Predição de Casos de Dengue na Cidade de Fortaleza-CE Utilizando Internet das Coisas e Aprendizado de Máquina
Resumo
Este trabalho apresenta uma contribuição na área de e-health e utiliza, para isso, ferramentas de Internet das Coisas (IoT) e aplicação de aprendizado de máquina para prever casos de dengue em semanas no futuro. Ele faz uma análise de dados meteorológicos, populacionais e de dengue para identificar valores discrepantes, seleção de variáveis a partir de níveis de correlação de Spearman e Pearson, bem como faz comparação de modelos de aprendizado de máquina utilizando como métricas o erro médio absoluto (MAE) e o coeficiente de determinação R². Este trabalho propõe e implementa uma arquitetura composta por um simulador de estação meteorológica e uma aplicação backend que faz a integração com uma plataforma de IoT chamada dojot que recebe como notificação previsões de casos de dengue.
Referências
Carvalho, H., Sá, J., and Farias, F. (2021). Implantação de uma Arquitetura de Software para Monitoramento de Dados Ambientais em um Cenário de Smart Campus. pages 167-170.
CPqD (2021 (acessado em 01 de Fevereiro, 2021)). dojot documentation.
IBGE (2021 (acessado em 18 de Março, 2021)). Projeção da População.
INMET (2021 (acessado em 19 de Março, 2021)). MANUAL DE USO DA API ESTAÇÕES E DADOS METEOROLÓGICOS.
Lira, S. A. and Neto, A. C. (2006). Coeficientes de correlação para variáveis ordinais e dicotômicas derivados do coeficiente linear de pearson. Ciencia y Engenharia/Science and Engineering Journal, 15(October):45-53.
Othman, M. K. and Danuri, M. S. N. M. (2017). Proposed conceptual framework of Dengue Active Surveillance System (DASS) in Malaysia. ICICTM 2016 Proceedings of the 1st International Conference on Information and Communication Technology, (May):90-96.
Santos, S. C., Firmino, R. M., Mattos, D. M., and Medeiros, D. S. (2020). An IoT Rainfall Monitoring Application based on Wireless Communication Technologies. 2020 4th Conference on Cloud and Internet of Things, CIoT 2020, pages 53-56.
Sareen, S., Sood, S. K., and Gupta, S. K. (2017). Secure internet of things-based cloud framework to control zika virus outbreak. International Journal of Technology Assessment in Health Care, 33(1):11-18.
Silva, M. R., de Moura, F. P., and Jardim, C. H. (2017). O diagrama de caixa (Box Plot) aplicado à análise da distribuição temporal das chuvas em Januária, Belo Horizonte e Sete Lagoas, Minas Gerais-Brasil. Revista Brasileira de Geografia Física, 10:023-040.
SINAN (2021 (acessado em 19 de Março, 2021)). Sinan Dengue/Chikungunya.
Singh, S., Bansal, A., Sandhu, R., and Sidhu, J. (2018). Fog computing and IoT based healthcare support service for dengue fever. International Journal of Pervasive Computing and Communications, 14(2):197-207.
Tavares, P. D. S. and Rodrigues, E. B. (2018). IoT-Based Architecture for Data Analytics of Arboviruses in Smart Cities. Proceedings IEEE Symposium on Computers and Communications, 2018-June(Mdcc):952-957.
Vafaei, S., Soosani, J., Adeli, K., Fadaei, H., Naghavi, H., Pham, T. D., and Bui, D. T. (2018). Improving accuracy estimation of Forest Aboveground Biomass based on incorporation of ALOS-2 PALSAR-2 and Sentinel-2A imagery and machine learning: A case study of the Hyrcanian forest area (Iran). Remote Sensing, 10(2).
Valter, R., Oliveira, M., Silva, F. G. S., and Andrade, D. (2020). Intelligent Epidemiological Surveillance in the Brazilian Semiarid.
Varela, V. and Vívian (2016). Rastreamento endêmico da dengue, zika e chikungunya via Android e sistema de informação geográfica (SIG). page 55.
Xavier, R. F. (2020). Desenvolvimento de uma Aplicação de Monitoramento Utilizando a Plataforma Iot Dojot.
