Rumbos tecnológicos
Universidad Tecnológica Nacional - Facultad Regional Avellaneda - Secretaría de Ciencia, Tecnología y Posgrado

Fusión de datos de sensores en hogares inteligentes para adultos mayores

71 Visitas

Fusión de datos de sensores en hogares inteligentes para adultos mayores
Rumbos Tecnológicos 10 • Octubre 2018 – Septiembre 2019

Fecha de Recepción: 31 de Mayo de 2018 / Fecha de Aceptación:  28 de Junio de 2018

Ing. Darío Weitz, Pablo Cassata, Lucas Matías Quartara*
Universidad Tecnológica Nacional, Facultad Regional Rosario, Zeballos 1341, CP 2000, Rosario, Provincia de Santa Fe, Argentina.

*Autor a quien se debe dirigir la correspondencia: lucas.quartara@gmail.com

Descargad pdf

Resumen

En la actualidad un número creciente de adultos mayores viven solos en sus residencias habituales a pesar de los riesgos que ello implica. Las tecnologías incluidas en los Hogares Inteligentes pueden ser adaptadas a las necesidades de las personas mayores con el objetivo de mejorar su calidad de vida. Se presenta un sistema de recolección, procesamiento y visualización de datos correspondientes a las Actividades de la Vida Diaria (AVD) de un adulto mayor que habita en un departamento en la zona centro de la localidad de Rosario, Santa Fe. El sistema propuesto incluye una arquitectura de tres capas: capa de percepción, capa de red y capa de aplicación. Los datos recolectados por los sensores son almacenados en una base de datos para luego pasar por el proceso de fusión de datos. Se adopta una arquitectura de fusión centralizada y la identificación de las actividades se realiza mediante un sistema experto. El sistema propuesto permite monitorear las AVD de un adulto mayor y detectar cambios funcionales para actuar como sistema de alerta temprana ante eventuales signos de deterioro físico o cognitivo.
Palabras claves: Sensores, Fusión de Datos, Tecnologías de Monitoreo y Asistencia Remota, Hogares Inteligentes.

Abstract

Currently, a growing number of elderly people live alone in their habitual residences despite the risks involved. Smart Homes technologies can be adapted to the needs of the elderly in order to improve their quality of life. A system for data collection, processing and visualization corresponding to the Activities of Daily Living (ADL) of an elderly person living in a flat in downtown Rosario, Santa Fe, is presented. The proposed system includes a three-layer architecture: perception layer, network layer and application layer. Data collected by sensors are stored in a database and then go through the data fusion process. A centralized fusion architecture is adopted and the identification of the activities is carried out by means of an expert system. The proposed system allows monitoring the ADL of an older adult in order to detect functional changes, so to act as an early warning system for eventual signs of physical or cognitive deterioration.
Key-words: Sensors, Data fusion, Telemonitoring and Home Support Systems, Smart Homes

