Facultad de Ingeniería

Carrera de Ingeniería de Telecomunicaciones

Tesis:

Diseño e implementación de un prototipo basado en Internet de las Cosas

(IoT) empleando sensores de oximetría de pulso y redes neuronales
artificiales para determinar el nivel de hemoglobina de manera no invasiva
en niños y adolescentes en el distrito de Villa María del Triunfo

Ronal Edison Velasquez Correa

Para optar el Título Profesional de Ingeniero de Telecomunicaciones

Asesor: Javier Gonzalo Mansilla Yanqui

LIMA – PERÚ

2022
Institución: Universidad Tecnológica del Perú

El siguiente trabajo obtuvo un reporte de similitud con el siguiente porcentaje:

 DEDICATORIA

Dedico este trabajo a mis padres Reynaldo Velásquez,

Jacoba Correa, a mis hijas Antonella, Alondra y a mi abuelo

Pedro Velasquez, que me hizo entender con sus historias y

anécdotas que siempre hay tiempo cuando uno lo desea.

ii
AGRADECIMIENTOS

Le doy gracias a Dios por darme la oportunidad de haber

podido redactar la presente Tesis, a mis padres y mi

hermano Carlos por apoyarme a lo largo de mi carrera

profesional. A mi esposa Ninoska por su apoyo

incondicional. A mis amigos Rubén Vega, Alessandro

Morales y mi asesor Javier Mansilla.

iii
 RESUMEN

La tesis tiene como objetivo diseñar e implementar un prototipo basado en Internet de las

cosas (IoT) haciendo uso de sensores de oximetría de pulso y redes neuronales artificiales

para determinar el nivel de hemoglobina de manera no invasiva en niñas, niños y

adolescentes que asisten los establecimientos denominados “Ollas Comunes” de la zona

de Nuevo Milenio en el distrito de Villa María del Triunfo. La investigación tiene una

metodología de enfoque cuantitativo, de alcance exploratorio y diseño experimental,

además, se encuentra dividido en cinco fases. En la primera fase se establece información

para la identificación y clasificación del paciente, luego la segunda fase involucra el

desarrollo del prototipo contemplando el diseño del software y hardware, asimismo, en la

tercera fase se describe la elaboración del sistema de red neuronal artificial, incluyendo

datos de entrenamiento basados en resultados de niveles de hemoglobina en sangre y el

nivel de saturación de oxígeno obtenidos de 30 voluntarios conformados por una población

en etapa infantil y adolescente, por otra parte, la cuarta fase se establece la comunicación

del prototipo con una plataforma en la nube de IoT mediante una red de área amplia de

baja potencia LoRaWAN, finalmente en la quinta y última fase se expone como se

almacenan y genera la interfaz de datos de los pacientes en la plataforma en la nube de

IoT. Los resultados se obtuvieron con datos de prueba tomados de 10 voluntarios

conformado por niños y adolescentes, obteniendo un porcentaje de precisión del nivel de

hemoglobina no invasivo del sistema de red neuronal artificial del 93.63% frente a las

muestras invasivas de los niveles de hemoglobina tomadas de los mismos voluntarios.

Palabras clave: Hemoglobina, Oximetría de Pulso, Redes Neuronales Artificiales,

LoRaWAN, Internet de las Cosas (IoT)

iv
 ABSTRACT

The thesis aims to design and implement a prototype based on the Internet of Things (IoT)

using pulse oximetry sensors and artificial neural networks to determine the level of

hemoglobin non-invasively in children and adolescents who attend establishments called

"Ollas Comunes" from the Nuevo Milenio area in the district of Villa María del Triunfo. The

research methodology has a quantitative approach, with an exploratory scope and

experimental design, in addition, it is divided into five phases. In the first phase, information

is established for the identification and classification of the patient, then the second phase

involves the development of the prototype contemplating the design of the software and

hardware, likewise, the third phase describes how the artificial neural network system is

elaborated, including the training data which are based on results of blood hemoglobin

levels and the oxygen saturation level obtained from 30 volunteers made up of a population

of children and adolescents, on the other hand, the fourth phase describes how established

the communication of the prototype with a cloud platform IoT through a low power wide

area network LoRaWAN, finally in the fifth and last phase it is exposed how the patient data

interface is stored and generated on the cloud platform IoT. The results were obtained with

test data taken from 10 volunteers made up of children and adolescents, obtaining an

accuracy percentage of the non-invasive hemoglobin level of the neural network system of

93.63%, compared to blood hemoglobin levels (invasive), samples taken from the same

volunteers.

Key Words: Hemoglobin, Pulse Oximetry, LoRaWAN, Artificial Neural Network, Internet

of the Things (IoT)

v
 INDICE DE CONTENIDOS

DEDICATORIA .................................................................................................................. ii

AGRADECIMIENTOS ....................................................................................................... iii

RESUMEN........................................................................................................................ iv

ABSTRACT ....................................................................................................................... v

INTRODUCCIÓN .............................................................................................................17

CAPÍTULO 1: ...................................................................................................................19

ASPECTOS GENERALES...............................................................................................19

1.1. Definición del Problema....................................................................................19

1.1.1. Descripción del Problema ...........................................................................19

1.2. Formulación del Problema ................................................................................21

1.2.1. Problema General ......................................................................................21

1.2.2. Problemas Específicos ...............................................................................21

1.3. Definición de Objetivos .....................................................................................22

1.3.1. Objetivo General.........................................................................................22

1.3.2. Objetivos Específicos .................................................................................22

1.4. Hipótesis ..........................................................................................................23

1.5. Alcances y Limitaciones ...................................................................................23

1.5.1. Alcances .....................................................................................................23

1.5.2. Limitaciones ...............................................................................................23

1.6. Justificación e Importancia ...............................................................................24

CAPÍTULO 2 ....................................................................................................................25

vi
MARCO TEÓRICO ..........................................................................................................25

2.1. Antecedentes de la Investigación ..........................................................................25

2.1.1. Antecedentes en el contexto Mundial..............................................................25

2.1.2. Antecedentes en el contexto de Latinoamérica ...............................................26

2.1.3. Antecedentes en el contexto Nacional ............................................................27

2.2. Bases Teóricas......................................................................................................28

2.2.1. Oximetría de Pulso .........................................................................................28

2.2.2. Internet de las Cosas (IoT) ..............................................................................30

2.2.3. Internet de las Cosas Médicas (IoMT) .............................................................30

2.2.4. Arquitectura de un Sistema IoT .......................................................................31

2.2.5. Nivel de recopilación de Data IoT: ..................................................................32

2.2.6. Nivel de Comunicación IoT: ............................................................................37

2.2.7. Nivel de Procesamiento IoT: ...........................................................................53

2.2.8. Nivel de Aplicaciones IoT ................................................................................58

2.2.9. Redes Neuronales Artificiales (RNA) ..............................................................58

2.3. Marco Conceptual .................................................................................................63

2.3.1. Hemoglobina ...................................................................................................63

2.3.2. Anemia ...........................................................................................................63

2.3.3. Instrumentos de medición de Hemoglobina Invasivo Portátil...........................64

2.4. Identificación y clasificación de variables...............................................................66

2.4.1. Variable Independiente ...................................................................................66

2.4.2. Variable Dependiente......................................................................................66

CAPÍTULO 3: ...................................................................................................................67

vii
METODOLOGÍA DE INVESTIGACIÓN............................................................................67

3.1. Diseño de Investigación ...................................................................................67

3.1.1. Tipo ............................................................................................................67

3.1.2. Enfoque ......................................................................................................67

3.1.3. Población ....................................................................................................67

3.1.4. Muestra ......................................................................................................68

3.1.5. Operacionalización de Variables.................................................................68

3.2. Instrumentos y Técnicas de Investigación ........................................................69

3.2.1. Técnicas .....................................................................................................69

3.2.2. Instrumentos ...............................................................................................69

3.3. Metodología propuesta .....................................................................................69

3.3.1. Estructura de Trabajo .................................................................................54

3.4. Introducción a la Solución ................................................................................55

3.5. Fuentes de Investigación para el desarrollo del prototipo .................................58

3.6. Formulación de datos de Identificación y clasificación ......................................60

3.7. Desarrollo del Prototipo ....................................................................................61

3.7.1. Componentes del Prototipo ........................................................................64

3.7.2. Diseño de Software o Firmware del Prototipo .............................................76

3.7.3. Diseño del hardware del Prototipo ..............................................................82

3.8. Sistema de Red Neuronal Artificial (RNA) ........................................................84

3.8.1. Conversión del Sistema RNA a formato FlatBuffers....................................88

3.8.2. Pruebas de Rendimiento del sistema de RNA ............................................89

3.9. Establecer Comunicación .................................................................................90

viii
 3.9.1. Arquitectura de Red LoRaWAN ..................................................................91

3.9.2. Cobertura de Radio Frecuencia ..................................................................98

3.9.3. Configuración de Elementos de la Red LoRaWAN ...................................101

3.10. Almacenamiento e Interfaz de Datos ..............................................................110

CAPITULO 4: .................................................................................................................113

RESULTADOS ..............................................................................................................113

4.1. Resultados de adquisición de datos del prototipo ................................................113

4.2. Resultados del Sistema RNA ..............................................................................116

4.3. Resultados de la etapa de comunicación del prototipo ........................................120

4.4. Resultados del alcance de cobertura de la Red LoRaWAN .................................123

4.5. Resultados de la interfaz de acceso y almacenamiento de datos ........................124

4.6. Presupuesto ........................................................................................................128

4.7. Cronograma ........................................................................................................131

CONCLUSIONES ..........................................................................................................132

RECOMENDACIONES ..................................................................................................134

ANEXOS:.......................................................................................................................136

Anexo 01: Código del sistema de red neuronal artificial .............................................136

Anexo 02: código modelo de red neuronal en formato Tflite para microcontroladores 138

Anexo 03: Código fuente del nodo final LoRaWAN ...................................................141

Anexo 04: Código formato Servidor de aplicación Datacake ......................................157

Anexo 05: Fichas Técnicas de los componentes del Prototipo ..................................158

Anexo 06: Fichas técnicas del equipamiento y materiales de la estación de recepción

...................................................................................................................................168

ix
 Anexo 07: Fichas técnicas de equipos de prueba en campo ......................................177

Anexo 08: Precios de los componentes del Prototipo .................................................179

Anexo 09: Precios de equipamientos de la estación de recepción .............................182

Anexo10: Precios de equipos de prueba en campo....................................................183

Anexo 11: Hoja de información al paciente ................................................................184

Anexo 12: Hoja de consentimiento informado ............................................................185

Anexo 13: Fotografías de pruebas en campo .............................................................186

Anexo 14: Esquemático del prototipo .........................................................................189

Anexo 15: TURNITIN – Recibo...................................................................................190

BIBLIOGRAFÍA ..............................................................................................................191

x
 LISTA DE FIGURAS

Figura 1: Esquematización de la ley de Beer-Lambert .....................................................12

Figura 2: Esquematización de la absorción de Hb y HbO2 en el dedo de una persona ...13

Figura 3: Internet de las cosas en la salud .......................................................................15

Figura 4: Arquitectura de un sistema IoT .........................................................................16

Figura 5: Sensor NJL5501R ............................................................................................17

Figura 6: Sensor OPT101 ................................................................................................18

Figura 7: Sensor MAX30102 ............................................................................................19

Figura 8: Tecnologías de Comunicación para IoT ............................................................22

Figura 9: Arquitectura Red LoRaWAN .............................................................................27

Figura 10: Clases dispositivos LoRaWAN ........................................................................28

Figura 11: Protocolo LoRaWAN Modelo OSI ...................................................................29

Figura 12: Procedimiento activación por aire (OTAA) ......................................................31

Figura 13: Frecuencia chirp descendente & ascendente..................................................32

Figura 14: Codificación en señales chirp .........................................................................33

Figura 15: Demodulación señal LoRa ..............................................................................33

Figura 16: Estructura de un paquete LoRa ......................................................................34

Figura 17: Red Neuronal Artificial ....................................................................................43

Figura 18: Modelo genérico de una neurona artificial .......................................................43

Figura 19: Tiny Machine Learning ....................................................................................46

Figura 20: Valores concentración hb niños & adolescentes .............................................48

Figura 21: Instrumentos de medición de hemoglobina Invasivos Portátiles .....................48

Figura 22: Estructura de Trabajo del Proyecto de Investigación ......................................54

Figura 23: Arquitectura de Solución .................................................................................56

Figura 24: Delimitación y estratificación de la zona del Proyecto de Investigación...........57

xi
Figura 25: Puesto de Salud Ciudad de Gosen .................................................................58

Figura 26: Oxihemoglobina y Desoxihemoglobina en contacto con la de luz roja e

Infrarroja ..........................................................................................................................62

Figura 27: Estructura general de solución ........................................................................63

Figura 28: Diagrama de Bloques para el diseño del Prototipo .........................................64

Figura 29: Pantalla OLED 0.96 resolución 128x64...........................................................65

Figura 30: Teclado numérico matricial 3X4 ......................................................................66

Figura 31: Batería XBLACK 5000mAh .............................................................................74

Figura 32: Cargador Xiaomi 10W MDY-09-EW ................................................................75

Figura 33: Diseño del Case del Prototipo .........................................................................76

Figura 34: Diagrama de flujo recopilación de datos del prototipo (a) ................................79

Figura 35: Diagrama de flujo recopilación de datos del prototipo (b) ................................80

Figura 36: Diagrama de flujo recopilación de datos del prototipo (c) ................................81

Figura 37: Esquema del diseño del hardware del prototipo..............................................83

Figura 38: Diseño de los componentes en el case del prototipo ......................................84

Figura 39: Diagrama del modelo de red neuronal artificial ...............................................86

Figura 40: Tabla de entrenamiento del algoritmo de Red Neuronal .................................87

Figura 41: Parámetros de entrenamiento de la red neuronal ...........................................88

Figura 42: Sistema de Red neuronal Artificial en formato flatBuffers................................88

Figura 43: Librería “model.h” que incluye el sistema RNA compilado en formato flatBuffers

........................................................................................................................................89

Figura 44: Resultado de prueba del sistema de red neuronal ..........................................90

Figura 45: Arquitectura de Red LoRaWAN propuesto ......................................................91

Figura 46: Ubicación geográfica de los Nodos Finales ....................................................93

Figura 47: Ubicación geográfica del Gateway LoRaWAN ................................................94

Figura 48: Esquema de la estación del Gateway LoRaWAN ...........................................96

Figura 49: Esquema de Backhaul ....................................................................................97

xii
Figura 50: Clusters de The Things Networks ...................................................................97

Figura 51: Simulación de potencia de recepción ..............................................................99

Figura 52: Parámetros del Gateway establecidos en software .........................................99

Figura 53: Simulación del área de cobertura.................................................................. 100

Figura 54: Simulación de distancia de enlace ................................................................ 101

Figura 55: Diagrama de flujo de la etapa de comunicación Nodo Final .......................... 102

Figura 56: Configuración de la Interfaz WAN del Gateway LoRaWAN ........................... 103

Figura 57: Configuración de la retransmisión de los paquetes LoRA en el Gateway...... 104

Figura 58: Parámetros de registro del Gateway LoRaWAN en TTN............................... 105

Figura 59: Registro de la aplicación en TTN .................................................................. 105

Figura 60: Parámetros de registro del Nodo Final en TTN ............................................. 106

Figura 61: DevEui, AppEUI y AppKey generados en TTN ............................................. 107

Figura 62: DevEui, AppEUI y AppKey registrados en el Nodo Final ............................... 107

Figura 63: Nodo final “Hb 001” en la aplicación hb-no-invasive en TTN ......................... 108

Figura 64: Código de formato a String en TTN .............................................................. 109

Figura 65: Registro del nodo final en el servidor de aplicación Datacake....................... 110

Figura 66: Código de decodificación en Datacake ......................................................... 110

Figura 67: Campos de datos para el almacenamiento en Datacake .............................. 111

Figura 68: Dashboard para la visualización de los datos recolectados .......................... 112

Figura 69: Panel de restricción de acceso ..................................................................... 112

Figura 70: Prototipo Inicial ............................................................................................. 113

Figura 71: Prueba de ingreso de datos de Identificación y clasificación ......................... 114

Figura 72: Captura de datos Sensor MAX30102 y resolución de RNA........................... 115

Figura 73: Resumen de los 12 almacenados de manera temporal ................................ 116

Figura 74: Resultados del porcentaje de precisión......................................................... 117

Figura 75: Resumen de los 12 almacenados de manera temporal ................................ 120

Figura 76: Trama del nodo final enviado a TTN ............................................................. 121

xiii
Figura 77: Carcasa del prototipo con los componentes ensamblados............................ 122

Figura 78: Prototipo finalizado ....................................................................................... 122

Figura 79: Resultado de Simulación de cobertura.......................................................... 123

Figura 80: Trama con los parámetros LoRa ................................................................... 124

Figura 81: Dashboard de Medición del Nivel de Hb no invasivo desde un ordenador .... 125

Figura 82: Dashboard de Medición del Nivel de Hb no invasivo desde un smartphone.. 126

Figura 83: Datos recolectados y almacenados en Datacake .......................................... 127

Figura 84: Descarga de reporte de datos almacenados en Datacake ............................ 128

Figura 85: Cronograma de la Estructura de Trabajo ...................................................... 132

xiv
 LISTA DE TABLAS

Tabla 1: Especificaciones sensor NJL5501R ...................................................................17

Tabla 2: Especificaciones sensor OPT101.......................................................................18

Tabla 3: Especificaciones sensor MAX30102 ..................................................................19

Tabla 4: Comparación técnica – económica de Plataformas Electrónicas .......................21

Tabla 5: Comparativa de las LPWAN...............................................................................25

Tabla 6: Canales LoRaWAN segmentado por región .......................................................35

Tabla 7: Especificaciones técnicas Mission Hb ................................................................49

Tabla 8: Operacionalización de variables ........................................................................52

Tabla 9: Lista de Ollas Comunes de la Zona de Ciudad de Gosen ..................................57

Tabla 10: Consultas para los datos de identificación y clasificación del paciente .............61

Tabla 11: Especificaciones técnicas pantalla OLED ........................................................65

Tabla 12: Especificaciones técnicas Teclado numérico ...................................................66

Tabla 13: Comparación tecnico economico de sensores de oximetría de pulso ..............67

Tabla 14: Tabla de calificación de sensores de Oximetría de pulso .................................68

Tabla 15: Tabla de Calificación Plataformas Electrónicas ................................................69

Tabla 16: Comparación de especificaciones de los módulos LoRa ..................................70

Tabla 17: Tabla de calificación modulo comunicación .....................................................72

Tabla 18: Tabla consumo de componentes del prototipo .................................................72

Tabla 19: Especificaciones técnicas de la batería portátil ...............................................74

Tabla 20: Especificaciones técnicas del cargador ............................................................75

Tabla 21: Consultas datos del paciente ...........................................................................76

Tabla 22: Escala respuestas de las consultas 4,5,6 y 7 ...................................................77

Tabla 23: Tabla de entrenamiento ...................................................................................85

Tabla 24: Datos de prueba ..............................................................................................89

xv
Tabla 25: Ubicación de los Nodos Finales .......................................................................92

Tabla 26: Especificaciones técnicas del Gateway RAK7258 ............................................94

Tabla 27: Especificaciones técnicas de la Antena RAK ...................................................95

Tabla 28: Parámetros del Gateway LoRaWAN y el Nodo Final N° 9 .............................. 100

Tabla 29: Resultados adquisición datos de SPo2 del sensor MAX30102 ...................... 114

Tabla 30: Resultados del % de precisión de la configuración RNA calibrada ................. 116

Tabla 31: Resultados datos de prueba .......................................................................... 118

Tabla 32: Costos del Prototipo (Nodo final).................................................................... 128

Tabla 33: Costos de Infraestructura de la Estación de Recepción ................................. 129

Tabla 34: Resumen de los costos de implementación solución ..................................... 130

Tabla 35: Costo Capital de Inversión (CAPEX) .............................................................. 129

Tabla 36: Gastos de Operación (OPEX) ........................................................................ 131

xvi
 INTRODUCCIÓN

En la actualidad, la Organización Mundial de la Salud (OMS) asevera que la anemia en el

mundo es un grave problema de salud pública, asimismo, manifiesta que esta afección se

suele presentar con mayor frecuencia en niños y adolescentes, estableciendo que el 42%

de niños de la población mundial son anémicos, por otro lado, la anemia no solo puede

llevar a afectar el sistema inmunológico de un niño, sino que también puede repercutir en

su rendimiento escolar.

Existen estudios de investigación de carácter tecnológico que buscan una alternativa de

bajo costo para el diagnóstico de anemia de manera no invasiva, entre ellos algunos

ejemplos (Rezza, 2018) (Hadianto, 2020) (Córdova, 2018) (Benites & Gómez, 2020). Sin

embargo, ninguno de ellos se centra específicamente en el grupo etario de niños y

adolescentes, tampoco consideran varios dispositivos interconectados con una red de área

amplia de baja potencia (LPWAN).

El Instituto Nacional de Estadística e Informática (INEI) manifiesta que en el Perú más del

40% de la población infantil padece de anemia; es decir, 4 de cada 10 niñas y niños se

encuentran con anemia. En la zona de Nuevo Milenio en Villa María del Triunfo, el

Ministerio de Salud (MINSA) desarrolla campañas para el despistaje de anemia en niños

menores de 5 años, sin embargo, no enfatiza el resto de la población infantil y adolescente.

Por otra parte, según el centro de salud Ciudad de Gosen las campañas de despistaje son

17
limitadas e involucran pruebas de tipo invasivo que requieren una muestra de sangre del

paciente, lo que se traduce en un bajo alcance de los niveles de anemia en la comunidad.

Ante estos hechos, surge la motivación de desarrollar un prototipo que pueda aportar una

solución desde el punto de vista de la ingeniería de telecomunicaciones, con la finalidad de

beneficiar a la comunidad y el sector salud en la prevención y lucha contra la anemia. Es

por ello, que la presente tesis plantea el diseño e implementación de un prototipo basado

en Internet de las Cosas empleando sensores de Oximetría de pulso y redes neuronales

artificiales para determinar el nivel de hemoglobina de manera no invasiva en niños y

adolescentes.

La investigación se desarrolló bajo una metodología de enfoque cuantitativo, de alcance

exploratorio y diseño experimental, asimismo, tiene una estructura compuesta por 4

capítulos. El primer capítulo narra el planteamiento del problema, alcances, limitaciones, el

objetivo principal, los objetivos secundarios, la hipótesis y finalmente la justificación.

El segundo capítulo contiene el marco teórico donde se describen los antecedentes, bases

teóricas, marco conceptual y las variables dependiente e independiente.

El tercer capítulo explica el diseño del software y hardware del prototipo, el sistema de red

neuronal artificial, la arquitectura de la red de comunicación y la implementación del

prototipo del proyecto de investigación.

El cuarto capítulo describe los resultados obtenidos, el cronograma de actividades, el

presupuesto para el desarrollo del proyecto de investigación y finalmente las conclusiones

de los objetivos trazados.

18
 CAPÍTULO 1:

ASPECTOS GENERALES

1.1. Definición del Problema

1.1.1. Descripción del Problema

La anemia es un problema grave de salud pública que es bastante común en niños y

adolescentes, de acuerdo con los datos publicados por la Organización Mundial de la Salud

(OMS) afecta al 42% de niños de la población mundial; lo cual equivale aproximadamente

a 280 millones de niños, por otro lado, OMS manifiesta que la principal causa de esta

afección es por la falta de hierro en sangre reflejándose en la reducción de hemoglobina,

llevando a afectar el sistema inmunológico y el rendimiento escolar de niños y

adolescentes, predominando en su mayoría en niños pequeños. (OMS, 2020)

El Instituto Nacional de Estadística e Informática (INEI) de acuerdo a datos revelados en el

año 2018 manifestó que en el Perú más del 40% de la población infantil en etapa preescolar

presenta anemia, es decir, 4 de cada 10 niños. (INEI, 2019).

El gobierno nacional del Perú ha enfrentado el problema a través de distintas políticas

públicas, teniendo como objetivo según el Pacto Nacional del Bicentenario (2021) que el

país reduzca de 43.5% a un 19% el índice de anemia para niños menores de 3 años, sin

embargo, con la crisis sanitaria de la COVID-19 las acciones para la prevención y

tratamiento de esta enfermedad se vieron afectados. (BCRP, 2021)

19
En el distrito de Villa María del Triunfo, de acuerdo con el estudio realizado por el Ministerio

de Salud y la Municipalidad de Villa María del Triunfo, informaron que en el año 2017 el

45% de niños menores de 3 años presentan anemia, resultados mayores a los presentados

en los años 2015 y 2016. (MINSA, DGE, 2019)

En el 2018 se publicó la Resolución Ministerial N°540-2018/Minsa, donde se oficializa la

realización de “Jornadas Nacionales de lucha contra la anemia”, el cual consiste en la

evaluación médica y descartes con test de despistaje invasivo, ese mismo año se

desarrollaron 6 campañas a nivel nacional. (MINSA, 2018)

Con el “Programa del Minsa de Incentivos a la mejora de la gestión municipal”, se

desarrollaron un conjunto de estrategias para promover la prevención y reducción de la

anemia en 865 municipalidades, donde se desarrollaron campañas de despistaje, a través

de visitas domiciliarias e invocando a la comunidad a dirigirse al centro de salud zonal. El

procedimiento aplicado por las profesionales de la salud consiste en la evaluación, además

de realizar una prueba invasiva al paciente, que se encarga de medir los niveles de

hemoglobina en sangre para su posterior análisis. (MEF & MINSA, 2019)

Si bien estas campañas han presentado resultados graduales, de acuerdo con un informe

publicado por la Defensoría del Pueblo, se indica que solo el 41% de encuestados que

fueron diagnosticados con anemia recibieron visita domiciliaria por un profesional de la

salud; asimismo, justifican que esto se debe a la escasez de recursos. (Defensoría del

Pueblo, 2018)

En el distrito de Villa María del Triunfo en la zona de Nuevo Milenio se encuentra el centro

de salud “Ciudad de Gosen” que ejecuta planes de lucha contra la anemia mediante

campañas de detección preventiva. Según el Dr. Quispe, actualmente en el centro médico

20
se realizan hasta 8 campañas al año para el despistaje de anemia a niños menores de 5

años, esto a través de evaluaciones y descartes con pruebas tipo invasivas que determinan

el nivel de hemoglobina, por otra parte, el centro de salud atiende alrededor de 7 casos

semanales para niños menores de 5 años, lo que daría un aproximado total de 336 casos

de despistaje por año; sin embargo, estas no son suficientes para el resto de la comunidad,

entre ellos niños mayores de 5 años y adolescentes. (Quispe, 2021)

1.2. Formulación del Problema

1.2.1. Problema General

¿Es posible diseñar e implementar un prototipo basado en Internet de las Cosas

empleando sensores de oximetría de pulso y redes neuronales artificiales para determinar

el nivel de hemoglobina de manera no invasiva en niños y adolescentes que asisten a ollas

comunes de la zona de Nuevo Milenio en el distrito de Villa María del Triunfo?

