificaron la necesidad de un enfoque unificado que combine datos en tiempo real de los dominios de transporte, salud y seguridad del hogar para ofrecer un sistema de respuesta a emergencias más completo y abordaron el sistema unificado, que es una solución destacada para la gestión de emergencias.
El cuerpo de investigación existente destaca avances significativos en el uso de IoT para sistemas de respuesta a emergencias. Sin embargo, muchos de estos sistemas a menudo se limitan a tipos específicos de emergencias o carecen de una integración completa de múltiples flujos de datos de sensores.
En la Tabla I, exponemos el algoritmo basado en ML disponible para el análisis predictivo y los desafíos de este trabajo. Nuestro estudio busca aprovechar estos hallazgos mediante el desarrollo de una plataforma basada en IoT que combina análisis de datos en tiempo real, modelado predictivo y una interfaz fácil de usar para mejorar la respuesta a emergencias en múltiples escenarios, incluidos médicos, incendios y emergencias.
Tabla I. Algoritmo basado en ML disponible para análisis predictivos y desafíos.
| Ref | Algoritmo de ML | Métricas de rendimiento | Propósito | Desafíos |
|---|---|---|---|---|
| [12] | Árbol de decisión, LightGBM y XGBoost | Se predijo un 20% de los datos de accidentes de 2020, ligeramente superior a los datos reales, pero excluyendo los desequilibrios y errores. | Prediga la gravedad de los accidentes de tráfico en función de los factores contribuyentes. | Conjuntos de datos desequilibrados, el impacto de la COVID-19 en los patrones de tráfico, la necesidad de variables adicionales relacionadas con los conductores. |
| [21] | DNN, PCA, GD | Estándar medio de 8,73, con una longitud media de 35,95 desviaciones y un recuento de palabras de 3,40. | Seguimiento de la salud de los atletas en tiempo real; Diagnosticar afecciones graves como tumores cerebrales, enfermedades cardíacas y cáncer. | Sensibilidad al número de neuronas que causan un subajuste o sobreajuste; Abordar los problemas de gradiente que se desvanecen. |
| [22] | SVM, SGD, df, rf, KNN, LR | Los modelos de clasificación SVM y SGD lograron una precisión máxima (CA) del 96,9 % cuando se utilizaron un 10 % de datos de entrenamiento y un 90 % de instancias de datos de prueba. | Predecir fallos o variaciones en la salud estructural. | Gestione la agregación y el análisis de datos desde el servidor en la nube, lo que garantiza una predicción precisa de fallos. |
| [29] | CNN, SVM, enfoque del clasificador de rostros de Fisher. | Del 82% al 91% cuando el tamaño de las clases se reduce de 8 a 5, y las reducciones adicionales de 5 a 3 dan como resultado una mayor precisión. | Automatiza los sistemas domésticos en función de las acciones del usuario, las emociones y el entorno. | Complejidad en la integración de sistemas, garantizando la privacidad y seguridad de los datos, equilibrando la eficiencia energética y el rendimiento. |
| [34] | Algoritmos de IA (por ejemplo, reconocimiento facial, control climático) | Precisión en la detección de temperatura, humo y nivel de agua | Los electrodomésticos automatizados basados en datos de sensores reconocen rostros por seguridad y proporcionan un control inteligente de los dispositivos. | Complejidad en la integración con dispositivos IoT, calibración de sensores, posibles falsas alertas. |
| [35] | dt, rf, et, gb, hgb, DNN | RMSE: 22.29 | Prediga el consumo de energía de los sistemas HVAC en hogares inteligentes. | Los datos innecesarios eran entradas incorrectas del modelo que hacían que el modelo tuviera un rendimiento inferior. |
3. IMPORTANCIA DE LA SEGURIDAD DE IOT
El Internet de las cosas (IoT) permite la interacción inteligente y automatizada de dispositivos cuando se integra con el entorno externo. No obstante, es necesario un análisis en profundidad de las características y comportamientos de los dispositivos IoT tanto en circunstancias virtuales como reales para su seguridad [40]. Es difícil diseñar una arquitectura de seguridad robusta para el Internet de las Cosas que pueda detectar ciberataques, especialmente para las redes inalámbricas. Debido a su alto consumo de recursos y su limitada potencia de procesamiento, los dispositivos de Internet de las cosas tienen más probabilidades de ser objetivos de posibles amenazas.
Las amenazas activas y pasivas, como el análisis de virus, la suplantación de dispositivos, los ataques de denegación de servicio (DoS), los ataques Sybil y los ataques de intermediario son comunes en los sistemas de IoT. El análisis de malware, la suplantación de dispositivos, los ataques de denegación de servicio (DoS), los ataques Sybil y los ataques de intermediario son ejemplos de amenazas activas. El phishing y el espionaje son ejemplos de amenazas pasivas que pueden socavar seriamente la fiabilidad y la eficacia de los sistemas del Internet de las Cosas [41].
La confidencialidad, la integridad, la autenticación, la autorización, la disponibilidad y el no repudio son cualidades de seguridad que se priorizan en los marcos de seguridad del Internet de las cosas. Si bien la integridad aumenta la seguridad del sistema al permitir solo el acceso autorizado a los datos, la confidencialidad garantiza que la información confidencial contenida en los dispositivos IoT no sea accesible por partes no autorizadas. Los datos confidenciales deben protegerse en los sistemas de IoT utilizando métodos de autorización como diseños basados en políticas y tokens [43].
Las técnicas de aprendizaje automático y aprendizaje profundo basadas en inteligencia artificial son esenciales para identificar el malware y el tráfico de red malicioso en los sistemas de Internet de las cosas. Los sistemas convencionales de detección de ataques se basan en tácticas preestablecidas que son incapaces de reconocer nuevos tipos de ataques [44]. La detección temprana de diferentes tipos de ataques es posible gracias a los algoritmos de aprendizaje automático (ML) que pueden manejar el comportamiento dinámico del sistema IoT sin la necesidad de la participación humana [45]. En la Figura 1 se ilustran los ataques por capas y las soluciones de ML para estos ataques.
Arquitectura IoT de tres capas de nuestro sistema: La arquitectura de nuestro sistema tiene tres capas principales: la capa física, que detecta los datos utilizando muchos dispositivos IoT diferentes, la capa de red, que proporciona una transferencia de datos segura, y la capa de aplicación, donde los datos se procesan, analizan y presentan en interfaces web a los usuarios. Monitorear en tiempo real la contribución de cada capa es crucial para optimizar el rendimiento.
La figura 2 muestra la arquitectura detallada de nuestro proyecto.
4. METODOLOGÍA
La plataforma de Servicios de Asistencia de Emergencia utiliza un enfoque estructurado para garantizar una respuesta rápida y eficiente a las emergencias mediante la integración de diversas tecnologías. La metodología que se ilustra en la Figura 3 se centra en la recopilación, el análisis y la difusión sin interrupciones de datos de múltiples sensores a los servicios de emergencia, abarcando varios componentes y procesos básicos.
Recogida de datos: El sistema integral comienza con los datos recopilados del vehículo, el hogar y los dispositivos de salud. Los dispositivos de los vehículos garantizan parámetros relacionados con la seguridad, como la temperatura, la llama, el GLP, el humo y los niveles de monóxido de carbono y dióxido de carbono. Los equipos domésticos rastrean factores ambientales similares, como la temperatura, el humo, el GLP, la llama, el monóxido de carbono y el metano (MQ4). Además, los dispositivos de salud enfatizan las características de salud individuales, incluida la temperatura, la humedad y la reacción galvánica de la piel (GSR) para la detección del estrés.
Especificaciones del sensor: Nuestros dispositivos para el hogar, el vehículo y la salud utilizan una variedad de sensores, por ejemplo, detección de gases, medición de temperatura y humedad, detección de llamas, detección de movimiento y orientación, seguimiento de ubicación y monitoreo de la salud. Para la detección del nivel del sensor de gas, utilizamos MQ-2 (200-1000 ppm), MQ-4 (300-10000 ppm) y MQ-135 (resistencia de detección de 30 kΩ-200 kΩ) para detectar diferentes gases. Para la medición de la temperatura y la humedad utilizamos DHT11 y DHT 22, que son capaces de detectar la temperatura de -40 °C a 80 °C y la humedad (0-100%). Además, para la seguridad contra incendios, se implementa un sensor basado en infrarrojos que detecta las llamas dentro de un rango específico (por ejemplo, 100 cm). Además, la orientación y la aceleración de los vehículos se miden mediante MPU6050 que ofrece la medición de la orientación, la aceleración (±2 a ±16 g) y la velocidad angular (±250 a 2000 ° / s). Para controlar las colisiones y las vibraciones de los vehículos, los elementos piezoeléctricos detectan la presión y la vibración. Además, los módulos GPS Quectel L80-R proporcionan seguimiento de ubicación en tiempo real con soporte AGPS, lo que garantiza la precisión de la navegación. En consecuencia, el sensor de ECG AD8232 mide la frecuencia cardíaca, el sensor GSR detecta la actividad nerviosa autónoma. Por último, MAX30100 mide tanto la frecuencia cardíaca como la saturación de oxígeno (SpO2), que es fundamental para el seguimiento de los signos vitales en los sistemas de monitorización de la salud. La configuración de hardware para nuestros dispositivos se muestra en la Figura 4.
