Ingeniería Electrónica, Automática y Comunicaciones

Inertial Measurement Units: a promising alternative in gait assessment

Resumen El análisis de los patrones de la marcha permite evaluar el desempeño físico en personas de diferentes edades y constituye un predictor del riesgo de caídas y de deterioro cognitivo en los adultos mayores. Esta evaluación suele realizarse en laboratorios especializados, aunque se está imponiendo el uso de Unidades de Medición Inercial (UMI), dispositivos portables para registrar la marcha de forma ambulatoria y en ambientes externos. En este trabajo se evaluaron dos UMI para seleccionar la de mejor desempeño, considerando sus especificaciones técnicas, la robustez en la transmisión de la información y la facilidad de montaje y de uso. Se implementó un algoritmo en Matlab para detectar los eventos de la marcha, mediante la integración de la señal de acelerometría vertical y su doble derivación utilizando la transformada de ondícula continua. A partir de estos eventos, se calcularon 16 parámetros espacio-temporales (PETM). Se ejecutó un experimento exploratorio para comparar los valores de un conjunto de PETM entre la UMI BITalino RIoT, escogida por su mejor desempeño en los aspectos evaluados, y el sistema comercial BTS-GWalk, considerado como estándar de oro para la prueba. Los valores de los PETM obtenidos con ambos dispositivos tuvieron una correlación significativa, con un coeficiente de correlación de Pearson entre 0,7218 y 0,9986. Ello indica que la UMI seleccionada permite el registro y evaluación de la marcha de forma ambulatoria con resultados satisfactorios, lo que constituye un punto de partida en la búsqueda de biomarcadores para predecir el deterioro cognitivo a partir de la marcha.

Abstract The analysis of gait patterns allows the evaluation of physical performance across different ages, as they are predictors of the risk of falls and of cognitive decline in older adults. Although the clinical evaluation is usually carried out in specialized laboratories, it is increasing popular the use of Inertial Measurement Units (IMU), which are portable devices that enable the ambulatory recording of gait patterns. In this study we evaluated two IMU to select the one with better performance, according to its technical specifications, robustness in data transmission and the ease of assembly and use. An algorithm for detecting gait events in the patterns recorded was implemented in Matlab, by integrating the vertical accelerometry signals and its double derivation using the Gaussian continuous wavelet transform. 16 spatio-temporal parameters (STGF) were calculated from these events. An exploratory experiment was conducted to compare the values of a set of STGF between the IMU BITalino RIoT, chosen for its best performance in the evaluated aspects, and the commercial system BTS-GWalk, which is considered as the gold standard for the test. The STGF values obtained with both devices were significantly correlated, with a Pearson correlation coefficient between 0,7218 and 0,9986. This indicates that the selected IMU allows the recording and assessment of gait on an outpatient basis with satisfactory results, which constitutes a starting point in searching for biomarkers to predict cognitive impairment based on gait.

IoT weather station based on TTGO T-Beam and LoRa communication

Resumen La variabilidad climática ha aumentado la necesidad de sistemas de monitoreo atmosférico a nivel local. Los datos meteorológicos son útiles para predicción climática, agricultura y manejo de cultivos, gestión de recursos hídricos y estimación de calidad del aire. Las soluciones actuales para obtener datos meteorológicos son típicamente regionales, costosas y dependen de proveedores de telecomunicaciones, limitando el valor de la información y su accesibilidad en áreas rurales o lugares puntuales. En correspondencia al desarrollo de sistemas más asequibles, el siguiente artículo presenta una solución de monitoreo para variables meteorológicas basada en la placa de desarrollo TTGO T-Beam y la estación meteorológica Bresser 5 en 1, utilizando comunicación LoRa. El diseño de hardware propuesto incluye la estación Bresser 5 en 1, dos módulos de desarrollo T-Beam y una computadora personal. La arquitectura de software hace uso de los módulos TTGO T-Beam para trasmitir y almacenar las mediciones de la estación meteorológica, la plataforma de IoT "Node-RED" se utiliza para la adquisición de datos, mientras que la plataforma "Grafana" se utiliza para la visualización. Las pruebas de enlace con tecnología LoRa (868MHz), demostraron capacidad para operar a distancias superiores a un kilómetro. Los resultados de la investigación confirmaron la posibilidad y confiabilidad de integrar de forma remota las mediciones de la estación meteorológica Bresser 5 en 1 a una plataforma de IoT de código abierto. Este uso de soluciones de software y hardware abierto permite su generalización por parte de otros investigadores.