1.2.2. Problemas Específicos

● ¿De qué manera es posible establecer datos de identificación y clasificación para

los niños y adolescentes que acuden a las ollas comunes de la zona de Nuevo

Milenio en el distrito de Villa María del Triunfo?

● ¿De qué manera es posible desarrollar un prototipo que permita capturar los datos

del sensor de oximetría de pulso e integrarlo con la tecnología inalámbrica LoRa?

● ¿De qué forma es posible determinar el nivel de hemoglobina de niños y

adolescente de acuerdo con los datos obtenidos por el sensor de Oximetría de

pulso con un sistema basado en Redes Neuronales Artificiales?

● ¿De qué manera es posible establecer comunicación de los nodos finales con un

servidor de red LoRaWAN?

21
 ● ¿De qué manera es posible almacenar los datos recolectados de los pacientes en

una plataforma en la nube de Internet de las cosas que permita la interacción con

el personal del centro de salud?

1.3. Definición de Objetivos

1.3.1. Objetivo General

Diseñar e implementar un prototipo basado en Internet de las cosas empleando sensores

de oximetría de pulso y redes neuronales artificiales para determinar el nivel de

hemoglobina de manera no invasiva en niños y adolescentes que asisten a las ollas

comunes de la zona de Nuevo Milenio en el distrito de Villa María del Triunfo.

1.3.2. Objetivos Específicos

● Establecer los datos de identificación y clasificación para los niños y adolescentes

que acuden a las ollas comunes de la zona de Nuevo Milenio en el distrito de Villa

María del Triunfo.

● Desarrollar el prototipo que permita capturar los datos del sensor de oximetría de

pulso e integrarlo con la tecnología inalámbrica LoRa.

● Determinar el nivel de hemoglobina de niños y adolescentes de acuerdo a los datos

obtenidos por el sensor de oximetría de pulso, con un sistema basado en Redes

Neuronales Artificiales.

● Establecer comunicación de los nodos finales con un servidor de red LoRaWAN.

● Almacenar los datos recolectados de los pacientes en una plataforma en la nube

de Internet de las cosas que permita la interacción de la información con el personal

del Centro de Salud.

22
 1.4. Hipótesis

El prototipo basado en Internet de las Cosas empleando sensores de oximetría de pulso y

redes neuronales artificiales podrá determinar el nivel de hemoglobina de manera no

invasiva con un nivel de precisión promedio superior al 90% con respecto a las pruebas del

nivel de hemoglobina de tipo invasivo en la comunidad de niñas, niños y adolescentes en

la zona de Nuevo Milenio en el distrito de Villa María del Triunfo.

1.5. Alcances y Limitaciones

1.5.1. Alcances

a) El proyecto de investigación está enfocado en el grupo etario comprendido por

niñas, niños de 5 a 11 años y adolescentes de 12 a 17 años, no involucra mujeres

adolescentes en etapa de gestación, dichos grupos de investigación se les

denominará pacientes.

b) El diseño de la red LoRaWAN se basa en 23 establecimientos denominados “Ollas

comunes” de la zona de Nuevo Milenio en el distrito de Villa María del Triunfo.

c) El prototipo determina el nivel de hemoglobina de manera no invasiva con los datos

de entrada del sensor de oximetría de pulso en niños y adolescentes a través del

procesamiento de un sistema de red neuronal artificial previamente entrenado. El

prototipo no diagnostica la enfermedad del paciente.

d) El proyectó hará uso de la tecnología inalámbrica LoRa que operará en el espectro

radioeléctrico de banda libre de 923 MHz a 928 MHz.

1.5.2. Limitaciones

a) Debido a factores económicos se implementará solo un prototipo para determinar

el nivel de hemoglobina de manera no invasiva.

23
 1.6. Justificación e Importancia

El proyecto de tesis propone diseñar e implementar un prototipo que permita determinar el

nivel de hemoglobina de manera no invasiva en los establecimientos denominados “Ollas

comunes” de la zona de Nuevo Milenio en el distrito de Villa María del triunfo, considerando

que estos establecimientos concentran afluencia de población vulnerable, conformada por

niños y adolescentes. Asimismo, la comunidad y su centro de salud se beneficiarán al

contar con una alternativa de despistaje de anemia. Además de generar un ahorro

económico al sector salud en costos logísticos, recursos humanos y tiempo, en

comparación a las campañas de salud que desarrolla MINSA.

Adicionalmente, en el aspecto tecnológico existen estudios de investigación que buscan

una alternativa de bajo costo para el despistaje de anemia de forma no invasiva, como los

propuestos por Rezza (2018) y Hadianto (2020), sin embargo, estos estudios no se enfocan

específicamente en el grupo etario de niños y adolescentes, asimismo, tampoco plantean

el despliegue de una red de área amplia de baja potencia LoRaWAN para la interconexión

de varios dispositivos en una localidad. Cabe destacar que los estudios anteriormente

citados no abordan el presupuesto de sus prototipos, no obstante, se debe resaltar que, a

diferencia de estos, no contemplan un case para sus prototipos y tampoco el costo adicional

que implica la infraestructura de red, en este caso LoRaWAN, marcando de esta manera

una diferencia entre los proyectos mencionados. Por otra parte, el proyecto permitirá

acceso a la información capturada por el prototipo en tiempo real desde cualquier parte del

país y el mundo a través de una plataforma en Internet. De esta forma se busca aportar en

la prevención y lucha contra la anemia.

24
 CAPÍTULO 2

MARCO TEÓRICO

2.1. Antecedentes de la Investigación

2.1.1. Antecedentes en el contexto Mundial

(Rezza, 2018) en su tesis “Herramienta de medición de hemoglobina en sangre no

invasiva basada en Arduino” planteó como objetivo desarrollar una herramienta de

medición de los niveles de hemoglobina haciendo uso del microcontrolador Arduino y un

método de calibración de valores mediante una Red Neuronal Artificial (RNA), su

metodología de investigación se basa en 3 etapas: en la primera etapa se recopiló fuentes

de información que respalden la investigación, la segunda etapa desarrolla la planificación

del sistema compuesto por: dispositivo, calibración y prueba. Finalmente, en la tercera

etapa realiza las pruebas y análisis.

El proyecto consta del desarrollo de una herramienta que permita la medición de

hemoglobina no invasivo basado en un sensor de oxímetro de pulso y el microcontrolador

Arduino para la adquisición de datos, luego dicha información es enviada mediante un

módulo Bluetooth a un dispositivo móvil Android en donde con un sistema basado en Red

Neuronal Artificial predice el nivel de hemoglobina de acuerdo con los datos ingresados.

Él estudió tomó 22 muestras de una población adulta conformada por hombres y mujeres

con una edad mayor a los 20 años, utilizando los dedos índices, medio y anular de la mano

25
izquierda, obteniéndose un resultado con una precisión promedio del 90.86% en

comparación al método de medición de hemoglobina de tipo invasivo.

(Hadianto, 2020) en su tesis “Herramienta de Monitoreo para medir el nivel de

Hemoglobina usando el algoritmo K-Vecino más Próximo (KNN) basado en Internet de las

Cosas (IOT)” presentó como objetivo fabricar un dispositivo de medición y monitoreo del

nivel de hemoglobina de manera no invasiva basado en Internet de las Cosas utilizando el

algoritmo de aprendizaje automático K vecinos más próximos (KNN). La metodología para

el desarrollo del prototipo está basada en 4 etapas: Microcontrolador, Nube ThingSpeak,

Servidor y la aplicación en Android. Para la obtención de datos hace uso de un sensor de

oximetría de pulso y el microcontrolador NodeMCU, información que es enviada a un

servidor en Internet mediante comunicación Wifi a través del chip integrado que cuenta el

microcontrolador. En el servidor en la nube se procesan los datos obtenidos con un

algoritmo de aprendizaje automático KNN, el cual predice el nivel de hemoglobina en base

a datos de entrenamiento. Finalmente, el autor concluye que el valor de precisión promedio

del prototipo es del 93.4871133%.

2.1.2. Antecedentes en el contexto de Latinoamérica

(Córdova, 2018) en su tesis estableció como objetivo desarrollar una herramienta

que permita la evaluación de anemia ferropénica a través de un sensor, el cual utiliza el

método de oximetría de pulso, para luego aplicar la ley de Lambert-Beer y calcular la

concentración de hemoglobina, mediante el desarrollo de una aplicación móvil, a fin de

contar con el seguimiento del nivel de hemoglobina de manera no invasiva.

Para demostrar los resultados de la investigación, analizaron un total de 21 muestras las

cuales pasaron por pruebas invasivas y no invasivas respectivamente, obteniéndose en

sus resultados 7 pacientes con anemia ferropénica. Finalmente, el autor concluye que

existe un margen de error del ±7.5%, el cual considera aceptable en base a la comparación

teórica con respecto a otros métodos no invasivos.

26
 2.1.3. Antecedentes en el contexto Nacional

Benites & Gomez (2020) plantearon como objetivo en su tesis desarrollar un

prototipo que permita el monitoreo no invasivo de hemoglobina, su metodología se

desarrolló en 3 etapas.

En la primera etapa plantean la obtención de la señal a través del sensor, para luego en la

segunda etapa obtener el dato que se almacenará y enviará al servidor remoto mediante

la tecnología de comunicación Global System Móvil (GSM) y TCP/IP, por último, en la

tercera etapa desarrollan la Interfaz de usuario que está diseñado bajo el entorno de la

plataforma Matlab, en donde se muestra los datos obtenidos de cada paciente evaluado.

El estudio estuvo comprendido por 5 pacientes voluntarios, que pasaron por un examen

clínico invasivo de descarte de anemia en el laboratorio clínico “Precisa”, por otro lado, los

mismos voluntarios fueron sometidos con el prototipo al procedimiento de medición no

invasiva de hemoglobina. El cual consistió en colocar su dedo índice en el sensor “ST-

1KL3B” que a través de la irradiación luz, se toma las longitudes de onda que

posteriormente mediante un filtro de pasa-banda analógico y digital eliminan señales de

ruido, y se selecciona la señal con menor dispersión, para luego aplicar la ley de Lambert-

Beer y calcular la absorbancia y concentración de hemoglobina.

Finalmente se encontró en sus resultados obtenidos una variación de ±3g/dl entre el

método clínico invasivo y el prototipo no invasivo, asimismo, determinó que el rango de

longitud de onda más adecuado opera entre los 645 y 700 nm.

27
2.2. Bases Teóricas

2.2.1. Oximetría de Pulso

La oximetría de pulso o pulsioximetría es una técnica desarrollada en los años 70 que

permite la medición no invasiva de la cantidad de oxígeno transportado por la hemoglobina,

dicha técnica combina los principios de espectrofotometría de absorción y la

fotopletismografía. (Balaguer, 2016)

2.2.1.1. Espectrofotometría de absorción

El principio de la espectrofotometría de absorción está apoyado sobre la Ley de Beer-

Lambert que establece la luz absorbida a través del paso de una solución determinada, en

ese sentido, al paso la luz roja e infrarroja (longitudes de onda especificas) sobre la sangre,

la oxihemoglobina y la desoxihemoglobina se diferencian en su absorción, principio que

aprovechan los oxímetros de pulso para establecer la saturación de oxígeno. (Balaguer,

2016).

a) Ley de Lambert-Beer

La ley de absorción óptica de Beer-Lambert tiene como base la suma de la intensidad

de la luz transmitida y la luz absorbida mediante un material es equivalente a la luz

incidente. Esta ley permite determinar la densidad de una sustancia por medio de la

absorción de luz. La figura 1 esquematiza la ley de Beer-Lambert (Cobos, 2017)

Figura 1. Esquematización de la ley de Beer-Lambert

Fuente: Cobos (2017)

28
 La ley de Beer - Lambert establece la siguiente ecuación:

𝐼
𝑇= = 10−𝑒𝑐𝑙
𝐼0

Donde “T” es la transmitancia, e “I” es la intensidad de la luz emitida a través de un

material, “I0” es la intensidad de la luz. El valor de la luz transmitida después de ser

absorbida por un material, “l” es la longitud de la luz que atraviesa el material, mientras

que “C” es la concentración y es la tasa de absorción molar de un material (ϵ = 602.24

cm-1M-1). En 1 gm dL-1= 0.1551 mM para hemoglobina en solución acuosa. (Hadianto,

2020)

2.2.1.2. Fotopletismografía

Mediante diodos de emisión de luz (LED) de luz roja e infrarroja atraviesan la sangre

venosa y capilar, tejidos, huesos y pigmentos cutáneos que son otras estructuras capaces

de absorber esas radiaciones además de la sangre arterial. La fotopletismografía permite

ver las variaciones del volumen sanguíneo y estimar la medición de la saturación de

oxígeno, esto bajo el principio de las diferencias de absorbancia óptica, donde la

hemoglobina oxigenada (HbO2) absorbe más luz infrarroja y deja pasar mayor cantidad de

luz roja (entre los 600 nm a 800 nm), mientras que la hemoglobina desoxigenada (Hb)

absorbe más luz roja y deja pasar mayor cantidad de luz infrarroja (entre los 800 nm a 1000

nm). En la figura 2 se esquematiza el fenómeno de absorción de la luz led roja e infrarroja

en el dedo de una persona. (Cobos, 2017)

Figura 2. Esquematización de la absorción de la Hb y HbO2 en el dedo de una persona

Fuente: Cobos (2017)

29
 2.2.2. Internet de las Cosas (IoT)

Minerva, et al (2015) en el documento “Hacia la definición del Internet de las Cosas” que

recopila las definiciones de las organizaciones de estandarización de ITU (International

Telecommunication Union), IEEE (Institute of Electrical an Electronics Engineers) e IETF

(Internet Engineering Task Force), donde adopta las definiciones de dichas instituciones y

establece que el IoT es: Una Infraestructura que interconecta objetos físicos y virtuales en

una red global, la cual mediante sensores permite realizar detección, así como capturar

datos y posteriormente ejecutar acciones en base a un procesamiento interno, además de

interconectarme mediante un sistema de comunicación con distintos dispositivos. Esta

infraestructura incluye una conexión a Internet haciendo uso de tecnologías de

comunicación que permite la conexión con un cloud computing o nubes computacionales,

con el propósito de obtener información productiva con aplicaciones avanzadas.

Por otro lado, Pisano (2018), explica que el término IoT del inglés Internet of things, es la

interconexión de dispositivos o cualquier cosa (que se le denomina Nodo), pudiendo ser

monitoreados y controlados a distancia, además, presenta la capacidad de identificación,

adquisición de datos, procesamiento, comunicación y el servicio de aplicación, a fin de que

dichos dispositivos o cosas conectados puedan intercambiar datos de manera autónoma,

aportando beneficios para las personas empresas y la sociedad.

2.2.3. Internet de las Cosas Médicas (IoMT)

Internet de las cosas médicas o la salud hace referencia a la interconexión de dispositivos

con Internet en el área de la salud, que generan grandes cantidades de datos que

procesados en la nube permiten a los especialistas monitorear y controlar a los pacientes

a distancia, además de notificar y ejecutar acciones con sus respectivas aprobaciones.

Esta tecnología no solo aporta a los especialistas de la salud, sino también a las

instituciones médicas y al entorno más cercano del paciente. (Rivas et al., 2022)

30
La figura 3 muestra la representación del servicio de Internet de las cosas en la salud.

Figura 3. Servicio de Internet de las cosas en la Salud

Fuente: Belda (2016)

2.2.4. Arquitectura de un Sistema IoT

Aguilar (2020) explica que, de acuerdo a las principales características del Internet

de las Cosas, su arquitectura se encuentra compuesta por 4 niveles o etapas: adquisición

de datos, comunicación, procesamiento y aplicación (p. 29). Asimismo, tomando como

referencia la analogía de Pisano (2018), el cual explica la arquitectura del IoT como el

funcionamiento del cuerpo humano, y describe la etapa de adquisición de datos como los

sentidos del cuerpo, ya que permiten recibir estímulos de su entorno, haciendo referencia

a los sensores, luego la etapa de comunicación en el momento que esos estímulos son

transmitidos al cerebro, y una vez los datos de los estímulos llegan al cerebro son

procesados, haciendo referencia a la etapa de procesamiento. Finalmente, explica que la

etapa de aplicación es donde el usuario final puede interactuar con los datos de las cosas

físicas en un ecosistema digital mediante una plataforma o interfaz. En la figura 4 se

representa la arquitectura de un sistema IoT.

31
 Figura 4. Arquitectura de un sistema IoT
Fuente: Ortiz (2019)

2.2.5. Nivel de recopilación de Data IoT:

Viene a ser el nivel inicial de un sistema IoT, ya que en esta etapa surge la adquisición de

datos deseados de los objetos físicos, dicha Información es capturada a través de los

sensores que usualmente se encuentran conectados a las plataformas electrónicas de bajo

costo como: Arduino, Raspberry, etc. (Ortiz, 2019)

2.2.5.1. Sensores

Los sensores permiten capturar información de las cosas físicas en forma análoga y las

envía a un sistema de control de manera que las entiendan para que puedan ser

procesadas en un ecosistema digital. Algunos aspectos que considerar para la elección de

un sensor son los parámetros que se desea obtener y la compatibilidad de comunicación

con la plataforma electrónica. (Ramírez & Rodríguez, 2016)

En relación a sensores de oximetría de pulso algunos destacados que se utilizan en

aplicaciones de instrumentación médica y en laboratorio para Internet de las cosas son:

32
a. Sensor NJL5501R

El NJL5501R es un foto-reflector o sensor fotoeléctrico con aplicación en oximetría de

pulso y monitoreo de frecuencia cardiaca del fabricante Nisshinbo, la figura 5 muestra

una foto del sensor. Está compuesto por un detector altamente sensible y LEDs de

color rojo e infrarrojo, tiene un rango de sensibilidad de recepción de espectro de

longitud de onda entre los 500nm a 1000nm. (Córdova 2018).

La tabla 1 detalla brevemente las características técnicas.

Tabla 1
Especificaciones técnicas del sensor NJL5501R

Especificaciones Detalle
Longitud máxima de onda LED 660nm (Led Rojo) –
940nm (Led Infrarrojo)
Alimentación tensión voltaje 2.1V a 5V
Voltaje de interfaz de comunicación 1.8~3.3V~5V
Corriente de trabajo 30mA
Temperatura de operación -20°C a 70°C
Dimensiones 1.9x2.6x0.8mm
Fuente: nisshinbo-microdevices

Figura 5. Sensor NJL5501R

Fuente: Córdova (2018)

b. Sensor OPT101

El sensor OPT101 es un tipo de fotodiodo monolítico integrado con un amplificador de

transpedancia. Este sensor desarrollado por la compañía Texas Instruments, tiene

aplicaciones de instrumentación médica, laboratorio, entre otros. Se caracteriza por

33
permitir una alta sensibilidad en la detección de luz en longitudes de onda de 735, 805

y 850nm. (Texas Instruments, 2015)

La tabla número 2 detalla brevemente algunas de sus características técnicas, además,

la figura 6 muestra la estructura física del sensor.

Tabla 2
Especificaciones técnicas del sensor OPT101

Especificación Detalle
Sensibilidad de longitud de onda 735, 805 y 850nm
Alimentación tensión de voltaje 2.7 V a 36 V
Dimensiones del fotodiodo 0,090 x 0,090 pulgadas
Resistor de retroalimentación interna 1 MΩ
Alta sensibilidad de respuesta: 0.45 A/W (650 nm)
Ancho de banda 14 kHz en RF = 1 MΩ
Fuente: Texas Instruments.

Figura 6. Sensor OPT101

Fuente: Texas Instruments (2015)

c. Sensor MAX30102

MAX30102 es un sensor fabricado por la compañia Maxim Integrated basado en el

principio de oximetría de pulso, se encuentra compuesto de LEDs rojo e infrarrojo y un

fotodiodo, compatible con una interfaz de comunicación I2C. Utiliza un sistema de

procesamiento de señal analógica de bajo ruido. Además, el sensor trabaja con voltaje

de ingreso de 1.8V y 3.3V. (Maxim Integrated, 2018)

La tabla 3 detalla brevemente algunas de sus características técnicas, además, la figura

7 muestra la estructura física del sensor.

34
 Tabla 3
Especificaciones técnicas del sensor MAX30102

Especificaciones Detalle
Longitud máxima de onda LED 600nm - 880nm
Fuente de alimentación 3.3V a 5V
Voltaje de interfaz de comunicación 1.8~3.3V~5V
Corriente de trabajo 60mA
Potencia máxima 0.3W
Tipo de detección PPG (Reflexión de luz)
Interfaz de salida I2C
Dimensiones 21mm x 15mm
Fuente: Maxim Integrated

Figura 7. Sensor MAX30102

Fuente: Maxim Integrated (2018)

2.2.5.2. Plataformas Electrónicas

Las plataformas electrónicas se definen como un grupo de tecnologías que permiten

elaborar aplicaciones de hardware y/o software, se caracterizan por contar con una

arquitectura que permite integrarse a diferentes hardware, así como el software, sistemas

operativos y lenguajes de programación, dando la posibilidad de implementar distintos

proyectos con diferente tecnología de microcontroladores. (Silva, 2021)

A continuación, se presenta la descripción de algunas plataformas electrónicas destacadas

en el mercado:

a. Arduino

Arduino es una plataforma electrónica que fue desarrollada en Italia por un grupo de

estudiantes en el año 2003 con el objetivo brindar un fácil acceso a la electrónica y

programación a personas con conocimientos básicos. Arduino es una plataforma de

código abierto basado en un microcontrolador que brinda la posibilidad de conectar una

35
gran cantidad de periféricos junto con su entorno de programación Arduino IDE, que

permite escribir código desde cualquier sistema operativo, por otra parte, Arduino

también comercializa sus propias placas, algunos de los más destacados son Arduino

UNO para proyectos pequeños, luego su evolución Arduino MEGA para proyectos de

mayor dimensión y el Arduino MKR100 caracterizado por ser uno de los más

económicos y sencillos para el desarrollo de proyectos de IoT. (Pizarro, 2019)

b. ESP32

Es una serie de microcontroladores estructurado en hardware y software con código

fuente gratuito, el cual fue desarrollado por la compañía Espressif System,

caracterizados por ser económicos y de bajo consumo energético, suelen incluir chips

de comunicación WiFi, Bluetooth y GPRS, además cuenta con compatibilidad con C++

y Arduino IDE. Las características mencionadas lo vuelven en una de las plataformas

de desarrollo ampliamente utilizados para la elaboración de dispositivos de Internet de

las Cosas. ESP32 cuenta con diversos fabricantes, lo que lleva a masificar ampliamente

su producción, generando un bajo costo en el mercado. La placa ESP32-WROVER-

BLYNK V1.3 es una solución de desarrollo ESP32 con consumo energético ultra bajo,

de fácil programación que integra una interfaz USB, un conector microSD, chips de

comunicación WiFi, Bluetooth y GPRS. (Digikey, 2020)

c. Waspmote

Plataforma de código abierto desarrollado por la compañía Liberium, la cual está

especializada para el desarrollo de soluciones de Internet de las Cosas, cuenta con

distintas placas de comunicación como Bluetooth, Zigbee, Wi-Fi, LoRaWAN, etc.

Además, presenta la capacidad de agregar distintos sensores para diversas

aplicaciones tales como seguridad, medioambiente, agrícola, etc. En comparación a

Arduino presenta un entorno similar, sin embargo, este dispositivo aún se encuentra

36
 con poco despliegue en el mercado debido a encontrarse en un ámbito más profesional

y de mayor costo en el mercado. (Aguilar, 2020)

A continuación, la tabla 4 detalla un cuadro comparativo de las especificaciones técnicas

de los microcontroladores con sus costos referenciales en el mercado local.

Tabla 4.
Comparación técnica – económica de Plataformas Electrónicas (Microcontroladores)
ESP32-WROVER-
Especificaciones ARDUINO MEGA WASPMOTE
BLYNK V1.3
Xtensa® dual-
Procesador Atmega2560 Atmega1281
core 32-bit LX6

Frecuencia Core 16Mhz 14Mhz 240Mhz

Memoria 8KB 8 KB 520KB

# de entradas
16 7 18
analógicas

Cantidad de
entradas/salidas 54 8 24
digitales

WiFi 802.11b/g/n
Wi-Fi, Bluetooth, Wi Fi, Bluetooth, BLE Bluetooth 4.2
Comunicaciones ZigBee, LoraWAN ZigBee, LoraWAN (embebido)
(Compatible) (Compatible) ZigBee y LoraWAN
(Compatible)

Interface de
UART, I2C, SPI UART, I2C, SPI 2 UART, SPI e I2C
Comunicación

Lenguajes de
C/C++ C++ c ++/Python
programación

Voltaje de operación 5V 3.70 voltios 2.7 – 3.6 V

Consume corriente
50 miliamperios 17 miliamperios 70 miliamperios
eléctrica
Costo S/ 85.00 S/ 680.00 S/ 90.00

2.2.6. Nivel de Comunicación IoT:

Como objetivo de esta etapa los objetos o nodos que conforman el sistema cuenten con

una interconexión que les permita el acceso a Internet, esto bajo tecnologías de

37
comunicación de radio frecuencia IoT de bajo consumo energético, clasificadas en Low

Power Short Range y Low Power Wireless Access Network. (Ortiz, 2019)

En la figura 8 se representa las tecnologías de corto alcance y largo alcance,

esquematizando el orden en base a velocidad y alcance.