Servidor central en la nube: Firebase se usa para almacenar los datos recopilados en una base de datos NoSQL cuando se transmiten a un servidor central en la nube. Esta base de datos central permite una gestión de datos eficaz y adaptable mediante el almacenamiento de datos de usuarios, sensores y alarmas en formato de documento. Esta arquitectura permite gestionar grandes cantidades de datos generados por los dispositivos sensores de forma fiable y escalable.
Procesamiento y análisis de datos: Esta fase implica muchos pasos cruciales. La información recopilada se envía a los módulos correspondientes para su análisis inmediato y predicción del futuro utilizando los frameworks NodeRed y Laravel. Los datos entrantes de los sensores son evaluados inmediatamente por el módulo de análisis de datos en tiempo real para buscar irregularidades o niveles potencialmente dañinos. Si se supera algún umbral, se envía una alerta. Para mejorar las capacidades proactivas del sistema, el módulo de predicción futura también utiliza algoritmos de aprendizaje automático para predecir problemas potenciales en función de las tendencias de datos pasadas y presentes.
API de Google Maps: Cuando se detecta una emergencia, el sistema envía una alerta con detalles completos sobre el suceso, incluido el tipo de emergencia, su ubicación (que incluye su dirección física y coordenadas geográficas) y su hora. Con el fin de proporcionar a los servicios de emergencia un seguimiento preciso de la posición, esta alerta se procesa mediante la conversión de direcciones físicas a coordenadas geográficas y viceversa utilizando la API de Google Maps.
Respuesta a emergencias: De acuerdo con la naturaleza de la alerta, el mecanismo de respuesta de emergencia notifica a los respondedores adecuados. A los servicios de emergencia más cercanos y cruciales, como hospitales, comisarías de policía, bomberos y contactos de emergencia, el módulo de enrutamiento de datos transmite la información de alerta. Utiliza la integración de Google Maps para brindar a estos respondedores el enfoque más simple para la ubicación de la emergencia, lo que permite tiempos de respuesta rápidos y efectivos.
Interfaz web: A través de la interfaz de usuario, los usuarios administran eficientemente los recursos, ven los datos de los sensores y supervisan las alertas. La página de inicio del portal ofrece enlaces a los portales específicos de diferentes servicios de emergencia, como los departamentos de policía, bomberos y hospitales, y proporciona a los usuarios acceso instantáneo a las alertas actuales de todas las categorías. Los servicios de emergencia también pueden ver los datos de los sensores en una página de datos de sensores, lo que les permite filtrar los datos en función de la hora y el usuario, en forma de tablas y gráficos.
Modelo de aprendizaje automático: Nuestro sistema enfatiza las respuestas de manera adecuada mediante el uso de un modelo de aprendizaje automático desarrollado para emergencias. Por ejemplo, se recopilan datos de temperatura, humedad y GSR para entrenar el modelo en caso de una emergencia médica. Los parámetros se separan en rangos de umbrales de riesgo, desde un riesgo muy bajo hasta ningún riesgo. En el modelo se utilizó el algoritmo XGBoost, que tiene una alta tasa de precisión en la identificación de diferentes niveles de riesgo.
En resumen, la metodología de la plataforma de Sistemas de Respuesta a Emergencias garantiza una respuesta precisa y oportuna a las situaciones. El sistema tiene como objetivo reducir los tiempos de respuesta y aumentar la eficiencia del servicio de emergencia mediante el modelado predictivo y el procesamiento de datos en tiempo real. Los socorristas pueden reducir los riesgos y salvar vidas con más éxito cuando se integra una interfaz intuitiva.