Introducción

Los adultos mayores constituyen el grupo de la población humana que supera los 70 años de edad. El envejecimiento inevitablemente resulta en la disminución de la agudeza sensorial (vista, audición, olfato, etc.), menor resistencia y fuerza muscular, inconvenientes en la movilidad, disminución de la claridad mental y alteraciones en la estabilidad.
A pesar de los inconvenientes previamente indicados, un número significativo de adultos mayores prefiere vivir de manera privada e independiente. La familiaridad con la zona de residencia, el poder manipular el ambiente a necesidades y preferencias, la sensación de autonomía e independencia y la seguridad que brinda un ambiente familiar se traduce en que los adultos mayores tratan de extender lo máximo posible la estadía en aquellos lugares donde han vivido por muchos años. El concepto se denomina “envejecimiento en el lugar” e implica un ambiente confortable, sensación de familiaridad y seguridad, vecindario con gente conocida para interactuar, unido a un cierto sentido de autonomía e independencia.
Los denominados Hogares Inteligentes (Smart Homes) son viviendas que, a través de software, hardware y la integración tecnológica entre ellos, permiten monitorear las actividades de los residentes. Mediante técnicas de inteligencia artificial se busca ahorrar energía, mejorar el confort, la seguridad y la calidad de vida de los habitantes del hogar.
Las tecnologías incluidas en los Hogares Inteligentes pueden ser adaptadas a las necesidades de personas mayores con el objetivo de mejorar su calidad de vida. Se procura monitorear el comportamiento a través de la información obtenida mediante una red de sensores inalámbricos ubicados de manera ubicua en el hogar. Cuando se detectan cambios en las conductas habituales del individuo, se envía una alerta al personal a cargo de atender de manera remota al adulto mayor.
La tecnología permite detectar cambios funcionales para actuar como sistema de alerta temprana y así prevenir la ocurrencia futura de un evento severo de salud. Las Actividades de la Vida Diaria (AVD) son parámetros que se utilizan para estimar el nivel de autonomía e independencia de un individuo. Son aquellas tareas que el ser humano realiza de forma cotidiana, y cuya no realización supone mayor o menor grado de discapacidad (pérdida de funcionalidad) lo que le lleva a depender de terceras personas. Numerosos profesionales del área salud consideran que la identificación de cambios en las AVD es una de las maneras para detectar la aparición de enfermedades en sus primeras fases.
En este trabajo se propone el desarrollo de un sistema de recolección, procesamiento y visualización de datos correspondientes a las AVD de un adulto mayor que habita en un departamento en la zona centro de la localidad de Rosario. Los datos se  obtienen a partir de sensores ubicados convenientemente en el departamento, los que una vez acondicionados y procesados se almacenan en una base de datos para su posterior análisis.
La base de datos se encuentra alojada en un servidor web remoto, lo que permite que la red de sensores esté constantemente enviando mediciones sin importar el espacio de memoria que ocuparán los datos. Además, al tener los datos en un servidor remoto, brinda seguridad respecto a la integridad y permanencia de los datos ya que el servidor siempre va a estar en línea y funcionando, a diferencia de un servidor local, el cual requiere un mantenimiento constante.
Se utiliza la técnica de fusión de datos para acondicionar la información provista por los sensores para ulteriormente determinar las AVD que caracterizan la conducta de la persona sujeta a observación.
Por último, se presentan resultados y gráficos de la información recopilada a lo largo del tiempo que podría ser utilizada por profesionales del área salud para obtener conclusiones sobre el comportamiento del individuo monitoreado de manera ubicua. El proyecto asume la implementación de tecnologías simples, económicas, de bajo consumo, fácil instalación y mantenimiento.

Metodología

Se instaló una red de sensores inalámbricos en el interior de un departamento ubicado en el centro de la ciudad de Rosario. Dicha red está formada por numerosos dispositivos autónomos distribuidos espacialmente, consistentes en transductores que miden la variable de interés (movimiento, sonido, temperatura, humedad, luz, etc.) y de transceptores que comunican la información recolectada. La Tabla 1 describe las características principales de los sensores utilizados en la red.

Tabla 1. Características de los sensores de la red

Tabla 1. Características de los sensores de la red

La información recolectada por los sensores se transmite a través de módulos ESP8266 hacia una placa Arduino UNO. Esta placa está basada en un micro-controlador con tecnología WiFi que permite conexión a una red de Internet para enviar las mediciones a una base de datos situada en un servidor remoto. La Tabla 2 describe los dispositivos adicionales utilizados en la red.

Tabla 2. Características de dispositivos adicionales de la red

Tabla 2. Características de dispositivos adicionales de la red

Para diseñar el sistema de monitoreo se utilizó una arquitectura de tres capas; la primera capa se denomina capa de percepción y está compuesta por los sensores encargados de captar y recolectar información de la vivienda. Los mismos se encuentran conectados mediante una topología malla y se comunican mediante el protocolo ZigBee (IEEE 802.15.4). La capa intermedia se
denomina capa de red y está conformada por un servidor y un router. El servidor recibe los datos provistos por los sensores y los almacena en una base de datos donde son procesados mediante modelos entrenados para detectar cambios en la frecuencia o duración de las AVD o para la detección de patrones anómalos. La tercera capa, denominada capa de aplicación, resume la información procesada y se la comunica al usuario o al servicio de monitoreo remoto a través de distintos dispositivos. La Figura 1 muestra la arquitectura de tres capas previamente descripta.

