Sistema de alerta temprana y monitoreo portátil para la detección de caídas
DOI:
https://doi.org/10.61273/neyart.v4i1.199Palabras clave:
Adultos mayores, Detección de caídas, ESP32, IoT, WearableResumen
Las caídas en adultos mayores representan un grave riesgo en la población, siendo la principal causa de pérdida de autonomía y lesiones graves. Para mitigar las consecuencias de estos accidentes mediante una intervención oportuna, este trabajo presenta el desarrollo y validación de un dispositivo de alerta temprana y monitoreo portátil para la detección de caídas. El dispositivo está integrado por un microcontrolador y un sensor inercial, usando un algoritmo basado en umbrales de aceleración calibrado experimentalmente. La metodología integra pruebas de laboratorio y una validación funcional en escenario real. Los resultados demuestran que se tiene un sistema con madurez TRL 5, logrando una tasa de falsos positivos de 0 durante la validación de actividades cotidianas y un tiempo promedio de transmisión de alerta de 4.02 segundos. Se concluye que la arquitectura establece una solución robusta y eficaz para la asistencia remota, garantizando la notificación de eventos críticos.
Descargas
Métricas
Citas
Aakesh, U., Rajasekaran, Y., Sabarivani, & Sudhakar, T. (2023). Review on Healthcare Monitoring and Tracking Wristband for Elderly People using ESP-32. En 2023 5th International Conference on Smart Systems and Inventive Technology (ICSSIT) (pp. 523-529). IEEE. https://doi.org/10.1109/ICSSIT55814.2023.10061134
Álvarez Rodríguez, F. J., Luna García, H., & Mendoza González, R. (2015). Patrones de diseño para mejorar la accesibilidad y uso de aplicaciones sociales para adultos mayores. Comunicar, 22(45), 85–94. https://www.revistacomunicar.com/pdf/45/c4509es.pdf
Archundia Sierra, E., Cerón Garnica, C., Cervantes, P., & Rodríguez, F. (2016). Diseño y desarrollo de una aplicación móvil accesible de navegación individual y localización para personas de la tercera edad con discapacidad visual. Research in Computing Science, (126), 109–119.
Efendi, A., Ammarullah, M. I., Isa, I. G. T., Sari, M. P., Izza, J. N., Nugroho, Y. S., Nasrullah, H., & Alfian, D. (2025). IoT-Based Elderly Health Monitoring System Using Firebase Cloud Computing. Health Science Reports, 8(1), e70498. https://doi.org/10.1002/hsr2.70498
Estrada Marmolejo, R., & Moran Garabito, C. E. (2017). Algoritmo de detección de caídas en un sistema embebido [Tesis de Maestría]. Centro de Tecnología Avanzada (CIATEQ). Repositorio Institucional CIATEQ. https://ciateq.repositorioinstitucional.mx/jspui/bitstream/1020/89/1/MoranGarabitoCarlosE%20MSIM%202017.pdf
Giuffrida, D., Benetti, G., De Martini, D., & Facchinetti, T. (2019). Detección de caídas con aprendizaje automático supervisado utilizando sensores portátiles. En IEEE 17th International Conference on Industrial Informatics (INDIN) (pp. 253-259). IEEE. https://doi.org/10.1109/INDIN41052.2019.8972246
INEGI. (2023). Encuesta Nacional de la Dinámica Demográfica (ENADID). Instituto Nacional de Estadística y Geografía. https://www.inegi.org.mx/programas/enadid/2023/
Martínez Méndez, R., & Romero Huertas, M. (2013). Uso de sensores inerciales en la medición y evaluación del movimiento humano para aplicaciones en la salud. Revista Ideas en Ciencia, (37), 9-18. https://www.researchgate.net/publication/263198667_Uso_de_sensores_inerciales_en_la_medicion_y_evaluacion_de_movimiento_humano_para_aplicaciones_en_la_salud
Organización Mundial de la Salud. (2021, 26 de abril). Caídas. Organización Mundial de la Salud. https://www.who.int/es/news-room/fact-sheets/detail/falls
Ribeiro, O., Gomes, L., & Vale, Z. (2022). IoT-Based Human Fall Detection System: Architecture, Protocols, and Applications. Electronics, 11(4), 592. https://doi.org/10.3390/electronics11040592
Rybenská, K., Knapová, L., Janiš, K., Kühnová, J., Cimler, R., & Elavsky, S. (2024). Tecnologías SMART en el cuidado de adultos mayores: una revisión de exploración y guía para los cuidadores. Revista de Tecnologías Habilitantes, 18(4), 200–222. https://doi.org/10.1108/JET-05-2023-0016
Sharma, N., Brinke, J., Gemert-Pijnen, J., & Braakman-Jansen, L. (2021). Implementation of Unobtrusive Sensing Systems for Older Adult Care: Scoping Review. JMIR Aging, 4(4), e27862. https://doi.org/10.2196/27862
Shibuya, N., et al. (2015). A real-time fall detection system using a wearable gait analysis sensor and a Support Vector Machine (SVM) classifier. En 2015 Eighth International Conference on Mobile Computing and Ubiquitous Networking (ICMU) (pp. 66-67). IEEE. https://doi.org/10.1109/ICMU.2015.7061032
Wild, K., Boise, L., Lundell, J., & Foucek, A. (2008). Monitoreo discreto en el hogar de la salud cognitiva y física: reacciones y percepciones de adultos mayores. Journal of Applied Gerontology, 27(2), 181-200. https://doi.org/10.1177/0733464807311435
Zhang, J., Li, J., & Wang, W. (2021). A Class-Imbalanced Deep Learning Fall Detection Algorithm Using Wearable Sensors. Sensors, 21(19), 6511. https://doi.org/10.3390/s21196511