5. ANÁLISIS DE DATOS MEDIANTE MACHINE LEARNING
Optimización de los tiempos de respuesta en función de la prioridad: En un momento dado, pueden ocurrir múltiples emergencias simultáneamente. No es posible que los servicios de emergencia, ya sean médicos, bomberos o policías, respondan a cada emergencia de inmediato debido a los recursos o la mano de obra limitados. Por lo tanto, es necesario un método para priorizar las emergencias.Hemos desarrollado algoritmos de aprendizaje automático para cada una de las tres categorías de respuestas en función de los datos recopilados por cada tipo de sensor y los umbrales generales adecuados. Las tres categorías utilizan un enfoque similar. Para cada conjunto de datos, utilizamos una división de prueba de entrenamiento de 80:20. Después del entrenamiento, evaluamos cada modelo utilizando la exactitud, la precisión, el recuerdo y la puntuación F-1. Las ecuaciones para cada uno de estos se dan aquí. TP se refiere a True Positive, es decir, el modelo predijo el mismo valor que la verdadera clase i. TN es True Negative, donde el modelo predijo correctamente que el valor no es i. FP es Falso positivo, donde el modelo predijo erróneamente la clase i, mientras que FN es Falso negativo, donde tanto la predicción como el valor verdadero eran de una clase diferente a i.
(1)Unccuruncy=1n∑Yo=0n−1TPYo+TPYoTPYo+FPYo+TNYo+FNYo(2)PrecYosYoon=1n∑Yo=0n−1TPYoTPYo+FPYo(3)Recunll=1n∑Yo=0n−1TPYoTPYo+FNYo(4)F1Score=2(Recunll×PrecYosYoon)Recunll+PrecYosYoon
En este caso, nuestra clase i es un valor de prioridad que va de 1 a 5. Se describen más adelante. Los resultados se dan como la media de cada métrica en todas las clases.
5.1. Emergencia médica
Para desarrollar un modelo para clasificar la gravedad del peligro y la prioridad de la respuesta a la emergencia, recopilamos una serie de puntos de datos de nuestro dispositivo sensor médico. Los datos registrados incluían tres parámetros: temperatura, humedad y GSR (estrés).
Cada parámetro se dividió en umbrales para el nivel de riesgo. Por ejemplo, una temperatura superior a 40 °C representa un alto riesgo para la mayoría de las personas. Del mismo modo, un GSR por encima de 500 indica un alto nivel de estrés. Una combinación de estos factores podría conducir a un escenario más crítico en comparación con un solo factor que sea alto [46]. Anotamos manualmente los valores en función de la información existente sobre los riesgos para la salud. En lugar de utilizar un simple sistema basado en reglas, elegimos construir un modelo que pudiera tener en cuenta estos factores y también escenarios más complejos.
Dividimos nuestros resultados en cinco niveles de prioridad: sin riesgo, riesgo bajo, riesgo moderado, riesgo alto, riesgo muy alto, en función de factores compuestos.
Con el fin de clasificar el riesgo, utilizamos un modelo XGBoost [47], que determina automáticamente las mejores características y construye un árbol basado en él. Los hiperparámetros del modelo se muestran en la Tabla II. Utilizamos la búsqueda en cuadrícula en un rango de hiperparámetros, variando la profundidad máxima de 1 a 20 a intervalos de 2, la tasa de aprendizaje de 0,1 a 0,01 a intervalos de 0,01 y el número de estimadores de 100 a 300 a intervalos de 50 antes de determinar que estos eran los mejores.
Cuadro II. Hiperparámetros para el Modelo de Emergencia Médica.
| Hiperparámetro | Valor |
|---|---|
| Profundidad máxima del árbol | 3 |
| Tasa de aprendizaje | 0.3 |
| Número de estimadores | 100 |
La precisión del modelo fue del 96,1%, lo cual es muy preciso y más que efectivo para nuestros propósitos. La precisión promedio fue de 0.972, el recuerdo promedio fue de 0.976 y el puntaje F-1 promedio fue de 0.974. Los resultados por clase se dan en la matriz de confusión de la Fig. 5 a continuación.
También analizamos los pesos de cada una de las tres características de nuestro modelo final. Como se observa en la Figura 5, las tres variables tienen niveles similares de importancia. Por lo tanto, todos ellos influyen en el proceso de toma de decisiones del modelo y deben registrarse.
5.2. Emergencia del vehículo
Para emergencias vehiculares, utilizamos un modelo similar basado en la prioridad determinada por los valores provenientes del sensor. Separamos los parámetros en diferentes niveles de umbral y les asignamos prioridades que van de uno a cinco, anotando los datos manualmente. Para este modelo, utilizamos la temperatura, la lectura de GNC, la lectura de CO, el humo, la lectura MQ4, la lectura MQ135 y la lectura de llama como características.