Figura 1. Arquitectura del sistema

Figura 1. Arquitectura del sistema

Una base de datos remota almacena las mediciones obtenidas del entorno, las cuales son integradas utilizando técnicas de fusión de datos. Dicha técnica consiste en la combinación de datos de distintos sensores para conseguir una mejor precisión e inferencias más específicas de las que se pueden obtener con un solo sensor. Las técnicas, métodos y algoritmos de fusión pueden aplicarse a los datos de entrada de forma centralizada o distribuida. En esta ocasión se utilizó la forma centralizada, donde todos los datos de las fuentes son recibidos en un único nodo donde se produce la asociación, estimación o fusión de decisiones.
La Figura 2 muestra la vivienda donde se desarrolló el proyecto. La propiedad está ubicada en la ciudad de Rosario y está constituida por un dormitorio, baño, balcón, cocina y living comedor.
La superficie total es de aproximadamente 55m2. La imagen refleja la distribución de los sensores mencionados, identificando a cada uno de ellos con un número. Esta distribución de sensores permite detectar las variables de interés bajo estudio.

Figura 2. Distribución de sensores

Figura 2. Distribución de sensores

1. Sensor de temperatura y humedad.
2. Sensor de movimiento.
3. Detector de humo.
4. Sensor de luminosidad.
5. Sensor de sonido.

En la cocina se instalaron sensores de temperatura, de humo y de luminosidad, en el comedor de movimiento, luminosidad y sonido. En el baño se instalaron sensores de temperatura y humedad, de movimiento y de luminosidad. Por último, en el dormitorio se instalaron sensores de temperatura y movimiento. La red de sensores incluye una batería para que el sistema pueda funcionar por un tiempo ante un eventual corte de energía eléctrica en el hogar. También se le agregó una tarjeta de
memoria para que se pueda utilizar de respaldo, para registrar las mediciones cuando las mismas no se pueden enviar al servidor remoto por problemas en la conexión a Internet.

Almacenamiento de datos

Los datos recolectados por los sensores son almacenados en una base de datos para luego pasar por el proceso de fusión de datos. La gestión de base de datos es un punto clave dada la gran cantidad de datos que se manejan durante el proceso.
La base de datos se conforma de varias tablas y relaciones tal como indica la Figura 3.

Figura 3. Diagrama de la base de datos

Figura 3. Diagrama de la base de datos

La tabla más importante de la base de datos es la de nombre “Mediciones”, la cual aloja todas las medidas que efectúan los sensores en los distintos momentos del día, relacionando un sensor, un ambiente donde está ubicado el sensor, y un valor que es la medida de ese sensor en ese momento en ese lugar.