Figura 8. Tecnologías de Comunicación para IoT

Fuente: Colegio Oficial Ingenieros de Telecomunicaciones de Andalucía (2021)

2.2.6.1. Redes de baja potencia de Alcance (Low Power Short Range)

Este tipo de redes permiten transmitir a baja potencia, sin embargo, tienen un alcance

reducido, cubren en promedio una cobertura de 100 metros, utilizan bandas no licenciadas

de frecuencia, además, se caracterizan por contar con un bajo consumo energético,

algunas de las principales tecnologías Ziggbee, 6LoWPAN y BLE (Bluetooth Low Energy).

(Aguilar, 2020)

2.2.6.2. Low Power Wide Area Network (LPWAN)

Las redes Low Power Wide Area Network (LPWAN) de sus siglas en español como redes

de baja potencia de área ampliada, es una tecnología de comunicación inalámbrica para la

conectividad de dispositivos IoT, enfocado en transmitir pequeñas cantidades de datos a

grandes distancias con un bajo consumo energético. Algunas destacadas en este grupo

38
son las especificaciones de redes LPWAN licenciadas NB-IoT y LTE-M y las redes LPWAN

sin licencia Sigfox y LoRaWAN. (Hernández, 2020)

a. Narrow-Band IoT (NB-IoT)

NB-IoT NarrowBand Internet of Things es una tecnología desarrollada por la compañía

Qualcom como NB-IoT-OFDMA y por las compañías Huawei y Vodafone como NBIoT-

M2M. Posteriormente se unieron estas tecnologías dando lugar a NB-CIot, el cual

requería un conjunto de chips para su compatibilidad con versiones anteriores. Ante

ello en el 2015 se propuso NB-IoT-LTE compatibilizando con las versiones anteriores.

En el 2016 3GPP estandarizó esta tecnología como NB-IoT. Las principales

características de esta tecnología es que opera en las bandas de frecuencia LTE

licenciadas, cuenta con una capacidad de un ancho de banda de 200 kHz alcanzando

velocidades hasta de 100 kbps, además, utiliza una técnica de modulación QPSK y

tiene un alcance aproximado de cobertura de 10 km en áreas suburbanas. (Hernández,

2020)

b. Long Term Evolution for Machines (LTE-M)

Long Term Evolution for Machines es una tecnología de red móvil que aprovecha la red

existente 4G LTE para la conectividad de dispositivos IoT. Esta tecnología fue

estandarizada en el año 2016 por 3GPP en la Rel13. LTE-M opera en las frecuencias

de bandas licenciadas de LTE, además, utiliza una técnica de modulación QPSK y

alcanza velocidades de datos de 1.4MHz, permitiéndole transmitir texto, voz e

imágenes, además, brinda un alcance de cobertura aproximado a un 1 Km en áreas

urbanas y 5 Km en áreas suburbanas. (Hernández, 2020)

39
 c. Sigfox

Tecnología de red LPWAN desarrollada por la compañía francesa Sigfox, que dicho

sea de paso lleva el mismo nombre. Esta red inalámbrica hace uso de un sistema que

permite que los dispositivos se comuniquen entre si mediante una comunicación a

través de celdas mediante un mecanismo de banda ultra ancha, haciendo uso de las

bandas de radio no licenciadas, en Asia trabaja en 433 MHz, sin embargo, Europa en

los 868 MHz y en Estados Unidos en 902 MHz, por otro lado, utiliza la modulación

BPSK y Ultra Narrow Band (UBN), diseñado para operar con bajas tasas de velocidad

de transferencia entre los 10 y 1000 bits por segundo. Cuenta con un alcance de

cobertura de 10 kilómetros en ambientes urbanos. (Hernández, 2020)

d. LoRaWAN

LoRaWAN es una especificación de LPWAN de la más utilizadas para la conectividad

de dispositivos IoT, además cuenta una amplia cantidad de estudios e investigaciones,

llegando a publicarse más de 2000 estudios hasta el año 2018. Una particularidad se

centra en la capa física, en la que opera bajo los lineamientos de la tecnología LoRa

(Long Range), que se emplea para transmitir los datos, al momento que a esta

tecnología se le adiciona el protocolo MAC, se establece como LoRaWAN ya que esto

permite dar paso a realizar una configuración de red de elementos estandarizados con

LoRa Alliance. (Caba & Muñoz, 2020)

A continuación, la tabla 5 describen aspectos técnicos y especificaciones de las redes

LPWAN.

40
 Tabla 5.
Comparativa de las LPWAN

ESPECIFICACIONES LTE Movil Narrow band Sigfox LoRaWAN

IOT
Estandarización 3GPP 3GPP SigFox / LoRa
ETSI Alliance
Alcance promedio ≤ 5 kilómetro ≤ 1 kilómetro ≤ 10 ≤5
kilómetros kilómetros
Inmunidad a Bajo Medio Muy Alto Muy Alto
Interferencias
BW 1. 4 MHz 200 kHz 100 Hz 125, 250 y
500 KHz
Velocidad de datos 1 Mbps 200 kbps 100 bps 50 kbps

Máxima carga útil 1000 1600 12 (UL), 8 242

(bytes) (DL)
Envío máximo UP / Indefinido Indefinido 140 Indefinido
día

Envío máximo DW / Indefinido Indefinido 4 Indefinido

día

Proveedor del Operador Operador Operador Despliegue

servicio telefonía telefonía Sigfox privado
móvil móvil
Clase de servicio Licenciado Licenciado Licenciado De código
abierto
Fuente: Aguilar (2020)

2.2.6.3. Protocolo LoRaWAN

La Unión Internacional de Telecomunicaciones (2021) en su recomendación ITU-T Y.4480

define LoRaWAN como un protocolo de red de área amplia de baja potencia diseñado para

conectar inalámbricamente cosas que operan con baterías a Internet en redes regionales,

nacionales o globales. Este tipo de red presenta requisitos claves orientados al Internet de

las cosas como la comunicación bidireccional, la seguridad de extremo a extremo, el

servicio de movilidad y localización. Por otro lado, agrega que este protocolo en su capa

física hace uso de LoRa, modulación de radiofrecuencia que le permite cubrir grandes

distancias. Ávila & Parra (2020) destacan algunas características de LoRaWAN como la

comunicación bidireccional, largo alcance (5 km en áreas urbanas y 10 km en áreas

41
rurales), alta penetración, uso de bandas sin licencia, bajo consumo de batería y bajo costo

de despliegue de la red. Por otro lado, describen la arquitectura de red LoRaWAN y sus

elementos que lo conforman, como: los nodos finales, el Gateway, el servidor de red y el

servidor de aplicación. La figura 9 muestra la arquitectura de la red LoRaWAN con sus

elementos detallados.

a. Nodos Finales: Un nodo final es un elemento físico que opera con batería y

presenta capacidades de detección, procesamiento y modulación. Este

elemento incorpora un módulo LoRa para hacer uso de la comunicación

inalámbrica codificando y enviando datos, además, permite la conexión con la

red LoRaWAN mediante puertas de enlace. (Ávila & Parra, 2020)

b. Gateway: Es el elemento de red que retransmite los datos de origen de los

nodos finales al servidor de red y del servidor de red a los nodos finales

respectivamente, operando en forma de puente, encargado de recibir los

mensajes o datos LoRaWAN de todos los nodos finales dentro de su alcance.

Cuenta con una salida a internet, que de acuerdo a las especificaciones técnicas

del Gateway puede utilizar una interfaz de cable Ethernet, Wifi o comunicación

móvil, entre otros. (Ávila & Parra, 2020)

c. Servidor de Red: Elemento de red responsable de gestionar y administrar la

red, toma la decisión si el Gateway contesta a los nodos, suprime mensajes

repetidos y selecciona la velocidad de transmisión de datos para su envio,

controla la tasa de transmisión de datos de cada nodo final, autentica cada nodo

dentro de la red, envía los mensajes de origen al servidor de aplicación,

determina el Gateway adecuado para establecer el enlace hacia un nodo

específico. (Ávila & Parra, 2020)

42
 d. Servidor de aplicación: Tiene la responsabilidad de la toma de decisiones para

la gestión e interpretación de los datos recolectados, recibidos de la interacción

con el servidor de red, que son originados en los dispositivos finales registrados

en algún servidor de aplicación. (Ávila & Parra, 2020)

Figura 9. Arquitectura de Red LoRaWAN

Fuente: ITU Y.4480 (2021)

LoRaWAN presenta 3 clases de nodos finales con funcionalidades distintas para su

aplicación en diversas necesidades. La figura 10 muestra los modos de operación de cada

clase de dispositivo LoRaWAN.

a. Clase A: Los dispositivos de clase A son eficientes en el uso de energía ya que la

mayor parte del tiempo están inactivos y solo se activan cuando necesitan transmitir

información al servidor. El único nodo que puede iniciar comunicación en la red es

el nodo final de esta clase. Después de enviar la información al servidor, el nodo

abre dos canales con diferente tiempo de retardo para recibir datos y brindar una

comunicación bidireccional. (Ávila & Parra, 2020)

43
b. Clase B: Los dispositivos clase B tienen la característica de permitir mayor cantidad

de canales recepción (descendentes), sin embargo, esto genera mayor consumo

de energía. La comunicación opera empleando un proceso llamado balizamiento,

el cual brinda al servidor conocer en qué momento el dispositivo final estará activo,

por otro lado, cabe destacar que los dispositivos de clase B cuentan con la

capacidad de ejercer el rol de actuador dentro de la red. (Ávila & Parra, 2020)

c. Clase C: Los dispositivos finales clase C se encuentran casi todo el tiempo

escuchando transmisiones de enlace descendente, el canal de recepción se cierra

únicamente cuando se requiere enviar un mensaje nuevo. Los dispositivos en esta

clase al igual que la clase A abren dos canales, con la diferencia que el segundo

canal permanece abierto indefinidamente para recibir mensajes del servidor. Una

característica de los dispositivos de clase C es que ofrecen menor latencia, pero

con un costo de mayor consumo energético, por lo que se recomienda utilizarlos en

áreas con fuente de alimentación eléctrica disponible, razón por la que se considera

su desarrollo para entornos industriales o en el hogar referente al control de

iluminación, algún sistema eléctrico, rastreo de vehículos y entre otros. (Ávila &

Parra, 2020)

Figura 10. Clases de dispositivos LoRaWAN

Ávila & Parra (2020)

44
Aguilar (2020) explica el protocolo LoRaWAN haciendo referencia con el modelo OSI, sitúa

la capa de enlace de datos con la MAC LoRaWAN, mientras que la capa física la identifica

con LoRa. La figura 11 presenta las capas del protocolo LoRaWAN referenciándolos con

las capas del modelo OSI.

Figura 11. Protocolo LoRaWAN dentro del Modelo OSI

Fuente: Aguilar (2020)

2.2.6.4. Seguridad del protocolo LoRaWAN

LoRa establece modos de seguridad para el acceso de los nodos finales a la red

LoRaWAN, entre ellos se encuentra el uso de acceso MAC (control de acceso al medio),

de hecho, este método no brinda realmente una forma de seguridad ya que pude ser

fácilmente vulnerado permitiendo escuchas e inyección de paquetes en la red. Por otra

parte, LoRaWAN permite configurar los métodos de activaciones ABP (activación por

personalización) y OTAA (activación por aire). (Advancedsecurity, 2020)

a. Método de activación ABP

El método de activación por ABP es un método simple establecido en las versiones 1.0 y

1.1 de LoRaWAN, el cual no incluye el procedimiento “Join”. Debido que este método de

activación no codifica las claves de sesión, ha presentado inconvenientes de seguridad,

45
específicamente ante ataques de criptoanálisis, siendo un método de activación con alto

nivel de vulnerabilidad. (Advancedsecurity, 2020)

b. Método de activación OTAA

El modo de activación por aire (OTAA) es un método bastante utilizado y seguro al mismo

tiempo, este modo de activación es un paso obligatorio para el procedimiento “Join” para

autenticar el nodo final LoRa. La figura 12 presenta el proceso OTAA, donde el dispositivo

final establece un primer contacto con el servidor de red LoRaWAN, enviándole una

solicitud, denominada “Join”, este incluye 3 parámetros como claves de sesión.

(Advancedsecurity, 2020)

• DevEUI: Se trata de un identificador con características únicas para un nodo final,

que utiliza direcciones bajo la norma IEEE EUI 64.

• AppEUI: Se trata de un identificador de aplicación, que utiliza direcciones bajo la

norma IEEE EUI 64.

• Dev Nonce: Refiere a un parámetro aleatorio de 3 bytes.

Por otro lado, desde el servidor de red LoRaWAN se genera la clave de sesión “appkey”,

clave registrada en el nodo final y el mismo servidor de red LoRaWAN, los parámetros

enviados por el nodo final al servidor de red se encuentran en un mensaje denominado

“Join Request”, si el servidor de red LoRaWAN permite el acceso a la red al nodo final, este

responde con un mensaje “Join Accept”. Sucedido este proceso las claves de sesión se

transfieren también al servidor de aplicación. Finalmente, estas mismas claves de sesión

se mantienen codificadas del lado del dispositivo final para el cifrado y descifrado de los

mensajes, de esta manera se protege la confidencialidad de los datos. (Advancedsecurity,

2020)

46
 Figura 12. Procedimiento de activación por aire (OTAA)
Fuente: Advancedsecurity (2020)

2.2.6.5. Tecnología Inalámbrica LoRa

LoRa es un acrónimo en ingles de “Long Rage”, que significa largo alcance, es una

tecnología inalámbrica que establece los conceptos de capa física en una red LPWAN, fue

patentado por la compañía Semtech, sin embargo, en la actualidad es administrado por

LoRa Allience. El objetivo de su diseño es establecer conexiones punto a punto a grandes

distancias considerando un bajo consumo energético con tasas binarias reducidas. Está

basada en una modulación de radiofrecuencia de espectro ensanchado (Chirp Spread

Spectrum - CSS) para el envío de datos, el cual se caracteriza por hacer uso completo del

ancho de banda del canal de transmisión, lo que le brinda mayor robustez ante

interferencias de ruido, además, mejora la sensibilidad del receptor, lo que permite ajustar

las tasas de transferencia de envió de datos, paquetes con un máximo de 255 bytes por

transmisión, de esta manera aumenta o disminuye su factor de ensanchamiento (SF -

Spreadin Factor), manteniendo el ancho de banda de manera constante. (Merino, 2019)

47
a. Chirp Spread Spectrum (CSS)

La tecnología CSS, basada en pulsos chirp lineales modulados en frecuencia, se

utiliza ampliamente en la industria marítima y de aviación para radares y sonares.

LoRa ha adoptado esta técnica. Un chirp es una onda senoidal que varía

linealmente en frecuencia a lo largo del tiempo. La figura 13 muestra la forma de

onda de un chirp lineal que aumenta y disminuye con respecto al tiempo. (Ávila &

Parra, 2020)

Figura 13. Frecuencia de un chirp descendente y ascendente

Fuente: Ávila & Parra (2020)

LoRa utiliza los chirps como señales de portadora para transmitir mensajes. Si se

analiza un espectrograma de estas portadoras, se puede ver un mensaje modulado

con LoRa, como presenta la figura 14. Cada chirp varía linealmente su frecuencia

con el tiempo, y se puede apreciar cómo la información codificada en cada símbolo

transmitido, reflejándose en desplazamientos discontinuos en la forma de onda. Al

principio, las líneas son uniformes, pero posteriormente se ven desplazamientos

con cierta discontinuidad. (Ávila & Parra, 2020)

48
 Figura 14. Mensaje codificado en señales de chirp
Fuente: Ávila & Parra (2020)

La figura 15 muestra cómo se interpreta la frecuencia y el tiempo al recibir la señal.

El dispositivo receptor genera un chirp inverso y lo multiplica con la señal recibida

modulada, lo que resulta en símbolos decodificados. Cada desplazamiento en la

señal recibida se puede asociar con la transmisión de un símbolo distinto. (Ávila &

Parra, 2020)

Figura 15. Demodulación de la señal LoRa

Fuente: Semtech (2013)

b. Spreading Factor (SF)

El “spreading factor” o en español factor de ensanchamiento hace referencia a la

cantidad de código de dispersión inyectada a una señal de datos original. LoRa en

su modulación establece seis factores de dispersión SF7, SF8, SF9, SF10, SF11 y

SF12, esto para mejorar las tasas de bit, el alcance de comunicación y el consumo

de energía; es decir, a mayor spread factor, más lejos llegará la señal y se recibirá

49
sin errores por el receptor, sin embargo, esto repercute a contar con menor

velocidad de datos y un mayor consumo energético. (Ávila & Parra, 2020)

Caba & Muñoz, (2020) agregan que a mayor SF incrementa el nivel señal al ruido

(SNR), además de la sensibilidad, llevando a contar con mayor rango de

transmisión, por otro lado, se incrementará el tiempo en el aire de la transmisión

(Time on Air – ToA). En cuanto al paquete de transmisión LoRa, este se encuentra

compuesto en 8 caracteres por preámbulo, la cabecera, la carga útil en un rango

de 51 a 212 bytes, en base al SF, además el CRC que verifica la repetición cíclica

o redundancia. (Ver figura 16).

Figura 16. Paquete LoRa

Fuente: Semtech (2013)

Por otro lado, la tasa de bits se determina a través de una formula:

𝐵𝑊
𝐵𝑖𝑡 𝑅𝑎𝑡𝑒 = 𝑆𝐹 × × 𝐶𝑅
2𝑆𝐹

Donde:

Bite Rate = Velocidad de bits (bits/seg)

SF = Factor de Ensanchamiento (7 a 12)

BW = 125 KHz, 250 KHz o 500 KHz

CR = Tasa de codificación (1 a 4)

50
 Caba & Muñoz (2020) resume que un alto SF disminuye la tasa de datos, lo que

lleva a mayor consumo energético pero mayor alcance de transmisión, por ejemplo,

para SF12 tiene un alcance aproximado de 14 km con velocidades de 0.3 kilobits

por segundo (kbps) y para SF7 un alcance de 2 km y 50 kbps de velocidad.

2.2.6.6. Bandas ISM

LoRa Alliance define los planes de canalización en distintas regiones del mundo en base a

las bandas no licenciadas de banda Industriales científicas y medicina (ISM), esto lo realiza

de acuerdo la región o del plan de frecuencia del país, utilizando rangos de ancho de banda

entre 125KHz, 250KHz y 500 KHz, en la tabla 6 se detalla los canales LoRaWAN

clasificados por región. (LoRa Alliance, 2018)

• Upstream 125 KHz: Establece 64 canales, utiliza un BW de 125 KHz y data rates:

DR0 a DR3.

• Upstream 500 KHz: Establece 8 canales, BW 500 KHz y data rates DR4.

• Downstream 500 KHz: Establece 8 canales, BW 500 KHz y data rates DR8 a

DR13.

Tabla 6.
Canales LoRaWAN segmentado por región

Nro CANAL POR RANGO DE FRECUENCIA

REGIÓN
1 EU863-870 863-870 MHz
2 US902-928 902-928 MHz
3 CN779-787 779-787 MHz
4 EU433 433-434 MHz
5 AU915-928 915-928 MHz
6 CN470-510 470-510 MHz
7 AS923 923-925 MHz
8 KR920-923 920-923 MHz
9 IN865-867 865-867 MHz
10 RU864-870 864-870 MHz
Fuente: LoRa Alliance, 2018

51
En el Perú el Ministerio de transportes y Telecomunicaciones (MTC), cuenta con un Plan

de atribución de frecuencias (PNAF), de acuerdo a la nota P23 establece las bandas

destinadas para soluciones industriales, científicas y médicas (ICM), banda libre las cuales

no requieren de una licencia de pago al estado, el mismo que fue actualizado por el MTC

con un conjunto de normas aprobadas en el año 2013 en el DS N°006-2013-MTC publicado

en el diario “El Peruano”, estableciendo el rango de frecuencias de 915 a 928 MHz, por otro

lado estas pueden operar con un rango de potencia de transmisión no superior a 1W.

(Ministerio de Transportes y Comunicaciones, 2013)

2.2.6.7. Presupuesto de Radioenlace

El presupuesto de un radio enlace permite calcular la potencia de señal a lo largo de la

trayectoria de un enlace, el cual consiste en la sumatoria de todas las ganancias y pérdidas

presentes en la comunicación de un enlace, partiendo en el punto de transmisión, el medio

de propagación y el punto de recepción. Este cálculo permite realizar estimaciones para un

diseño y una posterior implementación. A continuación, se detalla la ecuación de

presupuesto de enlace. (Aguilar, 2020)

𝑅𝑆𝐿 = 𝑃𝑇𝑥𝑑𝐵𝑚 + 𝐺𝑇𝑥𝑑𝐵 − 𝐿 𝑇𝑥𝑑𝐵 − 𝑃𝐿𝑑𝐵 + 𝐺𝑅𝑥𝑑𝐵 + 𝐿𝑅𝑥𝑑𝐵

Donde:

● 𝑅𝑆𝐿: Sensibilidad de señal recibida

● 𝑃𝑇𝑥𝑑𝐵𝑚 : Potencia Tx

● 𝐺𝑇𝑥𝑑𝐵 : Ganancia antena del Transmisor

● 𝐿 𝑇𝑥𝑑𝐵 : Pérdida del lado del transmisor

● 𝑃𝐿𝑑𝐵 : Pérdidas de trayectoria

● 𝐺𝑅𝑥𝑑𝐵 : Ganancia de recepción de la antena

● 𝐿𝑅𝑥𝑑𝐵 : Pérdida del lado del receptor

52
 2.2.7. Nivel de Procesamiento IoT:

Este nivel del sistema de IoT procesa, almacena y analiza datos de nodos finales recibidos

a través del nivel de comunicación. En esta etapa se emplean tecnologías de base de

datos, Big Data y computación en la nube (cloud computing). (Ortiz, 2019).

2.2.7.1. Plataformas en la Nube IoT

Una plataforma en la nube IoT (conocida también como Cloud IoT), es una tecnología de

computación en la nube, que brinda servicios por medio de Internet, este se basa en

servidores que cuentan con acceso en cualquier momento y lugar. Esta tecnología cuenta

con importantes características dentro de la definición del IoT, esto debido a que cuenta

con accesibilidad al almacenamiento y gestión de datos para los dispositivos de IoT,

además ofrece escalabilidad, esto beneficia y brinda una ventaja al momento de desarrollar

las diversas aplicaciones de Internet de las cosas; por otro lado, contempla la parte lógica

que da paso a la interconexión del hardware en relación a los protocolos que se establecen

en la comunicación y el flujo de datos de los dispositivos y sensores. Debido a la gran

cantidad de datos generados por los dispositivos IoT, surge la necesidad de gestionar dicha

información de manera ágil y eficiente a través de las plataformas Cloud computing para

IoT. En la actualidad hay una variedad de empresas que brindan estos servicios, algunas

de ellas son software de código abierto (open source). (Ortiz, 2019). A continuación, se

describe algunas plataformas en la nube para Internet de las cosas.

a. Open Source

• ThingSpeak: Es un entorno de código abierto para el análisis de IoT que

recopila datos de sensores y los guarda en la nube, además, proporciona una

plataforma de visualización y análisis de datos, por otro lado, brinda la

posibilidad de desarrollar prototipos de sistemas IoT sin la necesidad de

establecer servidores o entornos web. (Ortiz, 2019)

53
 • Open IoT: Open IoT es una plataforma de middleware de código abierto de

servicios de computación en la nube unificada en un entorno IoT, gracias su

infraestructura brinda la posibilidad de realizar una configuración flexible y de

desarrollo de algoritmos para los objetos conectados a Internet, recogiendo y

filtrando diferentes datos de flujo. (Ortiz, 2019)

• Datacake: Datacake es una plataforma de IoT multipropósito, se caracteriza por

su entorno desarrollado para LoRaWAN, ejecutando los servidores de red como

The things network, Chirpstack y entre otros, cuenta con aplicaciones para el

seguimiento de los nodos finales, supervisión de métricas y esquematización en

planos y diagramas de los dispositivos. Por otro lado, presenta una interfaz de

desarrollo de bajo código, lo que facilita su entorno de programación

disminuyendo tiempo para crear una aplicación IoT. (Datacake, 2021)

b. No Open Source

• Amazon Web Service IoT: Servicio que ofrece comunicación bidireccional

segura a dispositivos conectados a Internet, con la funcionalidad de recopilar,

almacenar y analizar datos, asimismo, permite crear aplicaciones para los

usuarios con el fin de brindarles una interfaz de interacción con los datos y a la

vez controlar dichos dispositivos. (Ortiz, 2019)

• Azure IoT: Es una Plataforma propietaria de Microsoft que brinda a sus clientes

la versatilidad de crear aplicaciones para internet de las cosas de acuerdo a sus

requerimientos, es por ello, que incluye diferentes tecnologías y aplicaciones

IoT, disponiendo de gran flexibilidad y adaptación para el usuario, razón por la

que no cuenta con una arquitectura fija. (Ortiz, 2019)

54
 • Google Cloud IoT: Esta conformado por un grupo de aplicaciones, permitiendo

la conectividad entre dispositivos, involucrando el storage y procesamiento para

el análisis de datos en la nube. Soporta diferentes sistemas operativos,

resaltando el sistema operativo Linux Debian, debido a su operación y

rendimiento. (Ortiz, 2019)

2.2.7.2. Protocolo IoT de mensajería

a. MQTT - Message Queuing Telemetry Transpor

Este protocolo fue elaborado en el año de 1999 en IBM, que para poder comunicar

equipos de bajo performance y poco consumo de ancho de banda, altas tasas de

latencia e incluso con pérdidas de señal. Desde esos momentos su aplicación se enfocó

en máquinas y sensores. Para el año 2013 fue estandarizada OASIS (Open Standards

for the Information Society). Hoy en día MQTT se utiliza en la comunicación de

mensajería de Facebook, comunicación entre equipos móviles, equipos de domótica

que se encuentran asociados a un servidor concentrador de datos, entre otros.

