ViSPAC: Coleta e compressão adaptativas guiadas por risco em monitoramento em um ciclo Edge–Fog–Cloud
Resumo
O monitoramento remoto pode sobrecarregar dispositivos e redes de borda com fluxos contínuos de sinais vitais. Este artigo apresenta o ViSPAC, um ciclo Edge–Fog–Cloud fechado em que a camada Fog calcula o National Early Warning Score 2 (NEWS2) e adapta, conjuntamente, a coleta e a compressão na borda. Em ambiente experimental distribuído na Amazon Web Services (AWS), o ViSPAC reduziu as transmissões em 96,7%, atingiu 81,6% de compressão média e preservou a fidelidade média global do sinal (Percent Root-mean-square Difference – PRD) de 1,16%, com latência média de realimentação de 1,05 s.Referências
Andrade, A., da Costa, C. A., Roehrs, A., Muchaluat-Saade, D., and da Rosa Righi, R. (2025). Blending lossy and lossless data compression methods to support health data streaming in smart cities. Future Generation Computer Systems, 167:107748.
Bonomi, F., Milito, R., Zhu, J., and Addepalli, S. (2012). Fog computing and its role in the internet of things. In Proceedings of the First Edition of the MCC Workshop on Mobile Cloud Computing, pages 13–16. ACM.
Bristol, E. H. (1990). Swinging door trending: Adaptive trend recording. In ISA National Conference, pages 749–753.
Chang, Y. and Sobelman, G. E. (2024). Lightweight lossy/lossless ecg compression for medical iot systems. IEEE Internet of Things Journal, 11(7):12450–12458.
Pimentel, M. A. F., Johnson, A. E. W., Charlton, P. H., Birrenkott, D., Watkinson, P. J., Tarassenko, L., and Clifton, D. A. (2017). Toward a robust estimation of respiratory rate from pulse oximeters. Annals of Biomedical Engineering, 45(8):1914–1927.
Royal College of Physicians (2017). National Early Warning Score (NEWS) 2: standardising the assessment of acute-illness severity in the NHS. Royal College of Physicians, London.
Ziya, O. (2024). Biosensor student health fitness data. Kaggle Dataset. Dados biométricos de estudantes universitários saudáveis, incluindo FC e SpO2.
Bonomi, F., Milito, R., Zhu, J., and Addepalli, S. (2012). Fog computing and its role in the internet of things. In Proceedings of the First Edition of the MCC Workshop on Mobile Cloud Computing, pages 13–16. ACM.
Bristol, E. H. (1990). Swinging door trending: Adaptive trend recording. In ISA National Conference, pages 749–753.
Chang, Y. and Sobelman, G. E. (2024). Lightweight lossy/lossless ecg compression for medical iot systems. IEEE Internet of Things Journal, 11(7):12450–12458.
Pimentel, M. A. F., Johnson, A. E. W., Charlton, P. H., Birrenkott, D., Watkinson, P. J., Tarassenko, L., and Clifton, D. A. (2017). Toward a robust estimation of respiratory rate from pulse oximeters. Annals of Biomedical Engineering, 45(8):1914–1927.
Royal College of Physicians (2017). National Early Warning Score (NEWS) 2: standardising the assessment of acute-illness severity in the NHS. Royal College of Physicians, London.
Ziya, O. (2024). Biosensor student health fitness data. Kaggle Dataset. Dados biométricos de estudantes universitários saudáveis, incluindo FC e SpO2.
Publicado
06/05/2026
Como Citar
ROVEDA, Mateus; RIGHI, Rodrigo da Rosa.
ViSPAC: Coleta e compressão adaptativas guiadas por risco em monitoramento em um ciclo Edge–Fog–Cloud. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 26. , 2026, Bagé/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 177-180.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2026.21283.