Fusión de Datos

Hall & Llinas (1997) definen la fusión de datos como “Un proceso de combinación de datos de distintos sensores para conseguir una mejor precisión e inferencias más específicas de las que se pueden obtener con solo un sensor”.
Existe una amplia gama de métodos, técnicas y algoritmos para realizar fusión de datos de sensores. Sin embargo, a pesar del gran número de técnicas existentes, éstas no están exentas de problemas; por lo tanto, la elección de la técnica apropiada depende en gran medida del tipo de problema a resolver y del cumplimiento de las precondiciones que establecen cada una de ellas.
Una de las principales decisiones que se deben tomar en los sistemas de fusión de datos es dónde realizar la fusión de la información y dependiendo de cómo se realice el proceso de fusión, las arquitecturas de los sistemas suelen variar. Nuestro proyecto utiliza la denominada “Arquitectura de fusión centralizada” teniendo en cuenta la red de sensores instalada y la forma en que se centralizan los datos.
En una arquitectura centralizada, la unidad de fusión de datos se localiza en el procesador central que obtiene toda la información de las distintas fuentes. Por tanto, todos los procesos se ejecutan en el procesador central a partir de los datos reales proporcionados por los sensores. En este contexto, datos reales se refiere a los datos tal cual son obtenidos de los sensores sin que se les realice modificación alguna. Las fuentes de datos (sensores) solo se encargan de obtener los datos en bruto y transmitirlos sin ninguna modificación al procesador central donde se ejecuta el proceso de fusión. En el esquema de fusión centralizada de la Figura 4 se observa como cada uno de los sensores obtienen la información del entorno. A continuación, la transmiten a través de la red a una base de datos donde se almacena dicha información individual por sensor para que luego el nodo de fusión, mediante la unidad de proceso, se encargue de realizar el alineamiento de los datos, su posterior asociación y la estimación. Finalmente, se obtiene como resultado, la fusión del estado estimado del objeto. El enfoque centralizado es teóricamente el óptimo para fusionar datos, asumiendo que la alineación y la asociación se llevan a cabo de forma correcta y que el tiempo para transmitir los datos es despreciable.
Uno de los problemas de este enfoque es que la transmisión por la red de la información en bruto obtenida por los sensores requiere una continua conexión entre los sensores y el procesador de los datos. Para tratar de reducir el nivel de pérdida de información, lo que se hace es almacenar la información en bruto de los sensores en una base de datos para que luego sean procesados desde ahí por el procesador central.
También el almacenamiento de la información en una base de datos permite solucionar el inconveniente generado por la variabilidad en los tiempos de propagación de los datos de cada sensor.
De esta manera, se evita que esa diferencia en el retardo de la llegada de las medidas afecte a la arquitectura de fusión centralizada.

Figura 4. Arquitectura de fusión centralizada

Figura 4. Arquitectura de fusión centralizada

Existen numerosas técnicas y métodos que realizan la fusión de datos basándose en una arquitectura centralizada. El objetivo de estos métodos es realizar una inferencia de alto nivel sobre las actividades y los eventos que se producen entre los objetivos detectados.
Los métodos o algoritmos más utilizados para realizar fusión de datos sobre los objetivos o eventos percibidos pueden dividirse en tres grupos:
1. Métodos de estimación: Es uno de los métodos de fusión más simples e intuitivos. Se toma el promedio ponderado de información que proviene de un grupo de sensores y se usa como el valor de la fusión. Este método permite un procesamiento en tiempo real de los datos en bajo nivel.
2. Métodos probabilísticos o de inferencia: La fusión de información basada en la inferencia Bayesiana proporciona un formalismo para combinar evidencia de acuerdo a las reglas de la teoría de probabilidades. La incertidumbre es representada en términos de probabilidades condicionales que describen las creencias en una hipótesis dada y que pueden tener valores en el intervalo [0,1] donde 0 indica falta total de creencia y 1 creencia absoluta. Algunos métodos de inferencia son la Inferencia Bayesiana, redes Bayesianas e inferencia Dempster-Shafer.
3. Métodos basados en técnicas de inteligencia artificial (IA): Se utilizan cuando las inferencias de alto nivel requieren razonamiento humano tales como reconocimiento de patrones, planeación, deducción y aprendizaje. Se suelen utilizar procesos de inferencias de sistemas expertos que comienzan con un grupo de datos iniciales (datos a priori) y unas reglas básicas. Las redes neuronales y lógica difusa son ejemplo de este tipo de métodos, como también los métodos de razonamiento abductivo y fusión semántica.
Para la fusión de datos de sensores en el Hogar Inteligente se optó por métodos basados en técnicas de inteligencia artificial, y entre los mismos se optó por técnicas de sistemas expertos. Un sistema experto es un sistema diseñado para actuar como un experto humano en un dominio particular o área de conocimiento. En tal sentido, pueden considerarse como intermediarios entre
el experto humano, que transmite su conocimiento al sistema, y el usuario que lo utiliza para resolver un problema con la eficacia del experto. El sistema experto utilizará para ello el conocimiento que tenga almacenado y diversos métodos de inferencia.
Un sistema experto está constituido por tres componentes estructurales básicos:
• Base de hechos: contiene el conocimiento declarativo sobre el problema particular que se intenta resolver
• Base de conocimiento: contiene el conocimiento específico y procedimental acerca de la clase de problemas en los que el sistema es experto
• Motor de inferencia: controla al resto del sistema en sus funciones deductivas.
En la Figura 5 se puede observar cómo interactúan los diferentes componentes de un sistema experto.