Respecto a su arquitectura, está contemplado en un modelo cliente-servidor, en base

a los que anuncian mensajes entre los elementos interconectados. Está enfocado en

la comunicación maquina a máquina (M2M) e IoT, una de sus características

principales es la de manejar un código sencillo, motivo por el cual es adecuado para el

uso de las aplicaciones como M2M que se encarga de telemetría, así como el

telecontrol, mientras que para IoT se encarga de la comunicación TCP- IP entre

distintos tipos de sensor. Entre otra de sus aplicaciones MQTT como cliente se encarga

de establecer conexión con el servidor, asimismo, estos anuncian mensajes de

aplicación que a diferencia de otros equipos tipo cliente reciben de ser el caso, por otra

parte, el cliente tiene la potestad de dar de baja o eliminar solicitudes de mensaje y

también desconectarse del servidor. Como servidor acepta conexiones a la red de los

clientes y sus mensajes de aplicación, además brinda la posibilidad de descartar

55
solicitudes de clientes. Finalmente, MQTT destaca algunas ventajas importantes, por

un lado, es un protocolo de carácter sencillo orientado a la aplicación de equipos con

bajos recursos, bajo consumo de ancho de banda en redes con altas tasas de retraso,

motivos que brindan una operación favorable en el ecosistema IoT. La segunda ventaja

es su arquitectura que está enfocada en la mensajería de publicación de suscripción

de mensaje que brinda la posibilidad de intercambiar mensajes entre el servidor y el

sensor. La tercera ventaja ofrece 3 configuraciones de calidad para la entrega de

mensajes: Nivel “Fire and Forget” (Mensaje publicado y recibido por única vez), Nivel

no confiable (Se asegura la llegada de los mensajes, sin embargo, podría duplicarse

alguno de estos), Nivel at least once (En esta configuración se asegura la llegada por

única vez del mensaje, suele ser utilizado en sistemas de facturación, contaje, entre

otros). (Noguera, 2016)

b. CoAP – Constrained Application Protocol

Centrado específicamente con nodos inalámbricos de baja potencia de consumo, que

haciendo uso del internet desarrolla una comunicación de forma interactiva, tiene un

modelo cliente/ servidor, que interactúa de manera semejante al HTTP, tiene la

particularidad CoAP desarrolla la interacción de mensaje de manera asíncrona

haciendo UDP.

Hace uso del modelo REST (que maneja métodos GET, POST, PUT, DELETE) utiliza

cabeceras reducidas, está enfocado en aplicaciones M2M, tiene un bajo costo de

operatividad, se puede adaptar al modelo nodo-sensor, también permite la utilización

de redes 6loWPAN. Entre sus características el protocolo CoAP ofrece: Reducción de

sobrecarga TCP, ya que al vincularse a UDP utiliza la fiabilidad unicast y apoyo

multicast para realizar peticiones. Gracias a su diseño CoAP reconoce de manera

sencilla a HTTP la incorporación simplificada con la web. Ofrece interacción de

mensajería asíncrona. Utiliza baja sobrecarga en sus cabeceras, hecho que reduce la

56
dificultad del análisis de un mensaje. Cuenta con búsqueda de mecanismos y recursos

para una opción de suscripción. El Caching simple (Almacenamiento en caché simple)

que está basado en MAX- AGE (Cache- control, es un monto de tiempo en segundos

que indica cuánto tiempo estará disponible una respuesta HTTP, antes de que pueda

estar disponible para su reutilización). Respecto a su modelo de mensajería CoAP hace

uso de UDP para el intercambio de mensajes entre los “Hosts”, además para evitar la

duplicidad de mensajes maneja un ID de 16 bits, y es capaz de enviar hasta 250

mensajes en un segundo entre 2 dispositivos. (Castro, 2014)

c. AMQP - Advanced Message Queeuing Protocol

AMQP se utiliza para la mensajería entre empresas, dentro de este marco, uno de sus

aportes fue la creación de pilas de protocolo con estándar abierto, además al ser un

protocolo de comunicación con funcionalidades para transmitir mensajes de aplicación

entre sistemas que manejan las técnicas publicación y suscripción, almacenamiento y

envío, entre otros. AMQP se comporta como un protocolo común que transporta los

datos a través de un intermediario, así mismo es capaz de resolver diversos problemas

en el mismo lapso, esto gracias a un bróker de mensajería (intermediario) se encarga

de una comunicación óptima para los datos. Por otra parte, es capaz de almacenar

mensajes en cola, para habilitar comunicación asíncrona (Rx y Tx no se comunican

simultáneamente), el mensaje de la cola se puede recuperar si se tiene la disponibilidad

para ello, hecho que brinda al Tx, la versatilidad de seguir operando y prevenir tiempos

de inactividad. Dentro de las características AMQP podemos observar la tabla x. Así

mismo brinda prestaciones middleware que se dan en la mensajería. Respecto a su

arquitectura y funcionalidad, AMQP ubicándolo dentro del modelo OSI trabaja dentro

de la capa de aplicación, utiliza los protocolos que laboran en TCP/IP, IMAP (Internet

Message Access Protocol, permitiendo acceso al correo electrónico), FTP (File

Transfer Protocol, que establece las reglas para la transferencia de archivos), IRC

57
 (Internet Relay Chat, que se usa en mensajería instantánea en tiempo real). Así mismo

AMQP a la hora de transmitir mensajes utiliza el denominado bróker de mensajería.

(Pérez, 2019)

2.2.8. Nivel de Aplicaciones IoT

Este nivel de aplicación se ejecuta el software o aplicaciones que interactúa con los

usuarios y datos, brindando la visibilidad de la información. La interfaz del software puede

desarrollarse en un entorno de interfaz gráfica (GUI), que tiene un uso más sencillo para el

usuario final y evita el uso de comandos y menús engorrosos, por otro lado, el desarrollo

se puede presentar en un ecosistema de desarrollo (IDE), caracterizadas por proporcionar

el entorno de construcción de software, se puede escribir, testear y depurar contenido

según se necesite, un ejemplo de un entorno IDE, sería NetBeans, para un dispositivo móvil

que utilice Android, sería Android Studio, etc. (Aguilar, 2020)

2.2.9. Redes Neuronales Artificiales (RNA)

RNA del término en inglés Artificial Neural Network (ANN), es un modelo computacional

basado en una estructura y función del cerebro humano, compuesta por nodos

interconectados llamados neuronas o nodos, emulando la función de las neuronas del

cerebro humano. Las neuronas biológicas examinan señales entrantes y las filtran para

decidir cuál transmitir y cuál no, las neuronas de una RNA están conectadas de forma que

permite brindarles un peso o importancia a los datos de entrada, cada neurona en la red

neuronal se caracteriza por un peso, sesgo y función de activación. (Mansoureh, 2021). En

la figura 17 se observa un diagrama que representa una RNA con su capa de entrada, capa

oculta y capa de salida.

58
 Figura 17. Red Neuronal Artificial
Fuente: Mansoureh (2021)

2.2.9.1. Modelo General de una Neurona Artificial

El modelo general de una neurona artificial consiste en un elemento simple de calculo que

mediante un vector de entrada de origen externo u otras neuronas, proporcionan una única

respuesta de salida. Los elementos que estable la neurona se detallan a continuación en

la figura 18. (Gonzales, 2015)

Figura 18. Modelo genérico de una neurona artificial

Fuente: Gonzales (2015)

• Conjunto de entradas: Refiere a los datos de ingreso a la neurona.

• Pesos de la neurona: Interpreta la intensidad de interacción entre cada neurona.

59
 • Regla de propagación: En base a los pesos y entradas brinda el valor del

potencial de la neurona.

• Función de activación: En base al estado anterior de la neurona brinda el estado

de activación actual.

• Función de salida: En base al estado de activación de la neurona brinda la salida

actual de la misma.

2.2.9.2. Algoritmo de entrenamiento

La red neuronal debe realizar un aprendizaje calculando la salida con un alto porcentaje de

precisión, para ello realiza cálculos con un conjunto de arreglos, adaptando pesos y

sesgos, este proceso se le denomina aprendizaje. El algoritmo de red neuronal de

propagación directa inicia cuando presenta un patrón en la capa de entrada de la red. Cada

unidad de ingreso corresponde a un elemento o neurona del vector de patrones de entrada.

Estas unidades toman un valor correspondiente al elemento de patrón de entrada, el cual

se calcula el valor de activación o en el nivel de salida de la primera capa. Durante el

proceso de aprendizaje, algoritmo de red neuronal varía los pesos de las conexiones de la

red, el cual sufren modificaciones aplicando criterios que siguen para cambiar el valor

asignado con el fin de que la red neuronal aprenda una nueva información. (Gonzales,

2015)

• Capa de entrada: se encuentra conformado por aquellas neuronas que agregan

patrones en la red. Estas neuronas no producen procesamiento.

• Capas ocultas: Refiere a aquellas neuronas provenientes de la capa anterior,

cuyas neuronas pasan por neuronas de capas posteriores.

• Capa de salida: Estas neuronas brindan valores de salida, corresponden a la salida

de toda la red.

60
A continuación, se detalla la fase de entrenamiento de la red neuronal

• Fase de entrenamiento: El algoritmo de aprendizaje se encarga de generar una

función que vincule el dato de entrada con el resultado en base a una tabla de

entrenamiento, el cual consiste en datos de entrada y salida.

• Fase de reconocimiento: Esta fase requiere de los datos de entrada, la red

neuronal hace uso de una fusión generada en la fase de entrenamiento para

generar los datos de salida

2.2.9.3. Tiny Machine Learning

Es un área nueva de investigación destinada al diseño de redes neuronales y técnicas de

aprendizaje automático con la capacidad de operar en sistemas embebidos y dispositivos

IoT, resolviendo las limitaciones tecnológicas de memoria, procesamiento y consumo

energético por lo cual se caracterizan estos elementos. (Roveri & Disabato, 2021). Por otro

lado, Mansoureh (2021) explica que TinyML propone integrar sistemas basados en

aprendizaje automático con mecanismos dentro de objetos pequeños alimentados por una

unidad de microcontrolador. Esto permite la ejecución de modelos complejos de redes

neuronales con un consumo energético con una potencia bastante baja, llegando a contar

con consumos de potencia con menos de 1 mW, lo podría permitir alimentar durante meses

con una batería tan pequeña como la de una moneda. TinyML se encuentra en el medio

de un sistema integrado y la máquina de aprendizaje (ver figura 19), esta tecnología abre

la posibilidad de realizar el procesamiento en el microcontrolador, considerando que no

siempre es factible enviar cada segundo los datos del microcontrolador a un servidor de

aplicación, además que de requerirse un dato de regreso para mostrarlo en una pantalla o

display se necesitaría de la apertura de un canal de comunicación y el tiempo que este

tomaría en enviar, luego resolver el algoritmo de red neuronal en la software de aplicación

en la nube y enviar el dato de resultado de regreso al dispositivo (microcontrolador) para

61
mostrarlo en la pantalla, lo que también considera un tiempo, por otro lado, se toma en

cuenta el canal de ancho de banda y consumo energético. TinyML es una arquitectura de

aprendizaje automático capaz de adaptarse en dispositivos que tienen bajos recursos de

procesamiento y memoria, además de bajo contar con un bajo consumo energético,

orientado a dispositivos IoT en el dominio de sensores inalámbricos.

Figura 19. Tiny Machine Learning

Fuente: Mansoureh (2021)

2.2.9.4. Tensor Flow Lite

Es una aplicación de Google que brinda la posibilidad de correr modelos de aprendizaje

automático en dispositivos móviles, de manera que un modelo elaborado en TensorFlow o

Keras es posible convertirlo con éxito en un formato de TensorFlow Lite denominado

“Flatbuffers” que se asemeja al sistema RNA de origen, sin embargo, es mucho más

pequeño y rápido a la vez, obteniendo una latencia baja y un tamaño binario bastante

pequeño. Esta solución fue desarrollada pensando en hardware con bajo nivel de

procesamiento y de poca potencia como los microcontroladores. Para diseñar y ejecutar

aprendizaje automático utilizando poca memoria para aplicar aprendizaje automático. Un

entorno principal de ejecución puede ser procesado con solo 16Kb, procesadores como el

ARM Cortex M3 puede correr varios modelos básicos, no tiene dependencia de

compatibilidad con el sistema operativo. Esto permite potenciar la inteligencia de muchos

62
dispositivos de Internet de las cosas, a fin de contar con hardware de bajo costo con

capacidad de conexión a Internet. Cuenta con compatibilidad de codificación en lenguaje

C++, entorno IDE de Arduino, ESP32, etc. (Tensorflow org, 2021)

2.3. Marco Conceptual

2.3.1. Hemoglobina

La Hemoglobina es una proteína poseedora de hierro que se encuentra en grandes

cantidades en nuestros glóbulos rojos, esta presenta un pigmento con la capacidad de

mezclarse con el oxígeno, de esta manera puede transportarlo y liberarlo de manera eficaz

en los tejidos del cuerpo. La Hemoglobina es un perfecto transportador de oxígeno capaz

de utilizar hasta el 90% de su capacidad para dicho fin. (Balaguer, 2016)

2.3.2. Anemia

La anemia es una afección de salud que se presenta cuando hay una baja concentración

de hemoglobina en sangre, al presentar esta afección se disminuye la producción de

glóbulos rojos, esto conlleva a afectar los tejidos del organismo con la posibilidad de

generar un mal funcionamiento o falla de los órganos. La anemia se produce

principalmente debido a la reducción de hierro en la sangre, donde la causa más común

es la carencia nutricional. Algunos de los síntomas son fatiga, debilidad, mareos, dificultad

para respirar y entre otros. La anemia es un problema grave de salud pública en el mundo,

el cual es muy común en niños pequeños y mujeres gestantes. (OMS, 2022)

En la figura 20 se detalla los valores de concentración de hemoglobina en niños y

adolescentes

63
 Figura 20. Valores de concentración hb en Niños y Adolescentes (hasta 1,000 msnm)
Fuente: MINSA (2020)

2.3.3. Instrumentos de medición de Hemoglobina Invasivo Portátil

Son equipos desarrollados bajo el concepto de prueba en el punto de atención (de sus

siglas en inglés POCT – Point of Care Testing), es decir, ensayos clínicos cercanos al

paciente, con la base de partida de brindar resultados rápidos (minutos). Su objetivo es

proveer información relevante o útil al personal de salud para la toma de decisiones

referente al diagnóstico o tratamiento. Son utilizados en escenarios como hospitales,

consultorios médicos y campañas de salud pública para el descarte de anemia. Los

ensayos requieren un proceso de muestreo de sangre para determinar el nivel de

hemoglobina. (Rustam et al., 2020). La figura 21 muestra algunos instrumentos de

medición de hemoglobina portátil.

Figura 21. Instrumentos de medición de hemoglobina Invasivos Portátiles

Fuente: Rustam et al. (2020)

64
 2.3.3.1. Mission Hb

Mission Hb, es un medidor de hemoglobina de la compañía estadounidense Ancon

Laboratories, Inc, diseñado para determinar de forma cuantitativa el nivel de hemoglobina

en sangre humana, capilar o venosa. Se caracteriza por su uso portable y brindar

resultados de forma rapida. Utiliza tiras reactivas secas para el manejo y almacenaje de

reactivos líquidos, incluye un sistema de auto calibración y almacena hasta 1000 resultados

en su memoria interna, además, opera con baterías o un adaptador de corriente alterna,

asimismo, cuenta con una pantalla LCD y transferencia de datos mediante puerto USB.

(Ancon Laboratories, Inc., 2017). En la tabla 7 se detalla sus características técnicas.

Tabla 7.
Especificaciones técnicas Mission Hb

Características Especificaciones
Método Fotometría reflectancia
Principio Meta-hemoglobina
Resultados < 15 seg
Memoria 1000 test
Volumen de Muestra 10 ul
Tipo de Muestra Capilar / vena sangre entera
Rango de Medición de Hb 5-25.6 g/dl
Rango de Hematocrito 15-75%
Longitudes de Onda 525nm
Interfaz para PC Puerto USB
Calibración Automática
Dimensiones del dispositivo 12.7 cm * 5.8 cm * 2.5 cm
Fuente de Alimentación 3 AAA Batteries or AC Adapter
Fuente: Ancon Laboratories, Inc.

65
2.4. Identificación y clasificación de variables

2.4.1. Variable Independiente

Prototipo IoT que determina el nivel de hemoglobina de manera no invasiva.

2.4.2. Variable Dependiente

Niveles de hemoglobina de niños y adolescentes.

66
 CAPÍTULO 3:

METODOLOGÍA DE INVESTIGACIÓN

3.1. Diseño de Investigación

3.1.1. Tipo

El proyecto de investigación según su finalidad es de tipo aplicada o práctica ya que busca

contribuir en la sociedad aplicando conocimientos científicos anteriormente demostrados.

Asimismo, según su alcance es de tipo exploratorio debido que investiga un problema

empleando una visión novedosa.

3.1.2. Enfoque

El proyecto de investigación presenta un enfoque cuantitativo ya que hace uso de

mediciones numéricas, simulaciones y estadísticas para probar la hipótesis planteada.

3.1.3. Población

Infantes de 5 a 11 años y adolescentes de 12 a 17 años que asisten a las Ollas Comunes

del AA.HH. Ciudad de Gosen de la zona de Nuevo Milenio en el distrito de Villa María del

Triunfo.

67
3.1.4. Muestra

10 voluntarios conformados por niñas, niños y adolescentes de la Olla Común “Cadena de

Amor” basados en resultados de niveles de hemoglobina en sangre y el nivel de saturación

de oxígeno.

3.1.5. Operacionalización de Variables

Tabla 8.
Operacionalización de variables

Tipo Definición Definición Unidad de

Variable Indicadores Instrumento
Variable Conceptual Operacional medida

-Resultados
- Datos del
Dispositivo basado de muestras
Sensor
en IoT que permite del sensor % SpO2
Oximetría de
determinar el nivel de oximetría
Pulso (SO2)
de hemoglobina de Mediante la captura de pulso
manera no invasiva de datos del sensor
en base a la captura de oximetría de - Datos de la
Prototipo IoT de datos de un pulso y el desarrollo
Independiente

capa de
que determina sensor de oximetría de un sistema de -Nivel de
salida del
el nivel de de pulso red neuronal artificial Hemoglobina sistema de
Hb
hemoglobina de (MAX30102) y un embebido en un no invasivo
red neuronal
manera no sistema de red prototipo basado en artificial
invasiva neuronal artificial IoT, se determina el
embebido en el nivel de
prototipo que se hemoglobina de -Análisis de
-Porcentaje
entrenó con datos manera no Invasiva de precisión rendimiento
de SpO2 y el nivel del sistema
de los %
de hemoglobina en de red
niveles de
sangre (g/dl). neuronal
hemoglobina
artificial

Niveles de
hemoglobina
Dependiente

Nivel de obtenidos de - Registro de

Niveles de -Niveles de
hemoglobina en g/dl muestras de sangre muestras en
hemoglobina en hemoglobina
presente en la en la población campo de g/dl
niños y en sangre
sangre de niños y infantil y pacientes
adolescentes (g/dl)
adolescentes adolescente en la voluntarios
zona de Nuevo
Milenio en VMT

Fuente: Elaboración propia

68
3.2. Instrumentos y Técnicas de Investigación

3.2.1. Técnicas

Establece la técnica de recopilación de datos, registrando muestras de niveles de

hemoglobina en sangre (g/dl) de pacientes voluntarios en campo de la población objetivo,

así como el análisis de rendimiento del sistema de red neuronal artificial basado en los

resultados de los datos de SpO2 y Hb no invasivo, por otro lado, se utilizó fuentes de

estudios de investigación científica que brinde sustento al desarrollo de la investigación.

3.2.2. Instrumentos

Instrumento de registro de muestras de niveles de hemoglobina en sangre (g/dl) y

saturación de oxígeno (SpO2) de pacientes voluntarios en campo, por otro lado, se

encuentra el software o interface para la escritura del sistema de red neuronal artificial y el

análisis de rendimiento de la red neuronal artificial basada en los resultados de los datos

de SpO2 y Hb no invasivo

3.3. Metodología propuesta

El proyecto de investigación se elaboró bajo un enfoque de metodología cuantitativo,

estableciendo 5 fases para su desarrollo:

● Fase 01: Establecer datos del Paciente

● Fase 02: Desarrollo del prototipo

● Fase 03: Red Neuronal Artificial

● Fase 04: Establecer comunicación

● Fase 05: Almacenamiento e Interacción de datos

A continuación, en la figura 22 se descompone cada fase elaborando una estructura de

trabajo.

69
3.3.1. Estructura de Trabajo

Figura 22. Estructura de Trabajo de de Investigación

Fuente: Elaboración Propia

54
3.4. Introducción a la Solución

La anemia en el Perú es un problema grave de salud pública, que según datos del Instituto

Nacional de Estadística e Informática (INEI) más del 40% de la población infantil padece

de esta afección. El Ministerio de Salud del Perú (MINSA) enfrenta este problema con el

desarrollo de campañas para el despistaje, enfocándose en niños menores de 5 años, sin

embargo, no enfatiza en niños del rango de 5 a 11 años y adolescentes de 12 a 17 años,

que de acuerdo la Organización Mundial de la Salud (OMS), la anemia es bastante común

en dicho grupo etario, llevando a afectar su sistema inmunológico y repercutir en el

rendimiento escolar. Por otra parte, el Dr. Quispe del Centro Médico Ciudad de Gosen,

manifiesta que en la zona de Nuevo Milenio en Villa María del Triunfo se realizan campañas

de despistaje de anemia para niños menores de 5 años, e indica que no se tiene suficientes

recursos para el resto de la comunidad, entre ellos niños mayores de 5 años y

adolescentes. Ante estos hechos surge la motivación de desarrollar un prototipo que pueda

aportar una solución desde el punto de vista de la ingeniería de telecomunicaciones, con

la finalidad de beneficiar a la comunidad y el sector salud en la prevención y lucha contra

la anemia. El proyecto de tesis propone utilizar los establecimientos denominados “Ollas

Comunes” como puntos de despistaje de anemia, debido a que estos concentran afluencia

de población vulnerable, conformada por niños y adolescentes. Esto mediante un prototipo

que recogerá datos de los pacientes para determinar el nivel de hemoglobina de manera

no invasiva con la ayuda de un sistema de red neuronal artificial previamente entrenado.

Cada Olla Común albergará un prototipo o Nodo Final, los cuales enviarán la información

recolectada a través de una red LoRaWAN, llegando finalmente al servidor de aplicación o

plataforma IoT (ver figura 23), en el que se almacenarán dichos datos, además de contar

con una interfaz Web para que el personal de salud pueda interactuar con la información

capturada de los pacientes en tiempo real desde cualquier parte del país a través de

Internet.

55
 Figura 23. Arquitectura de Solución
Fuente: Elaboración propia

La investigación se desarrollará en el distrito de Villa María del Triunfo en la zona de Nuevo

Milenio, específicamente en el Asentamiento Humano (AA.HH.) Ciudad de Gosen,

delimitado entre las avenidas Fraternidad y Sara Sara. En base a datos del Instituto

Nacional de Estadística e Informática (2020), su población pertenece principalmente a un

estrato social bajo, contando con 549 hogares en 86 manzanas y un total de 2023

habitantes, entre ellos 535 niñas, niños y adolescentes entre los 5 y 17 años. La figura 24

corrobora la delimitación y estratificación de “Ciudad de Gosen”.

56
 Figura 24. Delimitación y estratificación de la zona del Proyecto de Investigación
Fuente: INEI, (2020)

De acuerdo a datos de la Municipalidad de Lima (2021), indica que el distrito de Villa María

del Triunfo cuenta con una cantidad de 419 Ollas Comunes, y dentro de la zona de Nuevo

Milenio en el Asentamiento Humano Ciudad de Gosen hay un total de 23. En la tabla 9 se

detalla los nombres de los 23 establecimientos, sus representantes y la cantidad de

raciones que se distribuyen a la comunidad por cada olla común.

Tabla 9.
Lista de Ollas Comunes de la Zona de Nuevo Milenio del AA. HH. Ciudad de Gosen

Ollas Comunes AA.HH. Representante

Ítem Ciudad de Gosen de La Olla Común Raciones

1 Mujeres Unidas Angela Yanera Navarro 81

2 Santa Rosa de Lima Cornelia Cercamucho 115
3 Carita de Ángel Beatriz Cano 180
4 Cadena de Favores Kevin Paguada 90
5 San José Bernal Santa Rosa Lourdes Viamonte Yujra 70
6 Villa Santa Rosa Eda Álvarez 125
7 Divino Jesús Irene Rafael Miniano 120
8 Las Mamitas de la Hoyada Tarsy Gonzales 120

57
 9 San Santiago Silvia Hinostroza 92
10 Virgen de Guadalupe Epifanio Quispe 180
11 Virgen de Guadalupe II Ester Inga Chuquimanony 76
12 Las Leonas Estefany Figueroa 80
13 Fe y Esperanza Marlene Cosi Apaza 122
14 Virgen del Carmen Virginia Salazar Fernández 130
15 San Miguel Arcángel Jackelyn Rucoba Bencino 120
16 Mujeres Poderosas Rosmeri Domínguez Parco 96
17 El Maná Rosmery Paquiero Sedano 62
18 San Miguel de Arcángel II Jackelyn Rucoba Bencino 80
19 Señor de los Temblores Gregoria Villena 80
20 Ollita de Verónica Mónica Cespedes 110
21 Jehová Jireh Fabiola Calderón 71
22 Rinconcito de Ticclo Chico Ruth Centeno 50
23 Cadena de Amor Mirian Mamani 63
Fuente: Municipalidad de Lima (2021)

Cabe resaltar, que el Centro médico Ciudad de Gosen se encuentra ubicado en la dirección

“MZ D LT 11” en la zona de Nuevo Milenio - Villa María del Triunfo. La figura 25 se presenta

una fotografía del establecimiento.