Después de usar una búsqueda de cuadrícula similar a la descrita en la sección anterior, llegamos a los siguientes hiperparámetros para nuestro modelo. Para este modelo, un árbol un poco más profundo funcionó mejor. Los hiperparámetros del modelo se muestran en la Tabla III
Tabla III. Hiperparámetros para el modelo de emergencia del vehículo.
| Hiperparámetro | Valor |
|---|---|
| Profundidad máxima del árbol | 5 |
| Tasa de aprendizaje | 0.3 |
| Número de estimadores | 100 |
La precisión del modelo fue del 99,8%. La precisión promedio fue de 0.999, el recuerdo promedio fue de 0.970 y el puntaje F-1 promedio fue de 0.990. Los resultados por clase se dan en la matriz de confusión de la Figura 6 a continuación.
5.3. Emergencia en el hogar
Para emergencias en el hogar, el sensor y los puntos de datos son similares a los de las emergencias de vehículos. Utilizamos la temperatura, la concentración de gas GLP, la concentración de CO, el humo, la lectura de MQ4, la lectura de CO2 y la lectura de llama como características.
Siguiendo un proceso similar al de los dos modelos anteriores, obtenemos los siguientes hiperparámetros en la Tabla IV.
Cuadro IV. Hiperparámetros para el modelo de emergencia domiciliaria.
| Hiperparámetro | Valor |
|---|---|
| Profundidad máxima del árbol | 15 |
| Tasa de aprendizaje | 0.2 |
| Número de estimadores | 100 |
La precisión del modelo fue del 96,1%. La precisión promedio fue de 0.950, el recuerdo promedio fue de 0.960 y el puntaje promedio F-1 fue de 0.960. Los resultados por clase se dan en la matriz de confusión de la Figura 7 a continuación.
En esta etapa, observamos que, si bien nuestros modelos son muy precisos para predecir un nivel de prioridad determinado a partir de los datos de entrada de los sensores, los niveles de prioridad en sí mismos pueden no ser exactamente correctos. Por ejemplo, una lectura alta del sensor de GLP y humo no siempre indica que hay un incendio o algún otro tipo de emergencia. Más bien, utilizamos estos métodos para demostrar que podemos modelar eficazmente la prioridad de las respuestas a emergencias. Los datos y anotaciones adicionales pueden ayudar a acercar estos modelos a lo que sucede en emergencias reales.
6. IMPLEMENTACIÓN WEB
Interfaz de usuario: La interfaz de usuario de la plataforma de Servicios de Asistencia de Emergencia está diseñada como un sitio web adecuado para su uso tanto en dispositivos de escritorio como móviles. El sitio web está diseñado principalmente para que los proveedores de servicios de emergencia realicen un seguimiento de las emergencias entrantes, administren los recursos para responder y monitoreen el estado de las personas potencialmente en peligro.
Características principales: Las características principales de la plataforma web se dan en la Tabla V a continuación. Todas las características enumeradas están completas y disponibles para los usuarios y el personal de los servicios de emergencia.
Cuadro V. Características y categorías.
| Categoría | Característica |
|---|---|
| Gestión y Administración de Usuarios | Los usuarios pueden registrarse, iniciar sesión, verificar mediante correo electrónico y SMS, etc. Los usuarios normales, el personal del servicio de emergencia y los administradores están separados. |
| Base de datos | Base de datos NoSQL en Firebase con monitoreo de datos de usuarios, datos de sensores y alertas. Los puntos de conexión CRUD y API para obtener datos están disponibles. |
| Aprendizaje automático | Algoritmos predictivos para detectar incidentes peligrosos a partir de datos de sensores. |
| Mapeo y enrutamiento | Google Maps se utiliza para dirigir a los proveedores de servicios de emergencia al lugar de un incidente. Los mapas muestran la ubicación de un incidente y la ruta más rápida. |
La base de datos está estructurada de la siguiente manera. Al tratarse de una base de datos NoSQL, los datos se almacenan como documentos en lugar de en formato tabular. En la siguiente Tabla VI se enumeran las colecciones y se ofrece una muestra de cada documento.
Cuadro VI. Colecciones de bases de datos y campos.
| Colección | Campos en documentos |
|---|---|
| Usuarios | Nombre, correo electrónico, teléfono, ubicación de la dirección, dirección particular como texto, tipo de usuario |
| Home Sensor (subcolección para cada usuario) | Monóxido de carbono, Dióxido de carbono, Llama, GLP, MQ4, Humo, Temperatura, Tiempo |
| Sensor del vehículo (subcolección para cada usuario) | Monóxido de carbono, dióxido de carbono, llama, GLP, humo, temperatura, MQ4, tiempo. |
| Alertas | Dirección, ubicación de la dirección, fecha y hora, tipo de alerta. |
| Servicio de Urgencias | Dirección, ubicación de la dirección, tipo de respuesta (hospital, bomberos, policía) |
Al almacenar los datos en nuestra base de datos, utilizamos la API de mapas de Google para convertir la ubicación de una dirección física en una coordenada geográfica. Esto se hace en el caso de un usuario que registra su sensor doméstico. A la inversa, convertimos una coordenada geográfica en una ubicación física en el caso de una alerta, utilizando de nuevo la misma API. Al almacenar ambos en la base de datos siempre que sea posible, minimizamos la cantidad de cálculos y nos aseguramos de que toda la información necesaria para dirigir los servicios de emergencia a una emergencia esté disponible.
El sensor activa una alerta cuando los datos registrados de un sensor superan los umbrales seguros, lo que indica una posible amenaza para la vida. La alerta se registra en la base de datos y el mapa en la plataforma web se actualiza simultáneamente para reflejar la ruta desde la ubicación del Respondedor más cercana hasta la ubicación de la Emergencia.
La página de inicio del sitio web muestra las alertas más recientes de todos los tipos, como se muestra en la figura 8. Los botones en la parte inferior conducen al portal específico para diferentes tipos de servicios de emergencia. El ejemplo del Portal de Hospitales se muestra en la Figura 9. Los portales de Policía y Bomberos están dispuestos de manera similar.
Los usuarios individuales no pueden ver estas alertas. Sin embargo, pueden ver los datos recopilados por los sensores en sus hogares y automóviles. El personal de los servicios de emergencia también puede ver estos datos. Los datos del sensor también se muestran como una tabla en forma gráfica, como se ve en la Figura 10.
La efectividad de esta interfaz se probó consultándola al personal de emergencia. La acogida general fue positiva. Durante este proceso se destacaron características como la capacidad de obtener la ruta a una emergencia con solo presionar un botón.
7. ANÁLISIS DE SEGURIDAD Y PRIVACIDAD
Nuestro sistema de respuesta a emergencias basado en IoT desarrollado consta de tres componentes: botiquines para el hogar, el vehículo y la salud, cada uno responsable de recopilar datos críticos de sensores para el análisis y la toma de decisiones en tiempo real. Para el análisis en tiempo real, los datos se transfieren utilizando protocolos seguros como TCP y MQTT y se almacenan en una base de datos MySQL. En los niveles de almacenamiento y transmisión, el sistema utiliza sofisticados algoritmos de cifrado para mantener la integridad y confidencialidad de los datos. La protección con contraseña añade un grado adicional de seguridad al intercambio y almacenamiento de datos para la base de datos MySQL y el broker MQTT «Mosquitto». Al limitar el acceso del sistema a direcciones IP particulares, los mecanismos de seguridad se fortalecen aún más.
Para proteger la privacidad del usuario y proporcionar a los respondedores información precisa y oportuna, solo los datos necesarios del usuario se comparten con los servicios de emergencia en una situación de emergencia. En el futuro, hay planes para integrar el servicio de firewall de Google para mejorar el control de acceso basado en roles tanto para los administradores como para los usuarios del sistema, así como fortalecer los procedimientos de autenticación de usuarios mediante la autenticación de dos factores (2FA). El panel de control de ThingSpeak proporciona visualización de datos en tiempo real para la supervisión del estado, lo que también garantiza una supervisión continua y comprobaciones de la integridad de los datos, al tiempo que mejora la experiencia del usuario.