Figura 5. Componentes de un sistema experto

Figura 5. Componentes de un sistema experto

Para nuestro trabajo, la base de hechos se compone de las distintas mediciones de los sensores en los tiempos de muestreo y se representan como datos de entrada. La base de conocimiento contiene las reglas que evalúan los datos de entrada y permiten identificar las distintas actividades de la persona que habita la vivienda. El motor de inferencia es el encargado de seleccionar las reglas de acuerdo a la base de hechos para satisfacer el problema en cuestión. En este caso, nuestro problema es determinar las AVD que está realizando el individuo monitoreado en un determinado momento y en un determinado ambiente del hogar. Nuestro motor de inferencia está compuesto por procesos almacenados en la base de datos que analizan los datos y nos otorgan una respuesta de la situación del individuo. Para el armado de dichos procesos almacenados utilizamos estrategias de control sistemáticas, las cuales son programas de control realizados de forma algorítmica que aplican una heurística de propósito general cuya función es una exploración exhaustiva y metódica de la base de conocimientos.
Las reglas de la base de conocimiento se aplican sobre la base de hechos y el motor de inferencia gobierna estos procedimientos y aplicaciones y efectúa el proceso de encontrar una regla que satisfaga alguna condición predefinida. Las reglas de la base de conocimiento son pares ordenados (A, B). Los mismos reciben diferentes denominaciones: antecedente y consecuente; condición y acción; o premisa y conclusión. Su formalización lógica es la de sentencias condicionales A→B.
Como ejemplo del uso de las reglas podemos citar el procedimiento básico para detectar si el individuo se está duchando en el baño. Anteriormente se mencionaron los distintos sensores que se instalaron en el baño (Temperatura y Humedad,  Movimiento, Luminosidad), y teniendo en cuenta las mediciones de los tres sensores al mismo tiempo podemos enunciar una de las reglas utilizadas para dicho propósito:
1. Si la fecha del día corresponde a alguna de las estaciones Otoño-Invierno y el momento del día es parte de la tarde-noche, y si el sensor de luminosidad marca que efectivamente se detecta luz, y si el sensor de movimiento detecta movimiento y si el sensor de humedad indica más de 90% de humedad relativa y si el sensor de temperatura del baño indica más de 25°C, entonces la persona se está duchando”.
La regla de la base de conocimiento formalizada se enuncia de la siguiente manera:

Fórmula

Donde cada letra representa a una variable de la regla que debe cumplirse según las equivalencias lógicas para obtener como resultado que la persona se está duchando.
De manera equivalente a la regla anterior, se definieron otras reglas para cada uno de los ambientes, para saber si la persona en cierto momento se encuentra realizando alguna AVD. Teniendo en cuenta que solo una persona mayor vive en el departamento y se maneja de forma independiente, la fusión de datos de los sensores permite monitorear de manera ubica ciertas actividades que realiza el residente de la vivienda.

Resultados y discusión

La red de sensores inalámbricos fue ensayada mediante su instalación en la residencia previamente descripta en la sección Metodología. El objetivo fue evaluar el funcionamiento de la misma y su utilización para la detección de eventos y actividades domésticas. La Figura 6 muestra el registro de temperatura y humedad en el interior del baño del departamento monitoreado en un día particular. Fusionando esa información junto a la provista por el sensor de luminosidad del baño, la regla correspondiente permite detectar la realización de la AVD tomar una ducha.

Figura 6. Temperatura y humedad en el baño

Figura 6. Temperatura y humedad en el baño

A partir de la información recolectada y procesada durante tres meses, se puede establecer el porcentaje de los horarios en que la persona monitoreada suele ducharse. La figura 7 muestra que el horario nocturno comprende el 75% de los horarios de la actividad, y en particular el horario 20 a 22 representa el 61% del total.

Figura 7. Porcentaje de horarios de ducha

Figura 7. Porcentaje de horarios de ducha

Un elemento importante para el reconocimiento de las actividades diarias consiste en establecer los hábitos del morador de la residencia. En tal sentido, la información aportada por el sistema permite graficar los valores promedios de la ocupación de los diferentes ambientes en períodos de dos horas (Figura 8). El eje de abscisas muestra las horas del día en intervalos de dos horas.
El eje de ordenadas muestra el porcentaje de ocupación en el rango 0-100%. Naturalmente, en horario nocturno sobresale la utilización del dormitorio junto al empleo del baño. A lo largo del día, los ambientes más ocupados son la cocina y el living. En diferentes momentos, el residente sale al exterior para paseo o compras.

Figura 8. Ocupación de los ambientes de la vivienda

Figura 8. Ocupación de los ambientes de la vivienda

Gráficas como las de la Figura 8 funcionan como información para establecer cómo distribuye sus AVD el individuo dentro de los ambientes del hogar en un día normal y en que horarios abandona la vivienda para realizar actividades en el exterior. Se puede obtener información de mayor calidad al graficar la distribución de las AVD durante un período de días consecutivos. La identificación de cambios en este tipo de actividades es uno de los mejores modos para detectar la aparición de enfermedades en sus primeras fases. Los cambios en la frecuencia o duración de las AVD son considerados importantes indicadores de trastornos físicos o cognitivos.
La Figura 9 muestra el porcentaje de ocupación de los distintos ambientes (incluyendo salida al exterior) para quince días consecutivos teniendo en cuenta las reglas aplicadas para cada ambiente. El eje de abscisas muestra los quince días que se tuvieron en cuenta para efectuar la gráfica. El eje de ordenadas muestra el porcentaje de ocupación de cada ambiente en el rango 0-100%. Como ejemplo, en los días trece y catorce se observa una menor ocupación del dormitorio y mayor ocupación del baño. Si esta tendencia se prolongara de manera creciente durante varios días, podría indicar un posible deterioro en la condición física o cognitiva que justificaría la intervención del profesional de la salud asociado. Solo se muestran quince días por una cuestión de claridad de visualización de la gráfica.

Figura 9. Ocupación de los ambientes de la vivienda durante 15 días

Figura 9. Ocupación de los ambientes de la vivienda durante 15 días

Conclusiones

Cada vez son más los adultos mayores que prefieren vivir solos en sus hogares a pesar de los riesgos y peligros que este modo de vida implica. Es una tendencia creciente en un mundo donde la esperanza de vida aumenta año tras año.
Los hogares inteligentes proveen una alternativa factible, segura, relativamente económica y confiable para la protección y asistencia de personas vulnerables que han elegido ese modo de vida.
Se ha desarrollado un sistema para el monitoreo de una vivienda utilizando tecnología de bajo costo y pequeñas dimensiones, instalación sencilla, confiable y flexible que permite monitorear las AVD de un adulto mayor y detectar cambios funcionales para actuar como sistema de alerta temprana ante eventuales signos de deterioro físico o cognitivo.
El sistema utiliza la técnica de fusión de datos para combinar la información obtenida de varios sensores y así tomar una mejor decisión comparada con la que se obtiene con la información de un solo sensor. Esta técnica tiene numerosas ventajas que se adaptan a problemas complejos como el de monitorear las AVD de un adulto mayor tal como se planteó en este proyecto. Algunas de dichas ventajas son:
1. Al existir varios sensores por ambiente, un sensor puede aportar información cuando los otros no están operativos o parcialmente operativos.
2. La fusión de los datos de los sensores distribuidos en los ambientes da una mejor resolución que uno solo de ellos.
3. Un sensor puede obtener información cuando otros no lo pueden hacer en ese momento.
4. Una correcta fusión de datos puede confirmar la veracidad de una información, dada la inherente redundancia de los datos de los sensores.
5. Una correcta fusión de datos facilita la detección de un suceso, gracias a la redundancia de los datos de los sensores.
El sistema almacena la información en una base de datos ubicada en un servidor remoto por lo que no implica gastos extras en hardware del hogar ni licencias o mantenimiento y el mismo es accesible desde cualquier ubicación en cualquier momento.
El objetivo del sistema es mejorar la calidad de vida de los adultos mayores que viven de forma independiente tratando de prevenir problemas o agravamiento en la salud. De la misma forma, consideramos que el proyecto es sumamente beneficioso para sus familiares ya que facilita el monitoreo y la asistencia remota de personas con vulnerabilidad.