Figura 25. Puesto de Salud Ciudad de Gosen

Fuente: Google (2020)

3.5. Fuentes de Investigación para el desarrollo del prototipo

El prototipo está basado en fuentes de investigación científica entorno a salud y tecnología

de la información. Estas fuentes de investigación brindan un sustento para la elaboración

del prototipo tanto desde el aspecto tecnológico, como desde el campo de la salud, desde

58
donde se extrajo información para formular consultas específicas en torno a pacientes con

anemia para los datos de clasificación del prototipo. A continuación, se detalla fuentes de

investigación desde el aspecto tecnológico y el campo de la salud.

a. Desde el aspecto Tecnológico:

El presente proyecto de tesis se apoya en las fuentes de investigación de Rezza

(2018) “Herramienta de medición de Hemoglobina en sangre no invasiva basada

en Arduino” y Hadianto (2020) “Herramienta de Monitoreo para medir el nivel de

Hemoglobina usando el algoritmo K-Vecino más Próximo (KNN) basado en Internet

de las Cosas (IOT)”. Ambas investigaciones coinciden en la elaboración de un

prototipo con base en un sensor de oximetría de pulso el cual adquiere datos del

nivel de saturación de oxígeno del dedo del paciente, información que al ingresarla

a un sistema de red neuronal previamente entrenado puede establecer el valor del

nivel de hemoglobina de manera no invasiva de un paciente, obteniendo resultados

del 90.86% y 93.49% correspondientemente.

De manera semejante, la investigación “Dispositivo de Internet de las Cosas (IoT)

para detectar anemia con un enfoque no invasivo” realizada por Hafeel et al. (2019)

desarrollaron un dispositivo que captura imágenes de la yema del dedo de los

pacientes a través de una cámara y además solicita información del paciente,

llenando un cuestionario de preguntas específicas, información que luego es

enviada a un servidor central, donde utilizando un algoritmo de redes neuronales

previamente entrenado determina si el paciente presenta anemia, obteniendo en

sus resultados una tasa de precisión del 83%.

b. Desde el campo de la Salud

MINSA (2016) explica que el motivo principal de anemia se debe a un factor

nutricional por deficiencia de hierro. De esta manera, establece medidas

59
 alimentarias preventivas, sugiriendo una dieta rica en hierro, entre ellos, alimentos

como la carne de pescado, res, pavo, cerdo y pollo, asimismo, resalta que las

vísceras rojas contienen mayor cantidad de hierro (Bazo, hígado, bofe, Corazón,

riñón, sangrecita), además de mencionar el consumo vegetales y menestras. (p.

15). Por otra parte, MINSA (2016) agrega que los síntomas más comunes en un

paciente por deficiencia de hierro son principalmente la inapetencia, el sueño

incrementado, la irritabilidad, la disminución del rendimiento físico, mareos

constantes y el dolor de la cabeza, por otro lado, también se presentan sistemas

cardiopulmonares como la taquicardia, condición que aparece cuando la

hemoglobina es menor o igual a 5 g/dl. (p. 10)

3.6. Formulación de datos de Identificación y clasificación

Para la elaboración del prototipo se establece el número de DNI (Documento Nacional de

Identidad) como dato de identificación del paciente, por otro lado, para los datos de

clasificación se establecen la edad, sexo y datos específicos en torno a la dieta y

sintomatología del paciente. Los cuales se formulan a continuación.

a. De acuerdo a su Dieta:

● ¿En la semana cuántas veces consume carne de pescado?

● ¿En la semana cuántas veces consume res, pollo, cerdo o pavo?

● ¿En la semana cuántas veces consume viseras rojas (bazo, hígado, bofe,

corazón, riñón, sangrecita)?

● ¿Cuántas veces a la semana consume vegetales y menestras?

60
 b. De acuerdo a la sintomatología:

● ¿Últimamente no tiene apetito o deseo de comer?

● ¿Últimamente presenta cansancio o sueño incrementado?

● ¿Últimamente presenta dolor de cabeza o mareos constantes?

Finalmente, se resume en la tabla 10, diez consultas que se solicitarán al paciente,

estableciendo el número de DNI como dato de identificación, luego como datos de

clasificación la edad, sexo y datos entorno a la dieta y sintomatología asociada a anemia,

información que no solo permitirá la clasificación del paciente, sino también que es

información valiosa para el personal de salud frente a la decisión de un diagnóstico o

tratamiento.

Tabla 10.
Consultas para los datos de identificación y clasificación del paciente.

Ítem Datos del Paciente

1 ¿Cuál es su DNI?
2 ¿Cuál es su Sexo?
3 ¿Qué Edad tiene?
4 ¿En la semana cuántas veces consume pescado?
5 ¿En la semana cuántas veces consume res, pollo, cerdo o pavo?
6 ¿En la semana cuántas veces consume viseras rojas?
7 ¿En la semana cuántas veces consume vegetales y menestras?
8 ¿Últimamente presenta Inapetencia?
9 ¿Últimamente presenta cansancio o sueño incrementado?
10 ¿Últimamente presenta dolor de cabeza o mareos constantes?
Fuente: Elaboración Propia

3.7. Desarrollo del Prototipo

El prototipo se centra en determinar el nivel de hemoglobina de manera no invasiva

empleando sensores de oximetría de pulso y redes neuronales artificiales. En ese sentido,

es importante resaltar que el oxímetro de pulso mide de manera no invasiva la cantidad de

oxígeno transportada por la hemoglobina. El cual lo logra haciendo uso de diodos emisores

de luz (LED) de color rojo e infrarrojo, además cuenta con un fotodiodo como elemento

para medir la intensidad de la luz. Al colocar el dedo en un oxímetro de pulso, la luz de los

61
LEDs penetra a través de los tejidos del dedo y es captada por el fotodiodo. El resultado

de la intensidad de la luz a través de un medio se encuentra establecida en Beer-Lambert,

ley que explica la luz absorbida en los tejidos del dedo tiene una relación con los niveles

de hemoglobina. La hemoglobina al momento que carga oxígeno se le denomina

hemoglobina oxigenada (Oxihemoglobina - HbO2), cuando la hemoglobina se encuentra

libre de oxígeno se conoce como hemoglobina desoxigenada (Desoxihemoglobina – Hb).

La Oxihemoglobina al ponerse en contacto con la emisión de luz de los LEDs, absorbe

más luz infrarroja y deja pasar mayor cantidad de luz roja, mientras que la

desoxihemoglobina absorbe más luz roja y deja pasar mayor cantidad de luz infrarroja, que

se presenta en la figura 26.

Figura 26. Oxihemoglobina y Desoxihemoglobina en contacto con la de luz roja e

Infrarroja
Fuente: Córdova, 2018

El oxímetro de pulso brinda el dato de la saturación de oxígeno (SpO2), que es un

porcentaje de los niveles de oxígeno distribuidos por todo el cuerpo que es transportado

por la oxihemoglobina (HbO2). En la siguiente fórmula se muestra la relación entre la

saturación de oxígeno y la hemoglobina.

𝐻𝑏𝑂2
𝑆𝑝𝑂2 =
𝐻𝑏𝑂2 + 𝐻𝑏

Por otro lado, el prototipo está compuesto por un microcontrolador que estará conectado a

un sensor de oximetría de pulso, donde el paciente al colocar su dedo índice de la mano

62
derecha capturará el dato del nivel de saturación de oxígeno. Además, se plantea que el

prototipo solicitará a los pacientes información de identificación (DNI) y clasificación (edad,

sexo, datos específicos entorno a la dieta y estado de salud del paciente). Esto se logrará

con el mismo microcontrolador conectado a periféricos, que se basa en una pantalla donde

se mostrarán las consultas y un teclado por el cual el paciente ingresará los datos

solicitados. Toda la información ingresada se almacenará temporalmente en la memoria

del microcontrolador, además, con el porcentaje de saturación de oxígeno del paciente

obtenido, se tomará como dato de ingreso en el algoritmo de RNA previamente entrenado

que determinará el nivel de hemoglobina de manera no invasiva del paciente. Luego el

microcontrolador enviará toda la información a través de un módulo de comunicación LoRa.

La figura número 27 presenta el diagrama de bloques de la estructura general de solución.

Que compone los elementos del prototipo (microcontrolador, periféricos, oxímetro de pulso

y el módulo de comunicación LoRa), donde el módulo LoRa posteriormente establecerá

comunicación con un Gateway LoRaWAN, el cual contará con una salida a Internet, para

establecer una conexión con el servidor de red LoRaWAN, luego los datos se enviarán a

un software en la nube de Internet de las cosas, donde se mostrarán los datos obtenidos

de los pacientes.

Figura 27. Estructura general de solución

Fuente: Elaboración Propia

63
3.7.1. Componentes del Prototipo

El prototipo está compuesto por 4 bloques, la figura 28 presenta un esquema con cada uno

de ellos, el primer bloque la fuente de alimentación encargada de suministrar energía al

microcontrolador, el segundo bloque conformado por microcontrolador, el cual es el

responsable de suministrar energía y enviar las instrucciones al resto de componentes, el

tercer bloque adquisición de datos está compuesto por una pantalla, un teclado numérico

y un sensor de oximetría de pulso, finalmente el cuarto bloque donde se encuentra el

módulo de comunicación LoRa.

Figura 28. Diagrama de Bloques para el diseño del Prototipo

Fuente: Elaboración Propia

3.7.1.1. Periféricos del Prototipo

Los periféricos del prototipo son parte del bloque de adquisición de datos, que permitirán

la interacción con los pacientes y el sistema, esta se basa en una pantalla por donde se

visualizará las consultas y un teclado de entrada para ingresar las respuestas de las

consultas solicitadas.

64
a. Pantalla OLED

Para la elaboración del prototipo se consideró una pantalla de diodos emisores de luz

orgánico (OLED) de 0.96”, tipo de pantalla ampliamente utilizado en aplicaciones de

equipos médicos portátiles, la tecnología de pantalla permite un bajo consumo

energético, además tienen bajo costo en el mercado debido a su masificación de

fabricación, por otro lado, cuenta con una resolución de 128x64 pixeles. La figura

número 29 presenta la pantalla o display seleccionado.

Figura 29. Pantalla OLED 0.96 resolución 128x64

Fuente: Fotografiado por el autor

Seguidamente, la tabla 11 muestra las especificaciones del display OLED:

Tabla 11.
Pantalla OLED 0.96 Especificaciones

Especificaciones Parámetro
Voltaje de operación 3V – 5.5V DC
Driver SSD1306
Interfaz SPI
Resolución 128*64 píxeles
Consumo de Energía 0.08W
Temperatura de trabajo -30ºC ~ 70ºC
Dimensiones 27*27*4.1mm
Peso 5 gramos
Fuente: (Naylampmechatronics, 2021)

65
b. Teclado Numérico

Teniendo en cuenta que el paciente deberá ingresar datos como el número de DNI, la

edad y respuestas específicas con un rango de escala numérica, se establece un

teclado tipo membrana matricial de 3 columnas por 4 filas (12 botones). En la figura 30

se aprecia el modelo del teclado numérico. Para el desarrollo del prototipo la tecla con

el símbolo de asterisco (*) se considera como un “SI” y la tecla con el símbolo numeral

(#), se establece como la opción de borrar.

Figura 30. Teclado numérico matricial 3X4

Fuente: Fotografiado por el autor

A continuación, la tabla 12 detalla las especificaciones técnicas del teclado numérico

matricial 3X4.

Tabla 12.
Especificaciones técnicas Teclado numérico matricial 3X4

Especificaciones Parámetro
Tipo de teclado Numérico
Tipo Configuración Matriz 3X4
Tipo de conector Cable plano 7 pines
Material Membrana
Numero de teclas 12 (dígitos: 0-9, símbolos *, #)
Dimensiones 6.9 cm x 7.6 cm
Máximo voltaje operación 24V DC
Corriente máxima de operación 30mA
Temperatura de operación 0ºC ~ 50ºC
Protección y asilamiento Resistente agua y polvo
Fuente: (Hifisac, 2022)

66
 3.7.1.2. Sensor de Oximetría de Pulso

Para la elección del sensor de oximetría de pulso del prototipo se escogió tres sensores de

marcas reconocidas, realizando una evaluación, la cual consiste en calificar las

especificaciones técnicas relevantes y costos de estos en el mercado, para ello, se

estableció una fórmula matemática con la finalidad de asignar una calificación y seleccionar

el que cuente con mayor puntaje.

A continuación, la tabla 13 muestra un cuadro comparativo de sensores de oximetría de

pulso, detallando sus especificaciones técnicas y el costo de estos puestos en el mercado

local.

Tabla 13.
Comparación técnica – económica de Sensores de Oximetría de Pulso

Especificaciones MAX30102 NJL5501R OPT101

Maxim Texas
Fabricante Nisshinbo
Integrated Instruments
Rango sensibilidad de 500nm – 550nm –
200 – 1100nm
recepción espectro λ (nm) 1000nm 1100nm
Rango Operación
-40°C - +85°C -30°C - +85°C 0°C - +70°C
Temperatura (°C)
Rango de operación (V) 3.1 – 5.25V 3.3V – 5V 2.7V – 36V
Consumo Máx. (mA) 60 mA 65 mA 12 mA
Interfaz de Comunicación I2C I2C Analógico
Precisión aproximada 0.97 0.89 0.9
Costo S/ 20.00 S/ 45.00 S/ 25.00

A partir de la tabla 14, se determinaron aspectos técnicos relevantes para el

planteamiento de la siguiente fórmula:

𝐶𝑠𝑒 + 𝐶𝑜𝑡 + 𝐶𝑐𝑎 + 𝐶𝑝𝑎 + 𝐶𝑐𝑜𝑠

𝐶𝑡𝑠 =
𝑁𝑒

67
Donde:

● Cts: Calificación total del Sensor

● Cse: Calificación de sensibilidad de espectro

● Cot: Calificación de operación de temperatura

● Cca: Calificación de Consumo en Amperios

● Cpa: Calificación de precisión aproximada

● Ccos: Calificación de costo

● Ne: Número de especificaciones

A continuación, la tabla 14 muestra la calificación asignada a cada especificación

considerando un rango en la escala de 0 al 4, luego, aplicando la fórmula propuesta se

detalla el resultado de la calificación total de cada sensor (Cts).

Tabla 14.
Tabla de Calificación de sensores de Oximetría de Pulso

Especificaciones MAX30102 NJL5501R OPT101

1 Sensibilidad de recepción de 2 3 4
espectro (Cse)
2 Operación Temperatura (Cot) 3 4 2
3 Consumo en Amp. (Cca) 3 2 4
4 Precisión aproximada (Cpa) 4 2 3
5 Costo (Ccos) 4 2 3
Calificación total del Sensor 2.20 1.20 2.0
(Cts)
Fuente: Elaboración Propia

De acuerdo a la tabla 15, el sensor MAX30102 obtiene la calificación más alta (2.20),

seleccionando de este modo al sensor para el desarrollo del prototipo.

3.7.1.3. Microcontrolador

De igual forma que el sensor de Oximetría de pulso, para la elección del

microcontrolador, se escogió tres microcontroladores de empresas de desarrollo

68
 destacadas en el mercado para su evaluación. En base a la tabla 4 se toman

especificaciones técnicas relevantes y sus costos en el mercado local, para luego

elaborar la siguiente fórmula:

𝐶𝑓𝑝 + 𝐶𝑚𝑠 + 𝐶𝑒𝑎 + 𝐶𝑒𝑑 + 𝐶𝑖2𝑐 + 𝐶𝑙𝑤 + 𝐶𝑐𝑎 + 𝐶𝑐𝑜𝑠

𝐶𝑡𝑝 =
𝑁𝑒

Donde:

● Ctp: Calificación total de la Plataforma (Microcontrolador)

● Cfp: Calificación de la Frecuencia del Procesador

● Cms: Calificación de la memoria del Sistema

● Cea: Calificación por el # de Entradas analógicas

● Ced: Calificación por el # de Entradas digitales

● Ci2c: Calificación de compatibilidad con la Interfaz I2C

● Clw: Calificación de compatibilidad con LoRaWAN

● Cca: Calificación de Consumo en Amperios

● Ccos: Calificación del Costo de la plataforma

● Ne: Número de Especificaciones

La tabla 15 muestra la calificación asignada a cada especificación considerando un rango

en la escala de 0 al 4, al final de la tabla aplicando la fórmula propuesta se detalla el

resultado de la calificación total de cada microcontrolador (Ctp).

Tabla 15.
Tabla de Calificación Plataformas Electrónicas (Microcontroladores)

ESP32-
ARDUINO
Especificaciones WASPMOTE WROVER-
MEGA
B V1.3
F. Procesador
1 2 1 4
(Cfp)

2 Memoria (Cms) 2 2 4

69
 # IN Análogos
3 4 3 4
(Cea)

# IN/OUT
4 4 1 3
digitales (Ced)
Compatible con
5 Interfaz I2C 4 4 4
(Ci2c)
Compatible con
6 4 4 4
LoRaWAN (Clw)
Consumo de
7 3 4 2
amperaje (Cca)
8 Costo (Ccos) 2 1 3
Calificación Total
3.13 2.5 3.5
(Ctp)
Fuente: Elaboración Propia

Con una calificación de 3.5, siendo la más alta, se selecciona el microcontrolador

ESP32-WROVER-BLYNK V1.3 para el desarrollo del prototipo.

3.7.1.4. Módulo LoRa

De igual forma para el módulo LoRa, se elaboró la tabla 16, donde se muestra un

cuadro comparativo de tres módulos de comunicación LoRa escogidos de fabricantes

destacados en el mercado, para la preselección se consideró aspectos como la

compatibilidad con el entorno de programación de Arduino IDE y respetando el rango

de frecuencias de banda libre 915 a 928 MHz estipulado por el Ministerio de transportes

y telecomunicaciones.

Tabla 16.
Comparación de especificaciones de los módulos LoRa

Four Faith Dragino E-byte

ESPECIFICACIONES
F8L10D LoRa Bee E32
915 – 928
Rango Frecuencia 895 – 935 900 – 931
MHz
de operación MHz MHz
/AS923
Potencia máxima Tx 20 dBm 20 dBm 20 dBm
Sensibilidad de
-140 dBm -148 dBm -146 dBm
recepción Rx

70
 Tasa transferencia
5.5 kbps 300 kbps 19.2 kbps
Datos
Rango Operación de
3.3 - 5V 3.3 - 5V 2.3 - 5.2V
Voltaje
Rango Operación -40°C to -40°C to -40°C to
Temperatura +85°C +85°C +85°C
Consumo de
200 mA 10.3 mA 120 mA
energía
Compatibilidad con
SI SI SI
IDE Arduino
Costo S/ 185.00 S/ 85.00 S/ 90

Sobre la base de la tabla elaborada se seleccionó aspectos técnicos relevantes y el

costo del componente para el desarrollo de la siguiente fórmula:

𝐶𝑝𝑚 + 𝐶𝑠𝑟 + 𝐶𝑐𝑑 + 𝐶𝑐𝑒 + 𝐶𝑐𝑜𝑠

𝐶𝑚𝑐 =
𝑁𝑒

Donde:

● Cmc: Calificación total del módulo de comunicación

● Cpm: Calificación de potencia máxima

● Csr: Calificación de sensibilidad de recepción

● Ccd: Calificación de transferencia de datos

● Cce: Calificación de consumo de energía

● Ccos: Calificación de costo

● Ne: Número de especificaciones

A continuación, la tabla 17 muestra la calificación asignada a cada especificación

considerando un rango en la escala de 0 al 4, al final de la tabla aplicando la fórmula

propuesta se detalla el resultado de la calificación total de cada módulo de

comunicación (Cmc).

71
 Tabla 17.
Tabla de Calificación del módulo de Comunicación

FourFaith Dragino E-byte

ESPECIFICACIONES
F8L10D LoRa Bee E32
1 Potencia máxima (Cpm) 4 4 4
Sensibilidad recepción
2 2 4 3
(Csr)
3 Transferencia Datos (Ccd) 1 4 3

4 Consumo de energía (Cce) 1 4 3

5 Costo (Ccos) 1 4 3
Calificación del Módulo de
1.8 5 3.2
Comunicación (Cmc)
Fuente: Elaboración Propia

Con una calificación de 5 puntos, siendo la más alta, se selecciona para el

desarrollo del prototipo al módulo de comunicación LoRa de la marca Dragino

modelo LoRa Bee v1.1, el cual cuenta con el chip Semtech SX1276.

3.7.1.5. Fuente Alimentación

Para determinar las especificaciones técnicas mínimas con la que debe contar la batería

de fuente de alimentación de energía del prototipo, se realizó un cálculo de

dimensionamiento de consumo energético con los componentes del prototipo. En la tabla

18, se especifican los consumos de amperaje por cada componente de acuerdo a sus

fichas de especificaciones técnicas.

Tabla 18.
Tabla de Consumo de Componentes del Prototipo

Consumo en Consumo en
Componentes
Trabajo (Ah) Reposo (Ah)
Sensor MAX30102 0.100 0.001000
ESP32 Wrover B 0.070 0.000003
Modulo LoRa Dragino 0.120 0.001300
Pantalla OLED 0.015 0.000150
Teclado Numérico 0.030 0.000300
Total 0.335 0.002753
Fuente: Elaboración propia basada en las fichas de especificaciones técnicas

72
Tomando en cuenta que cada muestra no invasiva por paciente tardará un promedio de 1

a 3 minutos, y que en cada establecimiento se realizarán alrededor de 20 muestras por día,

se establece el estado de encendido promedio de 60 minutos (1 hora por día), obteniendo

un estado de reposo promedio de 23h por día. Con estos datos, se calcularon los valores

de consumo energético.

𝐶𝑡𝑒 = 𝐶𝑎𝑒 × 𝑇𝑒ℎ → 0.335 x 1 = 0.335 Ah

𝐶𝑡𝑟 = 𝐶𝑎𝑟 × 𝑇𝑟ℎ → 0.002753 x 23 = 𝟎. 𝟎𝟔𝟑𝟑 𝐀𝐡

𝐶𝑓𝑑 = 𝐶𝑡𝑒 + 𝐶𝑡𝑟 → 0.335 + 0.0633 = 𝟎. 𝟑𝟗𝟖𝟑 𝐀𝐡

Donde:

• Cte: Consumo total encendido por día

• Cea: Consumo en Amperios encendido

• Teh: Tiempo encendido en horas

• Ctr: Consumo total en reposo por día

• Car: Consumo en Amperios en reposo

• Trh: Tiempo en reposo en horas

• Cfd: Consumo final por día

De manera que la carga eléctrica que requiere el prototipo es 0.3983 Amperios hora por

día. En ese sentido se consideró una autonomía mínima de 3 días para el prototipo,

además de una profundidad de descarga máxima del 30%. A continuación, se establece el

siguiente calculo:

𝐶𝑓𝑑 𝑥 𝑁𝑑𝑎 0.3983 𝑥 3

𝐶𝑑𝑏 = → = 3.983𝐴ℎ
𝑃𝑑 0.30

73
 Donde:

• Cdb: Carga de batería

• Cfd: Consumo final por día

• Nda: Autonomía (en días)

• Pd: Descarga batería (profundidad máxima)

El cálculo determina que para una autonomía de 3 días se necesita de una capacidad

mínima de 3.983 Ah, en ese mismo contexto, se consideró la batería portátil de la marca G

Mobile modelo PB200LZM de 5000mAh para el desarrollo del prototipo, la misma que se

puede apreciar en la figura 31, además, se detalla sus especificaciones técnicas en la tabla

19.

Tabla 19.
Especificaciones técnicas de la batería portátil GMobile X5BLACK

Especificaciones Parámetro
Marca / Modelo G Mobile – X5BLACK
Capacidad de batería 5000 mAh / 18.5 Wh
Tipo de conector Entrada: 1 micro USB 2A;
Salida 2 puertos USB
Indicadores 4 luces LED del nivel de carga
de batería
Dimensiones Profundidad: 1.4 cm
Alto: 9.7 cm
Ancho: 6.2 cm
Peso 105g
Salida de Voltaje y Corriente 5V - 2,1A
Entrada de Voltaje y Corriente 5V 2A / 10W
Fuente: Coolbox, 2022

Figura 31. Batería GMobile X5BLACK 5000mAh

Fuente: Colbox, 2022

74
Por otro lado, se escogió el cargador Xiaomi 10W MDY-09-EW (ver figura 32) para la carga

de la batería portátil G Mobile X5CBLACK.

Figura 32. Cargador Xiaomi 10W MDY-09-EW

Fuente: Xiaomi, 2022

A continuación, la tabla 20 detalla las características técnicas del cargador Xiaomi 10W

MDY-09-EW.

Tabla 20.
Especificaciones técnicas del cargador Xiaomi 10W MDY-09-EW

Especificaciones Parámetro
Marca / Modelo Xiaomi – MDY-09-EW
Material ABS
Entrada de Voltaje y Corriente 100-240VAC 50/60Hz 0,35A
Salida de Voltaje y Corriente 5V / 2A
Fuente: Xiaomi, 2022

3.7.1.6. Carcasa del Prototipo

Para brindar una mejor interfaz de usuario al paciente y proteger el prototipo, se diseñó

una caja o carcasa de dimensiones de 15cm de ancho, 20cm alto y 10cm de profundidad,

considerando los elementos del hardware que se encontraran en el interior y un aspecto

amigable hacia el paciente. El diseño del case tiene una característica de uso portable o

fijo. La figura 33 presenta la propuesta del diseño de la caja.

75
 Figura 33. Diseño del Case del Prototipo

3.7.2. Diseño de Software o Firmware del Prototipo

El desarrollo de la lógica del sistema que ejecutará el microcontrolador en el proceso de

adquirir los datos se tuvo en cuenta que el paciente deberá ingresar respuestas mediante

un teclado numérico como el número de DNI, edad y otros datos específicos de consulta

anteriormente formulados (véase tabla 11), además de colocar su dedo índice en el sensor

del oxímetro de pulso para capturar los datos de saturación de oxígeno. En ese sentido se

realizó la adaptación de las consultas que se mostrarán en la pantalla en un contexto para

que el paciente responda en un rango de escala numérica, por otro lado, se consideró la

tecla “*” del teclado como un “SI” y la tecla “#” para la opción de borrar. En la tabla 21 se

observa las consultas adaptadas para el diseño del software del prototipo.

Tabla 21.
Consultas de datos del paciente

ITEM CONSULTAS DE DATOS DEL PACIENTE

1 Ingrese su Número de DNI y presione “SI”
2 Ingrese el sexo del paciente (1 = Femenino, 2 = Masculino)
3 Ingrese la Edad del paciente y presione “SI”

76
 4 Marque en una escala de 0 a 3, ¿Veces que consume pescado por semana?