Abstract Climate variability has increased the need for atmospheric monitoring systems at the local level. Meteorological data are useful for climate prediction, agriculture and crop management, water resources management, and air quality estimation. Current solutions to obtain meteorological data are typically regional, expensive, and depend on telecommunications providers, limiting the value of the information and its accessibility in rural areas or specific places. Corresponding to the development of more affordable systems, the following article presents a monitoring solution for meteorological variables based on the TTGO T-Beam development board and the Bresser 5-in-1 weather station, using LoRa communication. The proposed hardware design includes the Bresser 5-in-1 station, two T-Beam development modules, and a personal computer. The software architecture uses the TTGO T-Beam modules to transmit and store the weather station measurements, the IoT platform "Node-RED" is used for data acquisition, while the "Grafana" platform is used for the visualization. Link tests with LoRa technology (868MHz) demonstrated the ability to operate at distances greater than one kilometer. The research results confirmed the possibility and reliability of remotely integrating measurements from the Bresser 5-in-1 weather station to an open-source IoT platform. This use of open software and hardware solutions allows their generalization by other researchers.

Distributed architecture for fault detection in industrial equipment with improved Precision Score and Robustness Index

Resumen La creación de algoritmos y sistemas capaces de procesar y almacenar grandes cantidades de datos representa un gran reto científico, económico y práctico. La aplicación del aprendizaje automático (ML) a estos problemas no es trivial, y menos aún si el procesamiento de estos algoritmos necesita ser distribuido para manejar la gran carga computacional del análisis de datos y la toma de decisiones. Este trabajo presenta una arquitectura distribuida y robusta para entrenar, desplegar y ejecutar pipelines distribuidos de algoritmos de detección de fallos mejorando su Robustez y Precisión. La solución se basa en Smart Operational Realtime Bigdata Analytics (SORBA), una arquitectura distribuida patentada. La arquitectura combina las métricas de robustez y precisión para optimizar automáticamente la selección de algoritmos de aprendizaje automático de detección de fallos industriales y sus hiperparámetros. Se desarrolla un sistema de módulos para la adquisición, normalización, acondicionamiento de datos, entrenamiento, despliegue y ejecución en línea de pipelines de algoritmos de aprendizaje automático. La solución se validó comparando los resultados de Machine Learning (ML) de dos casos de uso: un motor industrial y una batería de locomotora, con los obtenidos con Spark. Los experimentos mostraron una mejora media de la puntuación de precisión del 28,76% y del índice de robustez del 10,9%. La solución agiliza la implementación de aplicaciones de éxito y mejora el rendimiento de estos indicadores con respecto a las soluciones disponibles actualmente en la MLlib de Spark.

Abstract Creating algorithms and systems that can process and store large amounts of data represents a great scientific, economic, and practical challenge. The application of machine learning (ML) to these problems is not trivial, and even less so if the processing of these algorithms needs to be distributed to handle the large computational load of data analysis and decision making. This paper presents a distributed and robust architecture to train, deploy, and execute distributed failure detection algorithm pipelines improving their Robustness and Precision. The solution is based on Smart Operational Realtime Bigdata Analytics (SORBA), a patented distributed architecture. The architecture combines the metrics of Robustness and Precision to automatically optimize the selection of industrial failure detection machine learning algorithm pipelines and their hyperparameters. A system of modules is developed for the acquisition, normalization, data conditioning, training, deployment, and online execution of machine learning algorithm pipelines. The solution was validated by comparing the Machine Learning (ML) results of two use cases: an industrial motor and a locomotive battery, with those achieved with Spark. The experiments showed an average improvement on the Precision Score of 28.76% and Robustness Index of 10.9%. The solution streamlines the implementation of successful applications and improves the performance of these indicators with respect to the solutions currently available in the Spark MLlib.

Decision-making system for irrigation of protected crops based on machine learning

Resumen La escasez de agua constituye una preocupación de la industria agropecuaria, y es que esta emplea en la irrigación cuatro quintas partes del total de agua fresca consumida y dos tercios del total empleado para consumo humano. Por tal razón resulta esencial el desarrollo de sistemas que optimicen el empleo de agua en el riego. En las casas de cultivo protegido de la UEB “Valle del Yabú” del municipio Santa Clara el riego se realiza mediante un sistema basado en goteo que requiere la presencia de un operario para la toma de decisiones, el cual no tiene información sobre algunas de las variables hidrometeorológicas que rigen al cultivo. Este artículo se centró en diseñar un sistema de apoyo a la toma de decisiones en el riego basado en aprendizaje de máquina. Como parámetro de importancia del sistema se calcula el coeficiente de evapotranspiración del cultivo utilizando para ello la fórmula de Turc. Se realiza un acondicionamiento de los datos ambientales recopilados y con ellos se entrenan modelos de regresión lineal, bosques aleatorios regresivos y bosques aleatorios de gradiente mejorado para determinar valores de evapotranspiración futuros empleando la plataforma Apache Spark. El modelo que obtuvo los mejores resultados fue el bosque aleatorio regresivo con un coeficiente de determinación (r2) de 0,79 y con él se calcula el volumen de agua perdido por el cultivo. Finalmente, el sistema fue capaz de proveer las estimaciones de ambas variables las que favorecen la toma de decisiones por parte de los especialistas.