Referencias

DING, D., COOPER, R.A., PASQUINA, P.F., FICI-PASQUINA, L. (2011). “Sensor technology for smart homes”, Maturitas, 69, pp. 131-136.
COOK, D.J., DAS, S.K. (2007). “How Smart are our Environments? An Updated Look at the State of the Art”, Journal Pervasive and Mobile Computing, Volume 3 Issue 2, pp. 53-73.
KATZ, S., FORD, A.B., MOSKOWITZ, R.W., JACKSON, B.A., JAFFE, M.W. (1963). “Studies of illness in the aged: the index of ADL, a standardized measure of biological and psychosocial function”, pp. 914-919, JAMA.
HORGAS, A., WILMS, H., BALTES, M. (1998). “Daily life in very old age, Everyday activities as expression of successful aging”, The Gerontologist, 38(5), pp. 556-567.
HALL, D. L., & LLINAS, J. (1997). “An introduction to multisensor data fusion”. Proceedings of the IEEE, 85(1), pp. 6-23.
DEMPSTER, A. (1968). “A Generalization of Bayesian Inference”. Journal of the Royal Statistical Society. Series B (Methodological), 30(2), pp. 205-247.
ZADEH, L.A. (1978). “Fuzzy sets as a basis for theory of possibility”, Fuzzy Set Systems, pp. 3–28.
PEARL, J. (1988). “Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference”. San Mateo, CA: Morgan Kaufmann.
SHAFER, G. (1976). “A Mathematical Theory of Evidence”. Princeton, NJ: Princeton University Press.
HEATON, J. (2008). “Introduction to Neural Networks for Java”, 2nd Edition, USA: Heaton Research Inc.
SAMPER MÁRQUEZ, J.J. “Sistemas expertos. Del conocimiento al poder” (2007) [en línea] Colombia: Medellín, Antioquia. Disponible en: http://www.geocities.ws/onelysalasp/sahwct/investigacion_en_internet/SE07.html (fecha de acceso 19 de Agosto de 2017).
Arduino, (2017) [en línea] Portal de la organización Arduino. Disponible en: https://www.arduino.cc/(fecha de acceso 4 de Noviembre de 2017).
Arduino UNO Rev3 (2017) [en línea] Portal de placas Arduino. Disponible en: https://store.arduino.cc/usa/arduino-uno-rev3 (fecha de acceso 4 de noviembre de 2017).
ZIGBEE® WIRELESS STANDARD (2017) [en línea] Portal de tecnología Zigbee. Disponible en: https://www.digi.com/resources/standards-and-technologies/rfmodems/zigbee-wireless-standard (fecha de acceso 14 de abril de 2017).
IEEE 802.15 (2017) [en línea] Portal de redes de especialidades inalámbricas IEEE. Disponible en: http://www.ieee802.org/15/ (fecha de acceso 14 de Agosto de 2017).

Comments are closed.