En una escala de 0 al 3, ¿Veces que consume res, pollo, cerdo o pavo por
5
semana?

En una escala de 0 a 3, ¿Cuántas veces a la semana consume

6
viseras rojas?

En una escala de 0 a 3, ¿Cuántas veces a la semana consume vegetales y

7
menestras?
Presione "1" si últimamente presenta inapetencia, de lo contrario
8
presione "0"
Presione "1" si últimamente presenta cansancio o sueño incrementado, de lo
9
contrario presione "0"
Presione 1 si últimamente presenta dolor de cabeza o mareos
10
constantemente, de lo contrario presione "0"

Por favor coloque su dedo Índice derecho en el "SENSOR" durante 10

11
segundos
Fuente: Elaboración Propia

Para las consultas 4, 5, 6 y 7 se establece una escala de respuesta, detallado en la tabla

22.

Tabla 22.
Escala de respuestas de las consultas 4, 5, 6 y 7

ESCALA DE RESPUESTA
0 1 2 3
Nunca Raramente Regularmente Consumo
consumo 1 vez a la 1 o 2 veces 3 o más
semana a la semana veces en
la semana
Fuente: Elaboración Propia.

Establecido el formato de las consultas, se realizó la programación para el microcontrolador

en un entorno de representación gráfica, plasmado en un diagrama de flujo. Las figuras 34,

35 y 36 presentan los diagramas correspondientemente, donde se ejecutarán 14

instrucciones, las primeras 10 están compuestas por consultas previamente establecidas,

que se mostrarán secuencialmente en la pantalla del prototipo. El paciente ingresará las

respuestas de las consultas mediante el teclado y se guardarán temporalmente en la

memoria RAM del microcontrolador. La instrucción 11 realizará la adquisición del dato del

77
sensor de oximetría de pulso MAX30102, donde el microcontrolador ejecutará una librería

exclusiva para el uso del sensor, el cual contiene los parámetros para su operación.

Procesada la captura de datos del sensor MAX30102 y calculada la saturación de oxígeno

(SpO2), se ejecutará la instrucción 12, donde el parámetro de SpO2 del paciente ingresará

como dato de entrada al modelo de red neuronal previamente entrenado, el cual

determinará el nivel de hemoglobina del paciente. La instrucción 13 mostrará en la pantalla

los resultados de SpO2, el nivel de hemoglobina no invasivo y seguidamente un mensaje

de prueba satisfactoria. Finalmente, la instrucción 14 ejecutará él envió de los 12 datos

temporalmente guardados mediante el bloque de comunicaciones (ver figura 55, bloque

“C” etapa de comunicación).

78
Figura 34. Diagrama de flujo del firmware del prototipo adquisición de datos (a)

79
Figura 35. Diagrama de flujo del firmware del prototipo adquisición de datos (b)

80
Figura 36. Diagrama de flujo del firmware del prototipo adquisición de datos (c)

81
3.7.3. Diseño del hardware del Prototipo

Establecido los componentes y el diseño del software del prototipo, se elaboró un diagrama

del diseño del hardware. La figura 37 esquematiza las conexiones de todos los bloques del

prototipo fuente de alimentación, adquisición de datos (pantalla, teclado y sensor

MAX30102), comunicación (Modulo LoRa Bee) y el microcontrolador (ESP32 WROVER-

B). La fuente de alimentación está establecida por una batería portátil GMobile X5C de

5000 mAh, el cual suministra energía al microcontrolador mediante su entrada USB tipo C.

La pantalla cuenta con 4 pines SDA (línea de datos), SCL (línea de sincronización), VIN

(voltaje de ingreso) y GND (línea tierra), conectados correspondiente a los pines 21, 22,

3v3 y GND del ESP32, asimismo, el teclado numérico está conectado con los pines 15, 2,

0, 4 5, 18 y 19 del ESP32 para el suministro de energía y entrega de datos. Para la conexión

del sensor MAX30102 con el microcontrolador se utilizó el pin VIN con el pin 3.3V para el

suministro de energía, el SCL con el pin 22 para la sincronización, el SDA con el pin 21

para la entrega de los datos capturados por el fotodetector de la luz roja e infrarroja que

pasa mediante el dedo del paciente, además el pin de tierra conectado al GND del ESP32.

Finalmente, el módulo LoRa Bee suministrado de energía desde el 3v3 del ESP32, luego

el SCK conectado al pin 14 para establecer la sincronización del módulo, además el pin 25

MISO que tiene la función de recepción de datos y el pin 32 MOSI que tiene la función de

transmisión de datos. Por otro lado, en el Anexo Nro. 14 se adjunta el esquemático del

prototipo.

82
 Figura 37. Esquema del diseño del hardware del prototipo
Fuente: Elaboración Propia

Por otro lado, la figura 38 muestra el diseño de los componentes en el case del prototipo

propuesto.

83
 Figura 38. Diseño de los componentes en el case del prototipo
Fuente: Elaboración Propia

3.8. Sistema de Red Neuronal Artificial (RNA)

El proyecto de tesis plantea hacer uso de una RNA para establecer el nivel de hemoglobina

no invasiva de los pacientes. Para ello es importante mencionar que la red neuronal

requiere de un entrenamiento, el cual está basado en datos del nivel de hemoglobina en

sangre (g/dl) tomado del dedo índice derecho de los pacientes mediante un instrumento

portátil para la medición de hemoglobina invasiva modelo Mission Hb de la marca Ancon,

además, de la toma de datos de saturación de oxígeno (SpO2) capturado con el prototipo

de adquisición de datos mediante el sensor de oximetría de pulso MAX30102, el mismo

que fue contrastado con un oxímetro de pulso modelo CMS50D de la marca Contec. Estas

muestras se tomaron a un conjunto de 30 pacientes conformados por niños y adolescentes

de la población de las ollas comunes de la zona de Nuevo Milenio, cabe resaltar, que al

tratarse de una población muestra correspondiente a menores de edad, se elaboró los

documentos “Hoja de Información al paciente” y “Hoja de consentimiento informado” para

la aprobación de los padres o apoderados a fin de brindar el acceso a los menores a la

84
investigación del proyecto (ver anexos 11 y 12). A continuación, la tabla 23 muestra los

datos de entrenamiento recolectados.

Tabla 23.
Tabla de entrenamiento

N° Hemoglobina
SPO2
Muestra (g/dl)
1 98 14.2
2 97 12.9
3 92 9.8
4 96 14.7
5 99 13.1
6 93 10.4
7 98 12
8 94 10.8
9 97 11.3
10 92 10.2
11 95 11.3
12 99 13.4
13 94 13.8
14 97 13.4
15 94 14.9
16 95 11.8
17 97 14.5
18 96 12.4
19 98 11.7
20 96 13.7
21 97 14
22 98 13.4
23 96 12.7
24 97 13.9
25 97 13
26 96 12.8
27 96 12.5
28 99 14.4
29 97 12.3
30 98 13.9
Fuente: Elaboración propia en base
a muestras tomadas en campo

La RNA elaborada se basa en el modelo de propagación directa, compuesta por una capa

de entrada donde ingresa el dato del nivel de saturación de oxígeno (SpO2), una capa

85
oculta y la capa de salida, el cual brindará el resultado del nivel de hemoglobina no invasivo

basado en los datos de entrenamiento, detallado en la tabla 24. La figura 39 interpreta el

modelo de RNA con la capa de entrada SpO2, la capa oculta y sus neuronas o nodos

ocultos, además, la capa de salida Hb no invasivo.

Figura 39. Diagrama del modelo de la RNA

Por otro lado, se hizo uso del entorno de la plataforma Google Colab que permite escribir

y ejecutar código Python compatible con librerías de aprendizaje automático para el

desarrollo de la RNA. Asimismo, se hizo uso de la librería de inteligencia artificial Tensor

Flow y la librería numpy el cual permite trabajar arreglos numéricos, en donde se declara

un arreglo de entrada con los datos del nivel de saturación de oxígeno (SpO2) de los

pacientes y luego un arreglo con los resultados de los datos invasivos del nivel de

hemoglobina (Hb) de los pacientes, datos que la red neuronal utilizará como tabla de

entrenamiento. Además, se utilizó el framework Keras para especificar la capa de entrada,

la de salida y la oculta. La figura 40 presenta los parámetros de la RNA, estableciendo la

tabla de entrenamiento, la capa de entrada, la capa oculta especificando la cantidad de

neuronas y la capa de salida.

86
 Figura 40. Tabla entrenamiento del algoritmo RNA
Fuente: Elaboración propia en Google Colab

Para preparar el modelo de entrenamiento se utilizó las propiedades de optimizador y

función de perdida. Utilizando el algoritmo Adams que permite a la red neuronal saber cómo

ajustar los pesos y sesgos de la forma más eficiente posible, luego el valor numérico de la

tasa de aprendizaje que indica que tanto ajustar dichos pesos y sesgos. Por otro lado, se

usó la función de pérdida mean squared error (error cuadrático medio). Asimismo, para el

entrenamiento se usó la función “fit” con los datos de entrada y resultados, especificando

las épocas. La figura 41 presenta el código fuente con una configuración de 100 épocas

(epochs).

87
 Figura 41. Parámetros de entrenamiento de la RNA

3.8.1. Conversión del Sistema RNA a formato FlatBuffers

Para que el sistema de RNA Hb No Invasivo pueda ser leído desde el microcontrolador

ESP32, este tiene que ser reescrito en formato FlatBuffers (formato especial para reducir

el tamaño de la RNA y ahorrar memoria). La herramienta de Google TensorFlow Lite

permite ejecutar dicha conversión, tomando el modelo reescribiéndolo en el formato

FlatBuffer. La figura 42 muestra un fragmento del código en formato flatBuffers anexado a

la librería “model.h”.

Figura 42. Sistema de Red neuronal Artificial en formato flatBuffers

88
La figura 43 muestra las líneas de código del microcontrolador donde se incluye las librerías

de TensorFlowLite para ESP32 y la librería “model.h” donde se encuentra compilado el

sistema de red neuronal artificial.

Figura 43. Librería “model.h” que incluye el sistema RNA compilado en formato flatBuffers
Fuente: Elaboración propia

3.8.2. Pruebas de Rendimiento del sistema de RNA

Para analizar el rendimiento del sistema de RNA es necesario conocer el porcentaje o nivel

de precisión de resultados de pruebas invasivas contrastadas con los resultados de las

pruebas no invasivas, para ello se consideró 10 muestras de prueba de pacientes

voluntarios, que involucran los datos de SpO2 y el nivel de hemoglobina no invasiva

obtenida con el hemoglobinómetro portátil Hb Mission, a continuación, se detalla los datos

de prueba en la siguiente tabla.

Tabla 24.
Datos de Prueba

Código SPo2 Sensor Hemoglobina

Paciente MAX30102 (g/dl)
001 90 12.5
002 94 13
003 89 12.3
004 97 14.4
005 90 12.3
006 99 13.1
007 92 12.5
008 98 13.2
009 96 12
010 93 12.2
Fuente: Elaboración propia en base a muestras tomadas en campo

89
Por otro lado, para obtener el porcentaje de precisión de los resultados del sistema RNA

se hizo uso de la siguiente ecuación:

𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝐻𝑏 𝐼𝑛𝑣𝑎𝑠𝑖𝑣𝑜 − 𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑃𝑢𝑛𝑡𝑢𝑎𝑐𝑖ó𝑛

𝑃𝑜𝑟𝑐𝑒𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑝𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 = 𝑥100%
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝐻𝑏 𝐼𝑛𝑣𝑎𝑠𝑖𝑣𝑜

Donde:

𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑃𝑢𝑛𝑡𝑢𝑎𝑐𝑖ó𝑛 = 𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝐻𝑏 𝑖𝑛𝑣𝑎𝑠𝑖𝑣𝑜 − 𝑁𝑖𝑣𝑒𝑙 𝐻𝑏 𝑁𝑜 𝐼𝑛𝑣𝑎𝑠𝑖𝑣𝑜

El porcentaje de precisión permite determinar el rendimiento del sistema de RNA. En ese

sentido, con la finalidad de conocer la configuración con el mayor nivel de precisión que

determine el nivel de hemoglobina no invasiva en la capa de salida, se realizó pruebas

modificando el número épocas con las configuraciones de 50, 100, 200, 500, 800 y 1000

(vueltas de entrenamiento de la red neuronal). Además, el número de neuronas ocultas

con las configuraciones de 3, 4, 5, 6, 7 y 8. La figura 44 presenta el resultado de una prueba

con los parámetros de configuración de 100 épocas con tres neuronas ocultas.

Figura 44. Resultado de prueba del sistema de red neuronal

Fuente: Elaboración propia en Google Colab

3.9. Establecer Comunicación

Para establecer comunicación de los nodos finales con una plataforma en la nube de IoT,

se optó por elegir la especificación de red LoRaWAN, considerando que el proyecto está

delimitado en un área geográfica con 23 nodos ubicados en puntos fijos, los cuales

90
enviaran 12 datos codificados equivalente a 57 bytes. Por otro lado, esta tecnología permite

desplegar una red completamente privada, no incluyendo costos de servicio en el backend

del operador como el resto de LPWANs.

3.9.1. Arquitectura de Red LoRaWAN

La figura 45 grafica el diseño de la arquitectura propuesta, donde el Gateway LoRaWAN

brinda cobertura a los nodos finales con una topología tipo estrella. Por otro lado, se

encuentra el servidor de red LoRaWAN, el cual autentica, decodifica y transmite los

paquetes a un servidor de aplicación. Se debe tener en cuenta que el Gateway para

retransmitir los datos que recibió de los nodos finales hacia el servidor de red LoRaWAN

utiliza un backhaul, es decir, una red de retorno con enlaces intermedios. Para ello se utilizó

la interfaz Ethernet del Gateway como interfaz de salida, el cual se encuentra conectado a

un Modem Router de un operador local que brinda el servicio de Internet.

Figura 45. Arquitectura de Red LoRaWAN propuesto

Seguidamente, se describe elementos de la arquitectura de red LoRaWAN del proyecto.

91
 3.9.1.1. Nodo Final LoRaWAN

Los nodos finales LoRaWAN estarán ubicados dentro de cada olla común de la zona de

ciudad de Gosen, la tabla 25 se detallan los 23 nodos finales identificado con el nombre de

la olla común y un numero asignado, además, de las coordenadas geográficas de ubicación

de cada uno de ellos.

Tabla 25.
Ubicación geográfica de los Nodos Finales

Nro. Nodo Final Longitud Latitud

1 Mujeres Unidas 76°55'12.44"O 12°12'42.82"S
2 Santa Rosa de Lima 76°55'14.76"O 12°12'39.80"S
3 Carita de Ángel 76°55'12.89"O 12°12'38.86"S
4 Cadena de Favores 76°55'15.97"O 12°12'39.58"S
5 San José Bernal Santa Rosa 76°55'16.58"O 12°12'39.42"S
6 Villa Santa Rosa 76°55'17.03"O 12°12'37.77"S
7 Divino Jesús 76°55'14.72"O 12°12'37.52"S
8 Las Mamitas de la Hoyada 76°55'8.31"O 12°12'54.56"S
9 San Santiago 76°55'4.24"O 12°12'53.82"S
10 Virgen de Guadalupe 76°55'1.41"O 12°12'51.40"S
11 Virgen de Guadalupe II 76°55'1.66"O 12°12'51.81"S
12 Las Leonas 76°55'4.59"O 12°12'51.04"S
13 Fe y Esperanza 76°55'17.59"O 12°12'49.06"S
14 Virgen del Carmen 76°55'9.74"O 12°12'50.90"S
15 San Miguel Arcángel 76°55'13.78"O 12°12'46.63"S
16 Mujeres Poderosas 76°55'15.07"O 12°12'45.74"S
17 El Maná 76°55'14.82"O 12°12'44.87"S
18 San Miguel de Arcángel II 76°55'4.69"O 12°12'44.92"S
19 Señor de los Temblores 76°55'8.09"O 12°12'39.23"S
20 Ollita de Verónica 76°55'12.88"O 12°12'35.53"S
21 Jehová Jireh 76°55'13.62"O 12°12'35.59"S
22 Rinconcito de Ticclo Chico 76°55'15.54"O 12°12'34.66"S
23 Cadena de Amor 76°55'5.67"O 12°12'42.63"S

La figura número 46, muestra una representación gráfica de la georreferenciación de

cada nodo final, el cual se encuentra enumerado de manera correspondiente a la tabla

26.

92
 Figura 46. Ubicación geográfica de los Nodos Finales
Fuente: Adaptado de Google Earth

3.9.1.2. Gateway LoRaWAN

Dicho elemento de red se ubicará en un establecimiento de dos niveles en el Asentamiento

Humano Ciudad de Gosen en la Calle San Miguel “MZ F - LT2” en la zona de Nuevo Milenio

- Villa María del Triunfo. El cual se encuentra en un punto central respecto a los Nodos

finales, geolocalizado en latitud: S12.211760° y longitud: W76.919156°, como se

representa en la figura 47.

93
 Figura 47. Ubicación geográfica Gateway LoRaWAN
Fuente: Adaptada de Google Earth

Por otra parte, como Gateway LoRaWAN se consideró el modelo RAK7258 de la marca

RAK Wireless Technology. Este equipo presenta prestaciones para un uso interno (indoor),

por esa razón se incluyó una caja de protección bajo el estándar de protección IP65, a fin

de que el Gateway se encuentre protegido frente factores externos del medio ambiente. A

continuación, la tabla 26 describe las especificaciones técnicas del Gateway RAK7258.

Tabla 26.
Especificaciones técnicas del Gateway RAK modelo RAK7258

Característica Especificaciones
Procesador MT7628, DDR2RAM 128MB

LoRa Operación de frecuencia: AS923

Rx -142 dBm; Tx 27 dBm

Wifi Operación de frecuencia: 2.400 - 2.4835 MHZ

(802.11b/g/n)
Rx -95dBm; Tx 20dBm

94
 Tecnología de • LTE FDD, WCDMA, GSM / EDGE, LTE FDD
acceso Móvil

Fuente de • DC 12 Volts - 1 Ampere

Alimentación • POE (IEEE 802.3af), 42~57 VDC

Interfaces Ethernet (ETH): RJ-45(10/100M)

Console: RJ-45 (RS232)
Wi-Fi: Internal Antenna
LoRa: RP-SMA Female Connector

Peso 0.3 kg
Dimensiones 180 mm x 120 mm x 43 mm
Rango Operación -10 a 55 ˚C
Temperatura
Fuente: RAKwireless Technology, 2022

El Gateway incluye una antena dipolo de 2.1 dBi desmontable, el cual se reemplazará por

una antena Omnidireccional de 5.8 dBi modelo Fiberglass de la marca RAK para mejorar

la ganancia de la señal. La tabla 27 detalla las especificaciones de la antena.

Tabla 27.
Antena RAK Fiberglass 5.8 dBi

Especificación Detalle
Frequency Range (MHz) 860 - 930
Gain (dBi) 5.1 ~ 5.8
VSWR 2
Beamwidth 360 degrees
Impedance 50 Ohms
Polarization Vertical
Type Dipole
Radome Body Fiberglass
Conector Tipo N Macho
Fuente: RAKwireless Technology, 2022

95
Además, se consideró un tramo de torre ventada de telecomunicaciones auto soportado (3

metros) y un punto de alimentación eléctrica para el Gateway LoRaWAN, que se

suministrará a través de un cable de red ethernet mediante un adaptador de la tecnología

Power over Ethernet (POE). Asimismo, el cable de red UTP es de categoría 5e, el cual

subirá protegido con un tubo corrugado galvanizado de 3/8” hasta la caja de protección,

que será acoplado con una prensa stopa, que se puede observar en la figura 48.

Figura 48. Esquema de estación Gateway LoRaWAN

Fuente: Elaboración Propia

3.9.1.3. Backhaul

El Backhaul refiere a la red intermediaria que permite interconectar el GW LoRaWAN con

el network server LoRaWAN, la figura 49 representa el backhaul con una línea azul,

conectado desde la interfaz ethernet del Gateway LoRaWAN hacia un Modem Router de

un operador local de telecomunicaciones que brindará el servicio de Internet, llegando de

esta forma al servidor de red LoRaWAN.

96
 Figura 49. Esquema de Backhaul
Fuente: Elaboración Propia

3.9.1.4. Servidor de Red LoRaWAN

En cuanto al servidor de red LoRaWAN se seleccionó el servidor de red “The Things

Networks” por presentar método de encriptación, amplia compatibilidad con servidores de

aplicación de IoT, licenciamiento de código abierto sin costo mensual y soporte técnico

comunitario. The thing Network (TTN) dispone principalmente de 3 clusters de red

denominados Europe 1, North America 1 y Australia 1. Para la implementación del proyecto

se hizo uso del cluster North America debido a encontrarse en la mima región. La figura 50

muestra los 3 clusters de las 3 regiones de TTN.

Figura 50. Clusters de The Things Networks

Fuente: The Things Networks, (2022)

97
 3.9.1.5. Servidor de Aplicación

El servidor de aplicación permitirá brindar una interfaz gráfica de los datos recolectados.

Data cake es un software en la nube IoT open source, que se utilizará como servidor de

aplicación en el cual se desarrollará el entorno del panel gráfico para mostrar la información

procedente del servidor de Red LoRaWAN recopilada a partir de los nodos finales.

Datacake brinda acceso a través de una interfaz web con un entorno gráfico, el cual se

adapta para monitorear los resultados de manera simplificada, por otro lado, la

configuración permitirá visualizarse también a través de ordenadores, teléfonos inteligentes

o tabletas. Cabe precisar que se utilizará esta misma plataforma como medio de

almacenamiento de los datos recopilados por los nodos finales.

3.9.2. Cobertura de Radio Frecuencia

Con el propósito de conocer los parámetros de la potencia de recepción, el presupuesto

del enlace y el alcance de cobertura desde el Gateway hacia los nodos finales, se realizó

una simulación con el apoyo de “LoRa Modem Calculator Tool”, software que cuenta con

las especificaciones del chip SX1276, el mismo que utiliza el módulo LoRa Dragino Bee

que se emplea en la investigación, asimismo, se estableció los parámetros del factor de

dispersión SF 7, el ancho de canal de frecuencia de 125KHz, la tasa de codificación 4/5,

el payload 57 Bytes, la frecuencia AS923 y una potencia de transmisión de 27 dBm

(correspondiente al Gateway LoRa RAK7258) para determinar el cálculo. En base a los

parámetros establecidos, la figura 51 muestra los resultados simulados, en la que el nodo

final tiene una sensibilidad de recepción de -117 dBm y un presupuesto del enlace de 137

dB, lo que indicaría estar dentro de los parámetros máximo que tiene el SX1276 en sus

especificaciones técnicas como un presupuesto máximo de 168 dB y una sensibilidad de

recepción de -148, por otro lado, el software muestra parámetros como el tiempo en el aire

de un paquete enviado correspondiente a 10.50 ms y la tasa de datos de 5468.75 bps.

98
 Figura 51. Simulación de la sensibilida de recepción
Fuente: Elaborado por el autor en “LoRa Modem Calculator Tool”

En cuanto a la simulación de cobertura, se llevó a cabo en el software “Radio Planner v2.1”,

el mismo que está basado en los parámetros de modulación LoRa. A continuación, la figura

52 muestra los parámetros configurados en el software con el tipo de antena, su altura, la

ganancia, las perdidas en dB, entre otros.

Figura 52. Parámetros del Gateway establecidos en el software

Fuente: Elaboración propia en el software Radio Planner

99
Ingresado los parámetros, la simulación muestra la cobertura en la locación geográfica

establecida, graficando en un entorno de color la fucsia con una sensibilidad de recepción

para el nodo final promedio de -90 dbm y en el entorno graficado de tono marrón un rango

promedio de -80 dbm, el mismo que se observa en la figura 53.

Figura 53. Simulación del área de cobertura

Fuente: Elaboración propia en el software Radio Planner

Finalmente, se realizó una simulación de línea de vista en el escenario del enlace que tiene

mayor distancia, es decir el Gateway LoRaWAN con el nodo final N°9. A continuación, se

establece los parámetros del Nodo final N° 9 y el Gateway en la tabla 28.

Tabla 28.
Parámetros del Gateway LoRaWAN y el Nodo Final N° 9

Gateway LoRaWAN Nodo Final N°9

Parámetros RAK7258 Módulo Dragino Bee
AS923 AS923
Latitud: 12°12'42.25"S Latitud: 12°12'53.82"S
Coordenadas geográficas
Longitud: 76°55'9.21"O Longitud: 76°55'4.24"O
Altitud 315 m.s.n.m 256 m.s.n.m
Altura antena 6 metros 1 metro
Potencia de Tx 27 dBm 20 dBm
Tipo de Antena Omnidireccional Dipolo - Omnidireccional
Ganancia de Antena 5.8 dBi 3 dBi
Perdida de Cables 0.8 dB 0 dB
Sensibilidad de
-142 dBm -148 dBm
Recepción

100
La figura 54 muestra el resultado de la simulación, en la que se valida contar con línea de

vista a una distancia de 0.448 km, el nodo final establece conexión con una potencia de

recepción de -110.4 en el downlink y -94.4 en el uplink.

Figura 54. Simulación del área de cobertura

Fuente: Elaboración propia en el software Radio Planner

3.9.3. Configuración de Elementos de la Red LoRaWAN

LoRaWAN requieren de una configuración en sus elementos de red (nodo final, Gateway

LoRaWAN, network server LoRaWAN y el aplication server. Los cuales se describen a

continuación.