Abstract The water scarcity is a concern of the agricultural industry as it uses four fifths of the of the total fresh water consumed for irrigation and two thirds of the total used for human consumption. For this reason, the development of systems that optimize the use of water in irrigation is essential. In the greenhouses of the UEB "Valle del Yabú" of the Santa Clara municipality, irrigation is carried out using a drip-based system that requires the presence of an operator for decision-making who does not have information about some of the hydrometeorological variables that govern the crop. This paper focused on to design a support system for decision-making in irrigation based on machine learning. As an important parameter of the system, the evapotranspiration coefficient of the crop is calculated using the Turc formula. The collected environmental data is conditioned and linear regression, regressive random forests, and gradient-boosted trees regression models are trained with them to determine future evapotranspiration values using the Apache Spark framework. The model that obtained the best results was the regressive random forest with a coefficient of determination (r2) of 0,79 and with it the volume of water lost by the crop is calculated. Finally, the system was able to provide the estimates of both variables, which favour decision-making by specialists.

Guidance and control scheme based on the NLGL nonlinear algorithm for mixed path following by a marine vehicle

Resumen Resolver el problema del seguimiento de caminos por parte de los vehículos autónomo de superficie (USV) ha demando la atención de múltiples investigadores en los últimos años. En este sentido un algoritmo no lineal de guiado (NLGL), utilizado para el guiado de vehículos aéreos, ha sido introducido para el seguimiento de caminos rectos por parte vehículos marinos, sin necesidad de medir el ángulo de guiñada para lograr sus objetivos de control. Seguir trayectorias con geometrías circulares es una de las problemáticas a resolver para lograr seguimiento de caminos complejos, lo que es más exigente si se tiene en cuenta la influencia de las perturbaciones ambientales como: las corrientes marinas y el viento. En este trabajo se presenta un esquema de guiado y control para lograr el seguimiento de caminos compuestos por trayectoria rectas y circulares, por parte de vehículos marinos. El esquema presenta un generador de caminos, articulado con una estructura en cascada, con un lazo interno PI de velocidad angular de guiñada y el algoritmo NLGL en el lazo externo. Por último, se presentan los resultados de simulación de este esquema en el ASV de pequeño porte, Krick Felix, donde se puede apreciar que el vehículo converge a la trayectoria deseada con precisión en presencia de perturbaciones medioambientales.

Light geoportal for the management of sugarcane areas in the Province of Villa Clara

Resumen La agroindustria azucarera cubana posee experiencias en el uso de Sistemas de información geográfica (GIS) desde el 2001, con la limitación de usar herramientas propietarias y sin bases de datos centralizadas no accesibles. Como un escalón superior ha sido desarrollada por Geocuba una Infraestructura de Datos Espaciales (IDE-Azcuba) para el manejo de las áreas cañeras de Villa Clara. La IDE-Azcuba maneja imágenes geoespaciales de satélites (Sentinel-2) lo que permite el cálculo de diversos índices de importancia agrícola. Para su despliegue esta aplicación consume una gran cantidad de datos y es de una relativamente alta complejidad, lo que la hace inaccesible para las empresas azucareras y los productores. Como solución se propone un Geoportal como una versión ligera de la IDE-Azcuba, accesible desde teléfonos celulares, al alcance de los productores y las empresas azucareras. Al Geoportal se ha integrado la información de variables cañeras obtenidas de los servicios científicos técnicos del INICA, tales como: Ordenamiento Territorial, Variedades y Semillas, Integral de Malezas, Fertilizantes y Enmiendas; y Fitosanitario. Teniendo incorporada una versión de cache que le permite trabajar fuera de línea con la información más importante, directamente en las plantaciones y unidades productivas, donde existes grandes problemas de conectividad.

Abstract The Cuban sugar industry has experience in the use of Geographic Information Systems (GIS) since 2001, with the limitation of using proprietary tools and without accessible centralized databases. As a higher step, a Spatial Data Infrastructure (IDE-Azcuba) has been developed by Geocuba for the management of the sugarcane areas of Villa Clara. The IDE-Azcuba manages geospatial images from satellites (Sentinel-2) which allows the calculation of various indices of agricultural importance. For its deployment, this application consumes a large amount of data and is relatively highly complex, which makes it inaccessible to sugar companies and producers. As a solution, a Geoportal is proposed as a light version of the IDE-Azcuba, accessible from cell phones, within the reach of sugar producers and companies. The information on sugarcane variables obtained from INICA's technical scientific services has been integrated into the Geoportal. Such as: Territorial Planning, Varieties and Seeds, Integral Weeds, Fertilizers and Amendments; and Phytosanitary. Having a built-in cache version that allows you to work offline with the most important information, directly in the plantations and productive units, where there are major connectivity problems.