VSAC: um framework de compressão adaptativa para dados de saúde em cidades inteligentes
| Orientador(a) (dc.contributor.advisor) | Righi, Rodrigo da Rosa | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/2332604239081900 | pt_BR |
| Autor(a) (dc.contributor.author) | Andrade, Alexandre Luis de | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/9913379597768531 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2025-11-19T13:59:56Z | |
| dc.date.available (dc.date.available) | 2025-11-19T13:59:56Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2025-09-23 | |
| Abstract (dc.description.abstract) | The increasing adoption of wearable devices and smart health technologies has highlighted the need for efficient transmission and storage of physiological data in urban-scale health monitoring systems. In this context, one of the major challenges is the ability to manage large volumes of vital-sign data—such as heart rate, respiratory rate, body temperature, and blood pressure—generated continuously by heterogeneous devices, while ensuring clinical integrity, low latency, and optimized network usage. Current solutions often treat compression techniques in isolation and lack adaptive mechanisms responsive to the clinical condition of each monitored individual. This research addresses that gap by proposing an integrated and context-aware approach for compressing vital-sign data in smart city infrastructures. This study aimed to develop and validate the VSAC (Vital Sign Adaptive Compressor), an adaptive framework for managing the transmission of physiological signals using a combination of lossy and lossless data compression techniques. The framework was designed to dynamically adjust its compression parameters based on the signal type and clinical priority, ensuring a balance between data fidelity and transmission efficiency. The methodology consisted of designing and implementing a two-stage compression prototype in Python, applied to real-world datasets of heart rate collected from wearable devices with different sampling intervals. The evaluation included three operational scenarios—losslessonly, lossy-only, and hybrid compression—tested across datasets of varying sizes and densities. Performance was measured using standard metrics: compression rate, compression time, and distortion. The tests were repeated ten times per scenario to ensure measurement stability. The results confirmed that the hybrid and adaptive strategy proposed by VSAC outperformed traditional static methods. The framework achieved compression rates up to 46.3% higher than lossless-only approaches while maintaining distortion levels below 10% in most cases, especially in medium and large datasets. The compression time was significantly reduced with the use of LZW in the final stage, particularly for large files. The study concludes that the adaptive and hybrid compression approach embodied in VSAC offers a robust and scalable solution for the efficient transmission of vital-sign data in smart healthcare environments. Its context-aware mechanism enables real-time prioritization and efficient resource usage, making it a promising tool for public health policies that rely on connected infrastructures and timely clinical decision-making in smart cities. | en |
| Resumo (dc.description.resumo) | 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. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | Nenhuma | pt_BR |
| URI (dc.identifier.uri) | http://repositorio.jesuita.org.br/handle/UNISINOS/13866 | |
| Idioma (dc.language) | pt_BR | pt_BR |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Internet das coisas (IoT) | pt_BR |
| Assunto (dc.subject) | Sinais vitais | pt_BR |
| Assunto (dc.subject) | Compressão de dados adaptativa | pt_BR |
| Assunto (dc.subject) | Compressão de dados híbrida | pt_BR |
| Assunto (dc.subject) | Cidades inteligentes | pt_BR |
| Assunto (dc.subject) | Internet of Things | en |
| Assunto (dc.subject) | Vital Signs | en |
| Assunto (dc.subject) | Adaptive data compress | en |
| Assunto (dc.subject) | Hybrid data compress | en |
| Assunto (dc.subject) | Smart cities | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | VSAC: um framework de compressão adaptativa para dados de saúde em cidades inteligentes | pt_BR |
| Tipo de arquivo (dc.type) | Tese | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Alexandre Luis de Andrade_.pdf
- Tamanho:
- 4.27 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- VSAC_framework
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: