VSAC: um framework de compressão adaptativa para dados de saúde em cidades inteligentes

A crescente adoção de dispositivos vestíveis e de tecnologias digitais aplicadas à saúde tem reforçado a demanda por mecanismos eficientes de transmissão e armazenamento de dados fisiológicos em sistemas de monitoramento em larga escala. Nesse contexto, um dos principais desafios está na capacidade de gerenciar grandes volumes de dados dos sinais vitais — como frequência cardíaca, frequência respiratória, temperatura corporal e pressão arterial — gerados continuamente por dispositivos heterogêneos, garantindo a integridade clínica, baixa latência e o uso otimizado da rede. As soluções atuais frequentemente tratam as técnicas de compressão de forma isolada e carecem de mecanismos adaptativos que respondam às condições clínicas de cada indivíduo monitorado. Esta pesquisa busca preencher essa lacuna por meio de uma abordagem integrada e sensível ao contexto para a compressão de dados vitais em infraestruturas de cidades inteligentes. O objetivo deste estudo foi desenvolver e validar o framework VSAC (Vital Sign Adaptive Compressor), um framework de compressão adaptativa para a transmissão de sinais fisiológicos, combinando técnicas de compressão com e sem perdas. O framework foi projetado para ajustar dinamicamente seus parâmetros de compressão com base no tipo de sinal e na prioridade clínica, garantindo o equilíbrio entre a fidelidade dos dados e a eficiência de transmissão. A metodologia envolveu o desenvolvimento de um protótipo funcional em Python, com compressão em dois estágios, aplicado a conjuntos de dados reais de frequência cardíaca coletados por dispositivos vestíveis com diferentes cadências de amostragem. A avaliação foi realizada em três cenários operacionais — apenas compressão sem perdas, apenas compressão com perdas e compressão híbrida — utilizando conjuntos de dados com diferentes tamanhos e densidades. As métricas adotadas foram: taxa de compressão, tempo de compressão e distorção do sinal, com testes conduzidos para assegurar a reprodutibilidade e a robustez dos resultados. Os resultados confirmaram que a estratégia híbrida e adaptativa proposta pelo framework VSAC superou os métodos estáticos tradicionais. O framework alcançou taxas de compressão de até 46,3% superiores às abordagens apenas sem perdas, mantendo níveis de distorção inferiores a 10% na maioria dos casos, especialmente em conjuntos de dados médios e grandes. O tempo de compressão também foi significativamente reduzido com o uso do LZW no estágio final, particularmente para arquivos de maior porte. Conclui-se que a abordagem híbrida e adaptativa de compressão, incorporada no framework VSAC, oferece uma solução robusta e escalável para a transmissão eficiente de sinais vitais em ambientes de saúde inteligentes. Seu mecanismo sensível ao contexto permite a priorização em tempo real e o uso eficiente dos recursos de rede e computação, mostrando-se uma ferramenta promissora para políticas públicas de saúde baseadas em infraestruturas conectadas e decisões clínicas oportunas em cidades inteligentes.