Zhao, N., Charland, K., Carabali, M., Nsoesie, E. O., Maheu-Giroux, M., Rees, E., Yuan, M., Balaguera, C. G., Ramirez, G. J., and Zinszer, K. (2020). Machine learning and dengue forecasting: Comparing random forests and artificial neural networks for predicting dengue burden at national and sub-national scales in Colombia. PLoS Neglected Tropical Diseases, 14(9):1-16.
CPqD (2021 (acessado em 01 de Fevereiro, 2021)). dojot documentation.
IBGE (2021 (acessado em 18 de Março, 2021)). Projeção da População.
INMET (2021 (acessado em 19 de Março, 2021)). MANUAL DE USO DA API ESTAÇÕES E DADOS METEOROLÓGICOS.
Lira, S. A. and Neto, A. C. (2006). Coeficientes de correlação para variáveis ordinais e dicotômicas derivados do coeficiente linear de pearson. Ciencia y Engenharia/Science and Engineering Journal, 15(October):45-53.
Othman, M. K. and Danuri, M. S. N. M. (2017). Proposed conceptual framework of Dengue Active Surveillance System (DASS) in Malaysia. ICICTM 2016 Proceedings of the 1st International Conference on Information and Communication Technology, (May):90-96.
Santos, S. C., Firmino, R. M., Mattos, D. M., and Medeiros, D. S. (2020). An IoT Rainfall Monitoring Application based on Wireless Communication Technologies. 2020 4th Conference on Cloud and Internet of Things, CIoT 2020, pages 53-56.
Sareen, S., Sood, S. K., and Gupta, S. K. (2017). Secure internet of things-based cloud framework to control zika virus outbreak. International Journal of Technology Assessment in Health Care, 33(1):11-18.
Silva, M. R., de Moura, F. P., and Jardim, C. H. (2017). O diagrama de caixa (Box Plot) aplicado à análise da distribuição temporal das chuvas em Januária, Belo Horizonte e Sete Lagoas, Minas Gerais-Brasil. Revista Brasileira de Geografia Física, 10:023-040.
SINAN (2021 (acessado em 19 de Março, 2021)). Sinan Dengue/Chikungunya.
Singh, S., Bansal, A., Sandhu, R., and Sidhu, J. (2018). Fog computing and IoT based healthcare support service for dengue fever. International Journal of Pervasive Computing and Communications, 14(2):197-207.
Tavares, P. D. S. and Rodrigues, E. B. (2018). IoT-Based Architecture for Data Analytics of Arboviruses in Smart Cities. Proceedings IEEE Symposium on Computers and Communications, 2018-June(Mdcc):952-957.
Vafaei, S., Soosani, J., Adeli, K., Fadaei, H., Naghavi, H., Pham, T. D., and Bui, D. T. (2018). Improving accuracy estimation of Forest Aboveground Biomass based on incorporation of ALOS-2 PALSAR-2 and Sentinel-2A imagery and machine learning: A case study of the Hyrcanian forest area (Iran). Remote Sensing, 10(2).
Valter, R., Oliveira, M., Silva, F. G. S., and Andrade, D. (2020). Intelligent Epidemiological Surveillance in the Brazilian Semiarid.
Varela, V. and Vívian (2016). Rastreamento endêmico da dengue, zika e chikungunya via Android e sistema de informação geográfica (SIG). page 55.
Xavier, R. F. (2020). Desenvolvimento de uma Aplicação de Monitoramento Utilizando a Plataforma Iot Dojot.
Zhao, N., Charland, K., Carabali, M., Nsoesie, E. O., Maheu-Giroux, M., Rees, E., Yuan, M., Balaguera, C. G., Ramirez, G. J., and Zinszer, K. (2020). Machine learning and dengue forecasting: Comparing random forests and artificial neural networks for predicting dengue burden at national and sub-national scales in Colombia. PLoS Neglected Tropical Diseases, 14(9):1-16.
Publicado
23/05/2022
Como Citar
FREITAS, Nicodemos; RODRIGUES, Emanuel Bezerra.
Predição de Casos de Dengue na Cidade de Fortaleza-CE Utilizando Internet das Coisas e Aprendizado de Máquina. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 6. , 2022, Fortaleza.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 196-209.
ISSN 2595-2706.
DOI: https://doi.org/10.5753/courb.2022.223555.