La detección temprana de ataques, como la denegación de servicio distribuido (DDoS) y la actividad de botnets, es posible gracias al uso de algoritmos de aprendizaje automático (ML) para identificar patrones anormales en la actividad de dispositivos y redes. El sistema pronostica los niveles de riesgo en escenarios de emergencia, como incidentes médicos o peligros del entorno, utilizando un algoritmo de aprendizaje automático basado en regresión. Para clasificar los niveles de riesgo, utiliza datos de sensores como la temperatura, la humedad y la respuesta galvánica de la piel. Al analizar grandes conjuntos de datos, se utiliza el algoritmo XGBoost por su gran precisión y eficiencia. El modelo pronostica la posibilidad de una emergencia, así como su intensidad. Su rendimiento mejora gradualmente como resultado de su aprendizaje continuo de nuevos datos. El sistema combina métodos de seguridad avanzados con sistemas de detección basados en el aprendizaje automático para garantizar una respuesta de emergencia rápida y precisa. Estas medidas de seguridad y privacidad garantizan la protección contra amenazas convencionales y emergentes, salvaguardando los datos de los usuarios y manteniendo la privacidad en escenarios de emergencia.
8. ANÁLISIS EXHAUSTIVO
En la Tabla VII se presenta un resumen del sistema integral propuesto, en comparación con trabajos anteriores. Muestra las características de nuestro sistema que mejoran los sistemas existentes en múltiples dominios: escalabilidad, rentabilidad, capacidades predictivas, procesamiento de datos en tiempo real, integración de datos, interfaz de usuario, mapeo y enrutamiento, priorización de respuestas a emergencias y seguridad.
Cuadro VII. Comparación de nuestro sistema con obras existentes.
| Parámetros | NUESTRO DISEÑO | Otras obras |
|---|---|---|
| Escalabilidad | Utiliza Firebase NoSQL para el almacenamiento de datos escalable Maneja grandes volúmenes de datos de sensores diversos de manera efectiva | El enfoque de gestión de tráfico de Radi et al. [11] utiliza la comunicación V2V y V2I, que puede ser escalable, pero se limita a las aplicaciones de tráfico. |
| Tecno-económico | Sensores rentables para vehículos, hogares y salud. Aprovecha la infraestructura existente (API de Google Maps) | Kulbuzhev y Dhakshyani proponen un sistema de hogar inteligente IoT de bajo costo con monitoreo de IA que se centra en la automatización del hogar [20]. Park [35] falla en la gestión de diferentes dominios; En su lugar, emplea el aprendizaje automático para las previsiones de consumo de energía en el hogar inteligente. |
| Predicción futura | Modelo XGBoost con ajuste de hiperparámetros (Profundidad máxima: 3, Tasa de aprendizaje: 0,1, Estimadores: 100). Precisión del 96,1 % | Megnidio-Tchoukouegno y Adedeji [10] utilizan un algoritmo de árbol de decisión para la predicción de la gravedad de los accidentes de tráfico, limitada a contextos de tráfico. |
| Procesamiento de datos en tiempo real | NodeRed y Laravel para el enrutamiento y procesamiento de datos. Detección de anomalías en tiempo real y generación de alertas | Wu et al.[12] implementan el aprendizaje profundo para el monitoreo de la salud en tiempo real de IoT, con un enfoque solo en la atención médica. Tahat et al. [22] utilizan LoRa IoT para el monitoreo de la salud estructural en tiempo real, aplicable a la infraestructura pero no integrado con otros dominios. |
| Integración de datos | Integra los datos de los sensores del vehículo, del hogar y de la salud. Servidor central en la nube para la agregación y el análisis de datos | Jaihar et al.[34] desarrollaron un sistema de IoT que responde a las emociones y comportamientos de los usuarios para la automatización del hogar, que no cubre múltiples dominios. Reddy et al. [32] se centran en la IA y la automatización del hogar integrada en IoT, sin integración de datos de vehículos y salud. |
| Interfaz de usuario | Interfaz web para el personal de emergencias. Muestra alertas, datos de sensores y rutas en tiempo real | Stolojescu-Crisan et al. [32] crearon una aplicación de teléfono inteligente para el control de electrodomésticos, que carecía de una integración completa de datos de emergencia. |
| Mapeo y enrutamiento | API de Google Maps para convertir direcciones y coordenadas. Proporciona la ruta más rápida al lugar de emergencia | Assi et al.[15] utilizan tecnologías de mapeo para predecir la gravedad de las lesiones por choques, no integradas con una respuesta integral a emergencias. |
| Seguridad y privacidad | Transmisión segura de datos al servidor central. Datos de usuario almacenados en base de datos NoSQL con control de acceso | Umer et al.[33] utilizan blockchain para la identificación segura y descentralizada de dispositivos IoT, lo que añade complejidad al sistema. |
9. Retos y trabajo futuro
Desafíos: A continuación se muestra la lista de las dificultades que encontramos al desarrollar la Plataforma de Servicios de Asistencia de Emergencia basada en IoT.