3.9.3.1. Configuración del Nodo Final

El Nodo final LoRaWAN establece comunicación con el Gateway LoRaWAN a través del

módulo de comunicación LoRa Bee Dragino con un chip Semtech SX1276, el cual cuenta

con un flujo en el microcontrolador para establecer la comunicación con el Gateway. La

figura 55 esquematiza el diagrama de flujo, este inicia en el bloque “C” luego que se

encuentren disponible los 12 datos de la etapa de adquisición de datos, en esa instancia

se procede a verificar la correcta configuración de los parámetros de transmisión del

101
módulo LoRa, etapa que considera también el procedimiento de activación o Join,

empaquetados los datos para la transmisión inicia un proceso de verificación de la conexión

con el Gateway, el cual se da mediante una petición o solicitud, una vez el Gateway

responda la confirmación se establece la conexión enviándose los datos empaquetados,

de presentarse alguna falla en la transmisión, se volverá a solicitar la petición al Gateway

para restablecer la conexión, finalizado correctamente el proceso, el flujo regresa al inicio

del algoritmo en la etapa de adquisición de datos (explicado en las figuras 34, 35 y 36).

Figura 55. Diagrama de flujo Nodo Final etapa de comunicación

102
 3.9.3.2. Configuración del Gateway LoRaWAN RAK7258

El Gateway LoRaWAN retrasmite los datos provenientes del nodo final hacia el servidor de

red LoRaWAN, para ello en principio es necesario establecer la salida hacia Internet. El

Gateway RAK7258 cuenta con una interfaz Ethernet, el cual se configuró como puerto

WAN, consignándole la IP fija “192.168.1.100”, asimismo, se asignó la IP gateway

“192.168.1.1” de origen del modem router del proveedor de Internet, de esta manera se

establece la salida a Internet. La figura 56 presenta los parámetros de la Interfaz WAN

Gateway LoRa.

Figura 56. Configuración Interfaz WAN Gateway LoRaWAN

Fuente: Elaboración propia en el Gateway RAK7258

Por otro lado, la opción “LoRa Packet Forwarder” permite configurar la retransmisión de los

paquetes LoRa del nodo final hacía hacia el servidor de red LoRaWAN, para ello se registró

el cluster “North America 1” de The Thing Network (TTN) con la dirección del servidor de

red “nam1.cloud.thethings.network”, asimismo el EUI del Gateway y la asignación de

frecuencia correspondiente a “AS923”. La figura 57 muestra los parámetros para la

retransmisión de los paquetes LoRa del nodo final hacía hacia el servidor de TTN.

103
 Figura 57. Configuración de la retransmisión de los paquetes LoRA en el Gateway
Fuente: Elaboración propia en el Gateway RAK7258

3.9.3.3. Configuración LoRaWAN TTN

The thing Network (TTN) se utilizó como network server LoRaWAN, específicamente el

cluster “North America 1” con la dirección del servidor de red

“nam1.cloud.thethings.network”. Para el registro del Gateway desde TTN se especifica el

nombre del Gateway, “Gateway ID y Gateway EUI”, por otro lado, la asignación del plan de

frecuencia “AS923”, parámetros presentados en la figura 58.

104
 Figura 58. Parámetros de registro del Gateway LoRaWAN en TTN
Fuente: Configurado en TTN por el autor

Por otro lado, se creó la aplicación “hb-no-invasive” para realizar el registro del nodo final.

(Ver figura 59)

Figura 59. Registro de la aplicación en TTN

Fuente: Configurado en TTN por el autor

105
Dentro de la aplicación hb-no-invasive, se registró el nodo final de manera manual,

especificando la frecuencia de operación del módulo (AS923), la versión de LoRaWAN, el

cual de acuerdo a las especificaciones del chip Semtech SX1272 del módulo corresponde

la versión 1.02, además se especificó que el nodo final pertenece a la clase “A”, debido

que solo realizará la función transmisión, por otro lado, como medio de seguridad se asignó

el modo de activación OTAA. La figura 60 presenta los parámetros de registro del nodo en

TTN.

Figura 60. Parámetros de registro del Nodo Final en TTN

Fuente: Configurado en TTN por el autor

El modo de activación OTAA establece 3 parámetros como claves de sesión DevEUI,

AppEUI y el AppKey, estos mismos deben registrarse en el nodo final para que pueda

106
realizarse el procedimiento de activación o Join. La figura 61 presenta los parámetros de

claves de sesión generados por TTN (DevEui, AppEUI y AppKey).

Figura 61. DevEui, AppEUI y AppKey generados en TTN

Fuente: Elaboración propia en The Things network

Cabe resaltar que las claves de sesión del DevEUI, AppKey y appEUI generados desde

TTN se registraron en el nodo final para que pueda realizarse el procedimiento Join. La

figura 62 muestra las líneas de código del nodo final donde se establecen los mismos

DevEui, AppEUI y AppKey generados en TTN.

Figura 62. DevEui, AppEUI y AppKey registrados en el Nodo Final

La figura 63 presenta el resumen del nodo final registrado, denominado “Hb 001” dentro

de la aplicación “hb-no-invasive”.

107
 Figura 63. Nodo final “Hb 001” en la aplicación hb-no-invasive en TTN
Fuente: Configurado por el autor en TTN

Luego de registrado el nodo final “Hb 001”, los datos recolectados por el nodo final son

enviados a TTN, donde los datos viajan en un payload codificado en formato “Base64” de

las tramas LoRa, los mismos que son decodificados en TTN convirtiéndolos a formato

string. Para ello TTN cuenta con la opción de “Payload formatters”. La figura 64 muestra el

código fuente de formato que permite convertir los datos a formato “String”.

108
 Figura 64. Código de formato a String en TTN
Fuente: Programado por el autor en TTN

3.9.3.4. Configuración del Servidor de Aplicación DataCake

DataCake es una plataforma en la nube de IoT compatible con LoRaWAN y con el network

server TTN, opera como un servidor de aplicación dentro de la red LoRaWAN. Para

establecer la comunicación del nodo final con la plataforma IoT Datacake es necesario

asociar el DevEUI del nodo final creando un dispositivo nuevo al que se le denominó “Hb

001”. La figura 65 presenta el registro del nodo final en Datacake.

109
 Figura 65. Registro del nodo final en el servidor de aplicación Datacake
Fuente: Elaboración propia en Datacake

3.10. Almacenamiento e Interfaz de Datos

En cuanto el almacenamiento de los datos, se utilizó la plataforma IoT Datacake, que recibe

los datos desde TTN, los mismos que en principio deben ser decodificados, para ello

Datacake cuenta con un módulo de “Payload Decoder”. La figura 66 muestra el código de

decodificación en Datacake.

Figura 66. Código de decodificación en Datacake

Fuente: Elaboración propia en Datacake

110
Establecida la decodificación del Payload, los datos pueden ser almacenados en formato

de valor decimal, la figura 67 muestra los campos para el almacenamiento de los 12 datos

de entrada en la plataforma.

Figura 67. Campos de datos para el almacenamiento en Datacake

Fuente: Elaboración propia en Datacake

Por otro lado, con la finalidad de brindar una interfaz que permita la interacción de los datos

de los pacientes con el personal de salud, se elaboró un panel dashboad interactivo. La

figura 68 muestra el esquema del dashboard desarrollado.

111
 Figura 68. Dashboard para la visualización de los datos recolectados
Fuente: Elaboración propia en Datacake

Datacake brinda la posibilidad de acceder al dashboard creado “Medición de Hb no

invasivo” mediante un enlace de acceso público:

“https://app.datacake.de/pd/43d04042-1355-4585-90da-8b4b9b1a3cd8”, el cual presenta

la opción de asignar credenciales, además de restringir permisos de administración y

lectura. Cabe destacar que el mismo enlace se encuentra impreso en una imagen de código

QR para el escaneo mediante dispositivos móviles, el mismo que se aprecia con la figura

69.

Figura 69. Panel de restricción de acceso

Fuente: Adaptado en Datacake

112
 CAPITULO 4:

RESULTADOS

4.1. Resultados de adquisición de datos del prototipo

Se realizó pruebas preliminares antes que el prototipo sea ensamblado. Evidenciando las

consultas mediante la pantalla y el ingreso de datos a través del teclado numérico y la

lectura de datos del sensor MAX30102. La figura 70 presenta el prototipo inicial.

Figura 70. Prototipo Inicial

Fuente: Elaboración propia

Las pruebas de adquisición de datos que involucra los datos de identificación y clasificación

brindaron resultados satisfactorios. La figura 71 muestra el ingreso de datos en el

microcontrolador, el cual se evidenció utilizando el modo monitor de IDE Arduino.

113
 Figura 71. Prueba de ingreso de datos de Identificación y clasificación
Fuente: Elaboración propia

Por otro lado, se realizó las pruebas de captura de datos mediante el fotodetector del

MAX30102 mediante de la luz roja e infrarroja que atraviesa el dedo del paciente,

calculando el valor de saturación oxigeno SpO2, el cual se contrastó con los valores del

oxímetro de pulso Contec cms50d, obteniendo una precisión del 98.42%, el cual muestra

la tabla 29.

Tabla 29.
Resultados adquisición datos de SPo2 del sensor MAX30102
contrastado con oxímetro de pulso Contec CMS50D

Código SPO2 SPO2 Sensor

Paciente Oximetro MAX30102
Contec
CMS50D
001 91 90
002 96 94
003 93 89
004 99 97
005 95 90
006 99 99
007 92 92
008 98 98
009 96 96
010 94 93
Fuente: Elaboración propia

114
asimismo, seguidamente el prototipó brinda el resultado del nivel de hemoglobina no

invasiva en base a los datos de entrenamiento y el dato de entrada de SpO2 del sensor

MAX30102, el cual ingresa como capa de entrada al sistema de red neuronal artificial. La

figura 72 se muestra los parámetros capturados y los resultados del nivel de SpO2 y Hb no

invasivo.

Figura 72. captura de datos Sensor MAX30102 y resolución de RNA

Fuente: Elaboración propia

Finalmente, se muestra datos acumulados que temporalmente se almacenaron en la

memoria RAM para luego pasar al proceso de envío mediante la etapa de comunicación.

La figura 73 presenta el resumen de datos acumulados.

115
 Figura 73. Resumen de los 12 almacenados de manera temporal
Fuente: Elaboración propia

4.2. Resultados del Sistema RNA

En base a los datos recolectados de 30 muestras para los datos de entrenamiento, se

realizaron pruebas de rendimiento del sistema de RNA que permita dar a conocer la

configuración con mejor porcentaje de precisión, en ese sentido, con la finalidad calibrar el

sistema para posteriormente realizar ensayos en pacientes, se realizaron pruebas que

permitan conocer la configuración con el mayor nivel de precisión del sistema,

estableciendo las configuraciones de la RNA con parámetros de 50, 100, 200, 500, 800 y

1000 épocas y 3, 4, 5, 6, 7 y 8 neuronas ocultas, evidenciando que el promedio de los

resultados con mayor porcentaje de precisión en el sistema de RNA para determinar los

niveles de hemoglobina, se presentaron utilizando la configuración de 6 nodos ocultos y 50

épocas, obteniendo un resultado promedio máximo de precisión del 93.63%. La tabla 30

muestra los resultados de porcentajes de precisión en base a las configuraciones

realizadas para la calibración del sistema.

Tabla 30.
Resultados del % de precisión de las configuraciones realizadas para la
calibración del sistema de RNA

116
 Épocas
Neuronas
50 100 200 500 800 1000
Ocultas
3 92.15 91.67 92.78 92.85 92.78 92.85
4 93.00 93.38 92.78 92.78 92.78 92.85
5 84.72 93.56 92.78 92.71 92.78 92.78
6 93.63 93.13 92.78 92.78 92.78 92.78
7 93.54 93.28 92.78 92.78 92.78 92.85
8 93.12 93.13 92.78 92.78 92.85 92.85
Fuente: Elaboración propia

La figura 74 interpreta la tabla 30 de forma gráfica, donde se observa en el eje vertical el

resultado del porcentaje de precisión en base a la cantidad de neuronas ocultas y el número

de épocas, mostrando que la configuración con 6 neuronas ocultas y 50 épocas de

entrenamiento brinda el promedio de precisión más alto, es decir 93.63%, razón por la que

se toman dichos parámetros de configuración para la calibración del sistema.

Figura 74. Métrica de resultados de precisión de las configuraciones realizadas para la

calibración del sistema
Fuente: Elaboración propia

En resumen, la precisión máxima que determina los niveles de hemoglobina no invasivos

del sistema de red neuronal artificial se da mediante los parámetros de configuración con

6 neuronas ocultas y 50 épocas, obteniendo un promedio de precisión de 93.63%. Por otro

lado, establecidos los parámetros del sistema RNA, se ejecutó la carga de los mismos en

el firmware del prototipo. Posteriormente, se realizaron ensayos en 10 pacientes

117
voluntarios, los cuales pasaron pruebas de tipo no invasivos con el prototipo, brindando

resultados que luego fueron contrastados con las muestras de tipo invasivos, obtenidas de

los niveles de hemoglobina en sangre de los mismos pacientes. Con dicha información se

determinó la diferencia entre los valores de tipo invasivo y no invasivo (denominado

diferencia de puntuación) y el porcentaje de precisión de los datos de los niveles de

hemoglobina. La tabla 31 muestra los resultados del prototipo (Hb No invasivo) y los niveles

de hemoglobina en sangre (Hb g/dl), información con la que se calculó la diferencia de

puntuación y porcentaje de precisión.

Tabla 31.
Resultados de los datos de prueba

Código SPO2 Sensor Hb Hb Diferencia de Porcentaje

Paciente MAX30102 (g/dl) No Invasivo Puntuación de Precisión
001 90 12.5 11.41 1.09 91%
002 94 13 12.45 0.55 96%
003 89 12.3 11.72 0.58 95%
004 97 14.4 12.55 1.85 87%
005 90 12.3 11.82 0.48 96%
006 99 13.1 12.43 0.67 95%
007 92 12.5 10.33 2.17 83%
008 98 13.2 12.95 0.25 98%
009 96 12 11.34 0.66 95%
010 93 12.2 11.82 0.38 97%
Fuente: Elaboración propia

Se puede observar que el resultado promedio de precisión es del 93%, obteniendo un

resultado por encima del planteado a la hipótesis en base a los antecedentes de

investigación, si bien es cierto dichos resultados se encuentran a 7 puntos porcentuales de

un 100% de precisión, el prototipo complementa el resultado del nivel de hemoglobina no

invasiva brindando datos de clasificación que muestran los síntomas y el tipo de dieta que

presenta el paciente, de manera que el personal de salud cuenta con información útil que

le permite de apoyarse al momento de la toma de una decisión frente a un diagnostico o

tratamiento.

118
Por otro lado, en base a los datos resultantes del nivel de hemoglobina no invasivo se

realizó un cálculo de desviación estándar, la cual es una medida de la variabilidad o

dispersión de un conjunto de datos. A continuación, se detalla la ecuación de deviación

estándar (DE)

∑ ∣ 𝑥 − 𝜇 ∣2
𝐷𝐸 = √
𝑁

Donde:

∑: Sumatoria

x: Es un valor de conjunto de datos

μ: Es la media de los datos

N: Es el número de datos en el conjunto

En base a la fórmula DE, se calcula la diferencia entre cada valor en el conjunto de datos

y la media:

11.41+12.45+11.72+12.55+11.82+12.43+10.33+12.95+11.34+11.82
• μ= = 11.882
10

luego se eleva al cuadrado y se suma para obtener la varianza.

• ∑∣x−μ∣^2 = (0.222784 + 0.322624 + 0.026244 + 0.446224 + 0.003844 + 0.300304 + 2.408704 +

1.140624 + 0.293764 + 0.003844) ^2 = 5.16896

Finalmente, se extrae la raíz cuadrada de la varianza para obtener la desviación estándar

• ∑∣x−μ∣^2 /N = 5.16896 / 10 = 0.516896

• DE = √0.516896 = 0.73

La varianza calculada es de 0.516896, y la desviación estándar es la raíz cuadrada de

dicha varianza, lo que resulta 0.73, variabilidad que indica que los datos están dispersos

en un rango aproximado de 0.73 unidades de la media.

119
 4.3. Resultados de la etapa de comunicación del prototipo

Se realizaron pruebas de la etapa de comunicación con el envío de los 12 datos

almacenados, proceso Join, en el cual se evidencia no habilitando el backhaul se observa

responde con el mensaje “Join Failed”, el cual se mantiene reintentando el proceso de

activación “Joining”, sin embargo, al habilitar la salida a internet se establece el Join de

manera satisfactoria con el mensaje “Joined”, autenticando el appEUI, devEUI y appKey

con el TTN, inmediatamente se envían los 12 datos en codificados en formato base64 con

un peso de 57 bytes alojados en payload del paquete LoRa, cabe resaltar que todos los

datos son enviados en un único paquete. La figura 75 muestra el proceso descrito.

Figura 75. Resumen de los 12 almacenados de manera temporal

La figura número 76 presenta la trama enviada desde el nodo final hacia TTN de una

prueba realizada desde el prototipo, donde se aprecia las claves de sesión compartidas,

además, el campo “frm_payload” el cual contiene el payload con los 12 datos en formato

120
“base64”, el cual se decodifica desde TTN en el “decoded payload”, mostrándose luego los

12 datos decodificados enviados por el nodo final.

Figura 76. Trama del nodo final enviado a TTN

Fuente: Elaboración propia

Presentado los resultados satisfactorios de las pruebas preliminares de adquisición de

datos y comunicación, se ensambló los componentes en la carcasa del prototipo. En las

figuras 77 y 78 se muestra el prototipo ensamblado.

121
Figura 77. Carcasa del prototipo con los componentes ensamblados

Figura 78. Prototipo finalizado

122
 4.4. Resultados del alcance de cobertura de la Red LoRaWAN

La figura número 79 presenta los resultados de la simulación, en la que demuestra el

alcance de cobertura de los 23 nodos finales, con una sensibilidad promedio de -80 dbm

los que se encuentran en el entorno de color marrón y -90 dbm los nodos finales que se

encuentran en el área graficada de tono fucsia. Se concluye todos los nodos finales cuentan

con cobertura y se establecen con el LoRa Gateway.

Figura 79. Resultado de Simulación de cobertura

Fuente: Elaboración propia

Por otro lado, al realizar una prueba de comunicación se verifica las tramas del nodo final

del lado del TTN, la figura 80 muestra los parámetros de la trama con un spreading factor

SF 9, un coding rate de “4/5” y un ancho de banda de 125000.

123
 Figura 80. Trama con los parámetros LoRa
Fuente: Elaboración propia

4.5. Resultados de la interfaz de acceso y almacenamiento de datos

Se diseño una interfaz gráfica que muestra principales datos del paciente como el DNI,

sexo (identificado por color azul sexo masculino y color rosado sexo femenino), la

saturación de oxígeno (SpO2) y el nivel de hemoglobina no invasivo (Hb). Por otro lado, en

la parte inferior se agregó un panel que detalla la cantidad de muestras obtenidas con sus

niveles de Hb. La cantidad de muestras recientemente colectadas, además el resultado del

último paciente. Se realizaron pruebas accediendo a la plataforma de “Medición de Hb no

invasivo” desde ordenadores y dispositivos móviles a través de su enlace público de

acceso: https://app.datacake.de/pd/43d04042-1355-4585-90da-8b4b9b1a3cd8,

obteniendo resultados satisfactorios de la muestra de los datos recolectados en el

dashboard elaborado. Las figuras 81 y 82 muestras capturas de las pruebas de acceso

realizada desde un ordenador portátil y un Smartphone.

124
Figura 81. Dashboard de Medición del Nivel de Hb no invasivo
(Prueba de acceso realizada desde un ordenador portátil)
Fuente: Elaboración propia

125
 Figura 82. Dashboard de Medición del Nivel de Hb no invasivo
(Prueba de acceso realizada desde un smartphone)
Fuente: Elaboración propia

Por otro lado, se estableció un panel que permite visualizar los datos completos

recolectados del paciente, asimismo permite realizar un histórico del registro de los datos

almacenados de los pacientes. De esta manera se comprueba el almacenamiento de datos

en el servidor de aplicación se alojan de manera satisfactoria, asimismo, la figura 83

presenta el detalle de los datos recolectados.

126
 Figura 83. Registro datos almacenados
Fuente: Elaboración propia en Datacake

Asimismo, se realizó una prueba de respaldo de los datos almacenados, realizándose de

forma satisfactoria, la figura 84 muestra el módulo de reportes de la plataforma Datacake.

127
 Figura 84. Reporte de respaldo en Datacake
Fuente: Elaboración propia en Datacake

4.6. Presupuesto

El presupuesto se basa en los costos del prototipo y la estación de recepción, lo que

representa el capital de inversión (CAPEX), por otro lado, se detallará los gastos de

operación anual que contemplan los nodos finales y la estación de recepción. Cabe resaltar

que los fondos para el capital de inversión y gastos de operación del proyecto se

contemplan mediante un proyecto de inversión pública de gestión municipal, con el objetico

de brindar mayor bienestar social de su población.

A continuación, la tabla 32 especifica los costos del prototipo (Nodo final), el cual tiene un

costo total de S/. 299.70.

Tabla 32.
Costos del Prototipo (Nodo final)

Equipamiento Nodo Final LoRaWAN

(Prototipo Medidor del Nivel Hb No Invasivo)
Detalle Costo
1 Pantalla OLED 0.96" SPI 128*64 S/ 17.00
2 Teclado matricial de membrana 3x4 S/ 4.80
3 Sensor de Oximetría de Pulso MAX30102 S/ 20.00
4 ESP32 Wrover SIM 800L S/ 90.00
5 Módulo Bee LoRa - Dragino S/ 85.00
6 Batería externa 5000 mAh – G Mobile S/ 49.90
7 Carcasa de Protección de PVC S/ 30.00
8 Cables y accesorios para el ensamblado S/ 3.00
Costo Total S/ 299.70

128
Por otro lado, la tabla 33 especifica los costos de la infraestructura de la estación de

recepción, con un costo total de S/. 1825.84.

Tabla 33.
Costos de Infraestructura estación base de recepción

Equipamiento Estación base de recepción Gateway LoRaWAN

N° Detalle Costo
1. Equipos S/ 953.84
1.1 Gateway RAK WisGate Edge Lite RAK7258 S/ 725.84
1.2 Antena RAK Fiberglass 5.8dB S/ 228.00
2. Materiales y Accesorios para la S/ 872.00
Implementación
2.1 Cable de red UTP CAT5E Apantallado - Dixon S/ 60.00
2.2 Conectores RJ-45 Cat 5e Apantallado - Dixon S/ 12.00
2.3 Estructura de Torre Ventada 30x30cm (1 S/ 280.00
Tramo)
2.4 Gabinete outdoor - Solera S/ 100.00
2.5 Prensa Estopa S/ 8.00
2.6 Tuberías Corrugado Conduit 3/4 (15 Mtrs) S/ 25.00
2.7 Materiales de Montaje Torre y gabinete S/ 50.00
2.8 Etiquetas de Identificación S/ 10.00
2.9 Llave termomagnética 30A Stronger S/ 25.00
2.10 Regleta supresora de pico Omega S/ 20.00
2.11 Gabinete de comunicaciones 1 RU S/ 140.00
2.12 Canaletas 10x20 S/ 10.00
2.13 Cable Vulcanizado 2x18 S/ 20.00
2.14 Enchufe industrial Levinton S/ 12.00
2.15 Misceláneos para la instalación S/ 100.00
Costo Total S/ 1,825.84

La tabla 34 resume los costos de implementación de la solución general, el cual involucra

la implementación de los 23 nodos finales y la estación de recepción y la supervisión de

los trabajos, brindando un costo total de la implementación de la solución de S/. 17,566.84.

129
 Tabla 34.
Resumen de los costos de la implementación de la solución

DESCRIPCIÓN COSTOS
I. NODOS FINALELS LoRaWAN S/. 8641.10
I.1.1 Nodo Final LoRaWAN - Hb No Invasivo (23) S/. 6893.10
I.2.1 Instalación y Configuración (23) S/. 1748.00
II. ESTACIÓN RECEPCIÓN GATEWAY LoRaWAN S/. 3,325.84
II.1.1 Gateway RAK WisGate Edge Lite RAK7258 S/. 725.84
II.1.2 Antena RAK Fiberglass 5.8dB S/. 228.00
II.1.1 Materiales y Accesorios para la S/. 872.00
Implementación
II.1.2 Mano de obra de Implementación S/. 1,500.00
III. PRUEBAS Y SUPERVISIÓN DE TRABAJOS S/. 5,599.90
III.1 Servicio de ingeniería del proyecto S/. 1,900.00
III.2 Supervisión de los trabajos de S/. 1,140.00
implementación
III.3 misceláneos e imprevistos S/. 800.00
III.4 Logística del proyecto S/. 250.00
III.5 Seguros complementarios S/. 380.00
III.6 Pruebas y equipos S/. 1,129.90
Total S/. 17,566.84

Con los datos anteriormente establecidos, se contempla un capital de inversión (CAPEX)

de S/. 20,728.87 incluido IGV. La tabla 35 detalla el costo del capital de inversión.

Tabla 35.
Costo de Capital de Inversión (CAPEX)

CAPEX - Capital de Inversión (Capital Expenditure)

ítem Concepto Total (S/.)
1 Nodos Finales LoRaWAN + Estación de Recepción Sub Total S/. 17,566.84
IGV 18% S/. 3,162.03
Total S/. 20,728.87

Por otra parte, se contempló los gastos de operación (OPEX), el cual está basado en los

costos de los servicios de acceso a Internet, licencia del servidor de aplicación para los 23

nodos finales y los servicios de mantenimiento para los nodos finales y la estación de

recepción, contemplando un costo anual de S/. 21,248.00 (incluye IGV). La tabla 36 detalla

el OPEX del proyecto.

130
Tabla 36.
Gatos de Operación (OPEX)

OPEX - Gastos de Operaciones (Operation Expenditure)

ítem Concepto Costo Anual
1 Servicio de acceso a Internet 60 Mbps S/. 720.00
2 Licencia de servicio del servidor de Aplicación DataCake (23 S/. 1,048.00
Nodos)
3 Servicios de Soporte y Mantenimiento Nodos Finales S/. 10,480.00
4 Servicios de Soporte y Mantenimiento Estación de Recepción S/. 9000.00
S/. 21,248.00

4.7. Cronograma

El cronograma está elaborado en un diagrama de Gantt basado en la estructura de trabajo

del desarrollo del capítulo 3 (ver figura 21), compuesto por seis fases, establecer de datos

del paciente, desarrollo del prototipo, red neuronal artificial, establecer comunicación,

almacenamiento de datos e interfaz de interacción y finalmente la fase pruebas. El periodo

total del diseño e implementación tiene una duración total de 181 días, en un periodo desde

8 meses aproximadamente, desde el 21 de octubre del 2021 hasta el 1/07/2022 (el

calendario de trabajo no incluye sábados, domingos y feriados). La figura 85 muestra el

cronograma de trabajo elaborado.