- •Complejidad de la integración: Hacer un sistema integral con muchos problemas de integración. La integración de los datos de los sensores de los dispositivos sanitarios, del vehículo y del hogar se interrumpe a veces, pero es necesaria para garantizar una conexión ininterrumpida y la interoperabilidad entre varios dispositivos.
- •Privacidad y seguridad de los datos: Cuando se manejan datos confidenciales de tres dispositivos diferentes, surgen riesgos significativos para la privacidad del hogar, el vehículo y la salud. Proteger los datos contra el acceso no autorizado y las violaciones es necesario durante la transmisión y el almacenamiento, pero es un desafío.
- •Rendimiento del modelo predictivo: En la detección de errores en tiempo real y el análisis predictivo, es un desafío desarrollar modelos de aprendizaje automático altamente precisos y confiables. Mantener una alta precisión y bajos retrasos conlleva una serie de desafíos, como el sobreajuste, la diversidad de datos y los gastos informáticos.
- •Procesamiento en tiempo real: Los requisitos técnicos incluyen el procesamiento de datos en tiempo real para el análisis con el fin de lograr una detección y respuesta rápidas a emergencias. Se requiere una optimización completa para el procesamiento y la comunicación de baja latencia en contextos con recursos limitados.
- •Adopción por parte de los usuarios: Su capacidad para servir tanto a los consumidores como al personal de emergencia es uno de los criterios que deben cumplirse para una integración exitosa. Su usabilidad mejorará si los problemas de una persona han sido resueltos y se le ofrece seguridad antes de que la acepte.
Trabajo futuro: Nos encontramos con dificultades, aunque nuestro proyecto Estamos decididos a utilizar las iniciativas futuras para abordar a fondo los problemas a medida que avanzamos.
- •Integración de sensores adicionales: La capacidad del sistema para rastrear diferentes variables se mejorará a través de una gama más amplia de dispositivos sensores si se amplía el sistema. Esto incluye la creación de estándares de interfaz y API para permitir la transferencia de datos y la compatibilidad.
- •Blockchain para la seguridad: La implementación de la tecnología blockchain puede mejorar la seguridad porque permite un seguimiento transparente de todas las transacciones de datos y preserva la originalidad de los datos, al tiempo que protege la información confidencial del malware o el acceso externo. Como resultado, el sistema se vuelve más confiable.
- •Mejoras en el procesamiento de datos en tiempo real: La arquitectura de procesamiento de datos en tiempo real mejoraría los tiempos de detección y respuesta a emergencias, así como la precisión, al tiempo que reduciría la latencia. Para reducir la dependencia de los servidores centrales y mejorar el rendimiento en contextos con recursos limitados, se podrían emplear enfoques de computación periférica para acercar el procesamiento a la fuente de datos.
- •Pruebas de campo e implementación exhaustivas: Después de realizar pruebas de campo exhaustivas e implementación en el mundo real, evaluamos el sistema Antes de que podamos comenzar a implementar nuestro modelo, deberemos determinar si es lo suficientemente preciso. Estos datos nos proporcionarán la información que necesitamos para refinar aún más el área especificada.
10. CONCLUSIÓN
La integración de las tecnologías IoT, machine learning y web en los sistemas de respuesta a emergencias significa un enfoque transformador para la gestión de crisis. Para priorizar las emergencias hemos utilizado el modelo XG Boost. La exactitud, la precisión, el recuerdo promedio y la puntuación F-1 promedio fueron 96.1%, -99.8%, 0.972-0.999, 0.960-0.976 y 0.990-0.960 respectivamente para dispositivos médicos, vehiculares y domésticos. Nuestro marco propuesto basado en ML mejora el procesamiento de datos en tiempo real, la detección rápida de anomalías y el análisis predictivo, proporcionando respuestas oportunas y precisas a las emergencias. La implementación web garantiza la escalabilidad y una amplia accesibilidad, lo que facilita la interacción dinámica y el monitoreo en tiempo real a través de interfaces fáciles de usar. Al permitir tanto la reacción inmediata como la previsión de eventos futuros, este sistema fortalece la planificación estratégica y la resiliencia de la comunidad. La adopción de este enfoque avanzado marca un avance crítico hacia un paradigma proactivo y basado en datos en la preparación y respuesta ante emergencias.