131
Figura 85. Cronograma de Estructura de Trabajo

131
 CONCLUSIONES

• El diseño e implementación del prototipo basado en IoT empleando sensores de

oximetría de pulso y redes neuronales artificiales cumple su objetivo principal de

determinar el nivel de hemoglobina de manera no invasiva en niños y adolescentes

a partir de los datos capturados del sensor de oximetría de pulso (SpO2) como dato

de entrada para el procesamiento en un sistema de RNA, superando la propuesta

planteada en la hipótesis de un 90% de precisión promedio, obteniendo un

resultado de precisión promedio del 93.63% con una configuración de 6 nodos

ocultos y 50 épocas en la RNA.

• Se estableció el número de DNI como dato de identificación y los datos de

clasificación la edad, sexo y datos entorno a la dieta y sintomatología asociada a

anemia, información que no solo permite clasificar a los niños y adolescentes, sino

que también es información útil para los especialistas en salud frente a la decisión

de un diagnóstico o tratamiento.

• El prototipo permite realizar de manera correcta la captura datos de oximetría de

pulso (%SpO2) mediante el sensor MAX30102 con un 98% precisión, contrastado

frente al Oxímetro de pulso modelo CMS50D de la marca Contec.

• El sistema de red neuronal artificial obtuvo un resultado de precisión promedio

máximo del 93.63% con una configuración de 6 nodos ocultos y 50 epocas de

132
 entrenamiento, por otro lado, durante las pruebas de rendimiento de la RNA se

observó que la variación de nodos ocultos y épocas de entrenamiento influyen en

la determinación de la precisión del nivel de hemoglobina.

• Se realizó una simulación con el software Radio Planner, obteniendo como

resultado el área de cobertura cubriendo por completo los 23 nodos finales ubicados

en las ollas comunes del AA. HH Ciudad de Gosen.

• Se estableció comunicación del prototipo con el servidor de red LoRaWAN The

Thing Network, en el que se comprobó la comunicación mostrando parámetros del

nodo final con la trama recepcionada en TTN mostrando un spreading factor SF 9,

un coding rate de “4/5” y un ancho de banda de 125000, asimismo, el payload en el

cual se encuentra los datos de identificación y clasificación.

• Se elaboró un panel en la plataforma IoT Datacake con una interfaz gráfica la cual

permite la interacción con los datos recopilados de los pacientes, asimismo, se

realizó un histórico del registro de los datos almacenados, comprobando de manera

satisfactoria el acceso a la plataforma a través de Internet así como el

almacenamiento de los datos recolectados.

• Se realizaron cálculos para determinar la autonomía de operación del prototipo

concluyendo en un promedio de operación de 3 días, considerando que el prototipo

atenderá un promedio de 20 muestras por día, escenario donde el prototipo se

encuentra en estado de operación de 1 hora por día y 23h en estado de reposo.

• El prototipo tiene un costo de S/.299.70; sin embargo, el despliegue de los 23 nodos

finales con la estación de recepción establece una inversión de capital de S/.

20,728.87, asimismo, los gastos de operación que considera el servicio de Internet,

licencia del servidor de aplicación para los 23 nodos finales, mantenimiento de los

nodos y la estación de recepción representan un costo anual de S/. 21,248.00,

montos los cuales incluyen IGV.

133
 RECOMENDACIONES

● Se sugiere considerar mayor cantidad de datos para el entrenamiento de la RNA,

compuestos por niveles de saturación de oxígeno (SpO2) como datos de entrada y

los niveles de hemoglobina en sangre (g/dl) como datos de salida.

● Para la determinación de los niveles de hemoglobina con el sistema de RNA se

sugiere realizar pruebas con configuraciones diferentes, agregando más de una

capa oculta, asimismo, realizar pruebas con otros modelos de RNA para mejorar la

precisión del sistema.

● En futuras propuestas se recomienda aprovechar los datos de clasificación (edad,

sexo, sintomatología y dieta del paciente) recolectados para utilizarlos como datos

de entrenamiento para el desarrollo de un segundo sistema de red neuronal artificial

que permita predecir el diagnostico de anemia, el cual puede ser cargado en el

mismo microcontrolador o en un servicio en la nube IoT.

● Se recomienda integrar un servicio o software en la nube IoT que permita crear una

interfaz de mapa de calor con las ubicaciones de los nodos finales y muestre las

zonas representadas de colores rojo, amarillo y verde de acuerdo a la criticidad del

porcentaje promedio de los resultados obtenidos de Hb no invasivo y datos de

clasificación, lo que permitiría conocer al personal de salud las zonas con niveles

de mayor criticidad.

● En futuras propuestas se recomienda considerar una segunda salida de acceso a

Internet para el Gateway LoRaWAN, en la tesis se propone una conexión Ethernet

el cual está conectado con el modem router de un operador de acceso a Internet

local, sin embargo, se podría considerar que el Gateway LoRaWAN RAK7258 el

134
 cual cuenta con una interface móvil sim card se le pueda habilitar un chip 4G de un

operador de telecomunicaciones, de manera se tendría una segunda interface de

salida a Internet, permitiendo mitigar el riesgo de perder comunicación con el

servidor de red LoRaWAN, por otro lado, ante el riesgo que el servidor de red

LoRaWAN pueda presentar alguna afectación, se recomienda adicionar en la

configuración, apuntar hacia un segundo servidor de red LoRaWAN, lo que

permitiría contar con un respaldo ante la posibilidad que el servidor principal se vea

afectado. Cabe resaltar que dicha propuesta es viable ya que solo requeriría

adquirir un chip de un operador de telecomunicaciones y configurarlo en el Gateway

LoRaWAN, en cuanto al factor económico implicaría un costo adiciona de operación

de 30 soles por mes. El segundo servidor de red LoRaWAN propuesto no tiene un

costo adicional, ya que el servidor de red LoRaWAN The Thing Network es Open

Source, no obstante, si requeriría del recurso humano para ejecutar la

configuración.

● La carcasa del prototipo se sugiere considerar un material de estándares más

elevados de protección IP66 que permita resistencia y protección de golpes y

caídas.

135
 ANEXOS:

Anexo 01: Código del sistema de red neuronal artificial

136
137
Anexo 02: código modelo de red neuronal en formato Tflite para microcontroladores

138
139
140
Anexo 03: Código fuente del nodo final LoRaWAN

141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
Anexo 04: Código formato Servidor de aplicación Datacake

157
Anexo 05: Fichas Técnicas de los componentes del Prototipo

1- Sensor Oximetría de Pulso MAX30102 (Maxim Integrated, 2018)

158
159
2- Módulo LoRa Bee Dragino SX1276 (Dragino, 2016)

160
Chip SX1276 - Semtech (Semtech, 2020)

161
3- ESP32 WROVER SIM800L (Espressif, 2022)

162
163
164
165
4- Pantalla OLED SSD1306 - 128X64 (Systech, 2009)

166
5- Teclado Numérico matricial 3X4 (wiltronics)

167
Anexo 06: Fichas técnicas del equipamiento y materiales de la estación de recepción

1- Gateway LoRaWAN RAK7258 (RAKwireless Technology, 2022)

168
169
170
171
172
173
2- Antenna RAK Fiberglass 5.8 dBi (Rak Wireless, 2022)

174
175
176
 Anexo 07: Fichas técnicas de equipos de prueba en campo

1- Medidor de Hemoglobina portátil Mission Hb (Ancon Laboratories,Inc., 2017)

177
2- Oxímetro de Pulso Contec CMS50D (Contec Medical Systems CO.,LTD)

178
 Anexo 08: Precios de los componentes del Prototipo

1- Sensor de oximetría de pulso MAX30102

2- Pantalla OLED 128X64

179
3- Teclado de Membrana 3x4

4- ESP32 WROVER SIM 800L

180
5- Modulo LoRa Bee Dragino SX1276

6- Batería externa G Mobile 5000 mAh

181
 Anexo 09: Precios de equipamientos de la estación de recepción

1- Gateway LoRaWAN RAK RAK7258

2- Antenna Fiberglass 5.8 dBi

182
Anexo10: Precios de equipos de prueba en campo

1- Medidor portátil de Hemoglobina Misión Hb Ancon

2- Oxímetro de Pulso Contec CMS50D

183
Anexo 11: Hoja de información al paciente

184
Anexo 12: Hoja de consentimiento informado

185
Anexo 13: Fotografías de pruebas en campo

1- Equipos para las pruebas en campo: Medidor portátil de Hemoglobina Misión Hb

Ancon y Oximetro de pulso Contec CSM50D

2- Firma del documento “Hoja de consentimiento informado” por el apoderado de un

paciente voluntario.

186
3- Toma de muestra de contraste con oxímetro de pulso Contec CSM50D de un

paciente voluntario

4- Toma de muestra de hemoglobina en sangre de un paciente voluntario.

187
5- Toma de muestra en campo del nivel de hemoglobina invasivo de un paciente

voluntario con el prototipo elaborado.

6- Resultado en campo del nivel de hemoglobina invasivo de un paciente voluntario

con el prototipo elaborado.

188
Anexo 14: Esquemático del prototipo

189
Anexo 15: TURNITIN – Recibo

190
 BIBLIOGRAFÍA

Advancedsecurity. (24 de enero de 2020). Advancedsecurity. (S. Dudek, Editor, & S.

Dudek, Productor) Recuperado el 17 de Julio de 2022, de Advancedsecurity:

https://advancedsecurity.training/posts/sdr-lora

Aguilar, S. (2020). Diseño de una solución basada en el internet de las cosas (IoT)

empleando Lorawan para el monitoreo de cultivos agrícolas en Perú. Tesis,

Universidad Tecnologica del Perú, Facultad de Ingeniería, Lima.

doi:20.500.12867/2946

Ancon Laboratories,Inc. (Junio de 2017). Mission Hb. Obtenido de anconlabs.com:

https://www.aconlabs.com/wp-content/uploads/2020/07/PN-2170005801_Mission-

Hb-Hemoglobin_sell-sheet_BLUE_6-19-17-compressed.pdf

Avila, E., & Parra, M. (2020). Desarrollo de un prototipo de red LPWAN con tecnología

LoRa para la detección de intrusos en las viviendas de una zona residencial.

Tesis, Escuela Politecnica Nacional, Ingeniería de Sistemas, Quito. Obtenido de

https://bibdigital.epn.edu.ec/bitstream/15000/21345/1/CD%2010862.pdf

Balaguer. (2016). Validación de la medición continua y no invasiva de la hemoglobina

mediante la utilización de la cooximetría de pulso. Tesis Doctoral, Universidad

Cardenal Herrera-CEU, Cirugía, Valencia. Obtenido de

https://repositorioinstitucional.ceu.es/bitstream/10637/8400/1/Validaci%C3%B3n%

20de%20la%20medici%C3%B3n%20continua%20y%20no%20invasiva%20de%2

0la%20hemoglobina%20mediante%20la%20utilizaci%C3%B3n%20de%20la%20c

ooximetr%C3%ADa%20de%20pulso_Tesis_Josep%20Bala

BCRP. (2021). BCRP. Obtenido de BCRP:

https://www.bcrp.gob.pe/docs/Publicaciones/Revista-Moneda/moneda-

185/moneda-185-10.pdf

191
Benites, & Gomez. (2020). Desarrollo de un sistema de monitorización no invasiva de la

concentración de hemoglobina basado en espectrofotometría. Tesis de Ingeniería,

Universidad Privada Antenor Orrego, Facultad de Ingeniería, Trujillo.

Caba, A., & Muñoz, R. (2020). Metodología para selección de tecnologías LPWAN para

diversas aplicaciones de Internet de las Cosas. Tesis, Universidad de Chile,

Ingeniería Eléctrica, Santiago. Obtenido de

https://repositorio.uchile.cl/bitstream/handle/2250/179720/Metodologia-para-

seleccion-de-tecnologias-LPWAN-para-diversas-aplicaciones-de-internet-de-las-

cosas.pdf?sequence=1

Castro, J. (2014). Uso del protocolo CoAP para la implementación de una aplicación

domotica con redes de sensores inalambricas. Universidad Politecnica de

Cartagena, Cartagena. Obtenido de

https://repositorio.upct.es/bitstream/handle/10317/4163/pfc5908.pdf

Cobos, C. (2017). Medicion de signos vitales mediante técnicas de visión artificial. Tesis

Doctoral, Universidad Carlos III de Madrid, Ingeniería de Sistemas y Automatica,

Madrid. Obtenido de https://e-archivo.uc3m.es/handle/10016/27328?show=full

Contec Medical Systems CO.,LTD. (s.f.). contecmedsystem.com. Obtenido de

contecmedsystem.com:

https://www.contecmedsystem.com/product/contec_cms50d_color_screen_pulse_

oximeter_blood_saturation_monitor

Coolbox. (Julio de 2022). Coolbox. Obtenido de Coolbox: https://www.coolbox.pe/bateria-

externa-g-mobile-5000mah-x5black/p#linkTwo

Córdova, R. (2018). Diseño e Implementación de una aplicación Móvil Basada en Android

para la Evaluación de Anemia Ferropénica en Personas de Acuerdo al Nivel de

Hemoglobina. TESIS, UNIVERSIDAD DEL AZUAY, FACULTAD DE CIENCIA Y

TECNOLOGÍA, Ecuador. Obtenido de

https://dspace.uazuay.edu.ec/handle/datos/8173

192
Datacake. (2021). Datacake. Obtenido de Datacake: https://datacake.co/

Defensoria del Pueblo. (2018). Defensoria. Obtenido de Defensoria:

https://www.defensoria.gob.pe/wp-content/uploads/2019/01/Informe-de-

Adjunt%C3%ADa-012-2018-DPAAE.pdf

Digikey. (21 de enero de 2020). digikey. (J. Beningo, Editor, J. Beningo, Productor, & Digi-

Key) Recuperado el 16 de julio de 2022, de digikey:

https://www.digikey.com/es/articles/how-to-select-and-use-the-right-esp32-wi-fi-

bluetooth-module

Dragino. (22 de Marzo de 2016). Dragino. Obtenido de Dragino:

https://www.dragino.com/downloads/downloads/datasheet/EN/Datasheet_Lora_Sh

ield.pdf

Espressif. (2022). Espressif. Obtenido de Espressif:

https://www.espressif.com/sites/default/files/documentation/esp32-wrover-

b_datasheet_en.pdf

Hadianto, F. (2020). Herramienta de monitoreo para medir el nivel de Hemoglobina

usando el algoritmo K-Vecino más cercano (KNN) Basado en Internet de las

Cosas (IOT). Tesis, Universidad Telkom, Ingeniería Biomedica, Bandug. Obtenido

de https://openlibrary.telkomuniversity.ac.id/home/catalog/id/163423/slug/alat-

monitoring-pengukuran-kadar-hemoglobin-menggunakan-algoritma-k-nearest-

neighbor-knn-berbasis-internet-of-things-iot-.html

Heredia, & Mamani. (1 de Setiembre de 2020). repositorio de la Universidad de Lima.

Obtenido de repositorio de la Universidad de Lima:

https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/13921/Heredia_Ma

mani_Comparaci%c3%b3n-de-t%c3%a9cnicas-basadas-en-visi%c3%b3n-

computacional.pdf?sequence=1&isAllowed=y

Hernández, S. (2020). Estudio en detalle de LoRaWAN comparación con otras

tecnologías LPWAN considerando diferentes patrones de tráfico. Tesis de

193
 Maestría, Universidad Abierta de Cataluña, Telemática, Cataluña. Obtenido de

http://openaccess.uoc.edu/webapps/o2/bitstream/10609/106369/7/shernandezc6T

FM0120memoria.pdf

Hifisac. (2022). Hifisac. Obtenido de Hifisac: https://hifisac.com/en/shop/product/key-3x4-

teclado-de-membrana-de-3x4-2630#attr=

INEI. (2019). INEI. Obtenido de INEI:

https://proyectos.inei.gob.pe/endes/2019/ppr/Indicadores%20de%20Resultados%

20de%20los%20Programas%20Presupuestales_ENDES_2014_2019.pdf

INEI. (2020). Planos Estratificados de Lima Metropolitana a Nivel de Manzanas. Lima.

Obtenido de

https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib174

4/libro.pdf

Instrument-Texas. (2015). digikey. Recuperado el 5 de Junio de 2022, de digikey:

https://www.ti.com/lit/ds/symlink/opt101.pdf

ITU. (2021). Hacia la definición del Internet de las Cosas (IoT). Obtenido de

https://www.itu.int/rec/T-REC-Y.4480/en

LoRa Alliance. (2018). LoRaWAN 1.0.3 Regional Parameters. Obtenido de lora-

alliance.org: https://lora-alliance.org/wp-

content/uploads/2020/11/lorawan_regional_parameters_v1.0.3reva_0.pdf

Mansoureh, L. (2021). Detección de anomalias TINYML. Tesis de maestría, Universidad

del estado de California Northridge, California. Obtenido de

https://scholarworks.calstate.edu/concern/theses/8336h7115?locale=en

Maxim Integrated. (2018). maximintegrated.com. Obtenido de maximintegrated.com:

https://datasheets.maximintegrated.com/en/ds/MAX30102.pdf

MEF, & MINSA. (2019). MEF. Obtenido de MEF:

https://www.mef.gob.pe/contenidos/presu_publ/migl/metas/meta4_PPT_MINSA_Ti

poA.pdf

194
Meraz Castro, C., Rivas Galindo, A., Pineda Orozco, C., & Carrera Castro, C. (2022).

Ciudades Inteligentes e Internet de las Cosas. Libro, Universidad Pedagogica de

Durango, Ciencia de Datos, Mexico. Obtenido de

http://www.upd.edu.mx/PDF/Libros/CiudadesInteligentes.pdf

Merino, C. (2019). Despliegue y evaluación de una Red On-Site LoRaWAN basada en

The Things Network Stack versión 3. Trabajo final de grado, Universidad de

Cantabria, Ingeniería, Santander. Obtenido de

https://repositorio.unican.es/xmlui/bitstream/handle/10902/17087/420136.pdf?sequ

ence=1&isAllowed=y

Ministerio de Transportes y Comunicaciones. (2013). elperuano.pe. Obtenido de

elperuano.pe: https://busquedas.elperuano.pe/download/url/modifican-el-tuo-del-

reglamento-general-de-la-ley-de-telecom-decreto-supremo-n-006-2013-mtc-

920101-7

MINSA. (8 de MAYO de 2014). Obtenido de

https://www.gob.pe/institucion/minsa/noticias/32308-poblacion-de-zonas-mas-

frias-y-pobres-en-villa-maria-esta-protegida-contra-las-ira

MINSA. (2016). Guía de practica clínica para el diagnostico y tratamiento de la Anemia

por deficiencia de Hierro en Niñas, Niños y Adolescentes en establecimientos de

salud del Primer nivel de Atención. Obtenido de

http://bvs.minsa.gob.pe/local/MINSA/3932.pdf

MINSA. (2018). Obtenido de

https://cdn.www.gob.pe/uploads/document/file/154146/RM_0540-2018-MINSA.pdf

MINSA. (2019). DGE. Obtenido de DGE: https://www.dge.gob.pe/portal/docs/asis-lima-

2019/CD_MINSA/DOCUMENTOS_ASIS/ASIS_DISTRITO%20VILLA%20MARIA%

20EL%20TRIUNFO%202019.pdf

Municipalidad de Lima. (Febrero de 2021). Obtenido de http://ollascomunes.gpvlima.com/

195
Municipalidad VMT. (2019). Declara JNE. Obtenido de Declara JNE:

https://declara.jne.gob.pe/ASSETS/PLANGOBIERNO/FILEPLANGOBIERNO/1144

7.pdf

Naylampmechatronics. (2021). Naylampmechatronics. Obtenido de

Naylampmechatronics: https://naylampmechatronics.com/oled/83-display-oled-

096-spi-12864-ssd1306.html

nisshinbo-microdevices. (s.f.). https://www.nisshinbo-microdevices.co.jp. Obtenido de

https://www.nisshinbo-microdevices.co.jp: https://www.nisshinbo-

microdevices.co.jp/en/pdf/datasheet/NJL5510R_E.pdf

Noguera, A. (2016). Sistema de dialogo basado en mensajería instantanea para el control

de dispositivos de Internet de las Cosas. Universidad de Murcia, España.

Obtenido de

https://digitum.um.es/xmlui/bitstream/10201/48132/1/Jos%C3%A9%20%C3%81ng

el%20Noguera%20Arnaldos%20Tesis%20Doctoral.pdf

OMS. (20 de Abril de 2020). who.int. Obtenido de who.int:

https://www.who.int/es/news/item/20-04-2020-who-guidance-helps-detect-iron-

deficiency-and-protect-brain-development

OMS. (2022). Organización Mundial de la Salud. Obtenido de Organización Mundial de la

Salud: https://www.who.int/es/health-topics/anaemia#tab=tab_1

Ortiz, M. (2019). Implementación y evaluación de plataformas en la nube para servicios

de IoT. Trabajo de fin de grado, Universidad Politecnica de Valencia, Inginiería de

Telecomunicaciones, Valencia. Obtenido de

https://riunet.upv.es/bitstream/handle/10251/127825/Ortiz%20-

%20Implementaci%C3%B3n%20y%20Evaluaci%C3%B3n%20de%20Plataformas

%20en%20la%20Nube%20para%20Servicios%20de%20IoT.pdf?sequence=1

Pérez, C. (2019). Estudio y anlisis del protocolo de mensajería avanzada en el internet de

las cosas para aplicación en el campo de la domotica. Universidad Católica de

196
 Santiago de Guayaquil, Ingeniería de Telecomunicación, Ecuador. Obtenido de

http://repositorio.ucsg.edu.ec/bitstream/3317/13368/1/T-UCSG-PRE-TEC-ITEL-

354.pdf

Pisano, A. (2018). Internet de las Cosas. Tesis de Maestría, Universidad de San Andrés,

Tecnologico y de telecomunicaciones. Obtenido de

https://repositorio.udesa.edu.ar/jspui/bitstream/10908/16159/1/%5BP%5D%5BW%

5D%20T.%20M.%20Ges.%20Pisano%2C%20Ariel.pdf

Pizarro, M. (2019). IoT. Una experiencia educativa con la plataforma Thinger.io. Proceso

en la niebla. Trabajo de fin de grado, Universidad Carlos III de Madrid, Ingeniería

de Tecnologías Industriales, Madrid. Obtenido de https://e-

archivo.uc3m.es/bitstream/handle/10016/30398/TFG_Maria_Pizarro_Medina.pdf?

sequence=1

Pratim, P. (2022). Una revisión sobre TinyML estado del arte y perpectivas. Revista

Cientifica, Universidad King Saud, Informatica y ciencias de la Información, Arabia

Saudita. doi:10.1016/j.jksuci.2021.11.019

Quispe, I. R. (9 de Setiembre de 2021). Entrevista Centro Medico Ciudad de Gosen. (R.

Velasquez Correa, Entrevistador) Villa María del Triunfo, Lima, Perú.

Rak Wireless. (2022). rakwireless.com. Obtenido de rakwireless.com: https://dl-

docs.rakwireless.com/api/render/?emulateScreenMedia=false&pdf.format=legal&u

rl=https%3A%2F%2Fdocs.rakwireless.com%2FProduct-

Categories%2FAccessories%2FRAKARG14%2FDatasheet%2F

RAKwireless Technology. (2022). rakwireless. Obtenido de rakwireless:

https://store.rakwireless.com/products/rak7258-micro-

gateway?variant=39942876430534

Ramirez, D., & Rodriguez, E. (2016). Diseño de un método para identificar necesidades y

oportunidades para la implementación de Internet de las Cosas (IoT) aplicable a

oficinas de trabajo donde permanezcan entre 30 y 70 personas y planteamiento

197
 de un caso practico de solución en las oficinas. Universidad distrital Francisco

José de Caldas, Bogota. Obtenido de

https://repository.udistrital.edu.co/bitstream/handle/11349/5343/RamirezMadridDa

vidAndres2017.pdf?sequence=1

Rezza, M. (2018). Diseño e Implementación de una herramienta de medición de

Hemoglobina en sangre no invasiva basada en Arduino. Tesis, Universidad de

Telkom, Ingeniería de Telecomunicaciones, Bandung. Obtenido de

https://openlibrary.telkomuniversity.ac.id/home/catalog/id/142414/slug/perancanga

n-dan-implementasi-alat-ukur-kadar-hemoglobin-darah-secara-non-invasive-

berbasis-arduino.html

Roveri, M., & Disabato, M. (2021). Tiny Machine Learning for Concept Drift. Cornell

University, Informatica, New York. doi:10.48550/arXiv.2107.14759

Rustam, Fauzi, H., & Eliskar, Y. (2020). Capacitación sobre la implementación medición

de hemoglobina no invasiva en la Cruz Roja Indramayu - Indonesia. Articulo

cientifico, Universidad Telkom, Ingeniería de Telecomunicaciones, Bandung.

doi:http://dx.doi.org/10.35914/tomaega.v4i1.531

Semtech. (2020). Semtech. Obtenido de Semtech:

https://semtech.my.salesforce.com/sfc/p/#E0000000JelG/a/2R0000001Rbr/6EfVZ

UorrpoKFfvaF_Fkpgp5kzjiNyiAbqcpqh9qSjE

Silva, C. (2021). DISEÑO Y DESARROLLO DE UN PROTOTIPO OXÍMETRO PARA

MEDIR LA CANTIDAD DE OXIGENO EN LA SANGRE Y TEMPERATURA

CORPORAL DE AQUELLOS PACIENTES QUE PRESENTEN SINTOMAS

RESPIRATORIOS ANORMALES. SOSPECHOSOS POR COVID-19 CON

INDICADOR DE ALARMA POR VOZ BAJO ARDUINO. TESIS, UNIVERSIDAD

DE GUAYAQUIL, CIENCIAS MATEMATICAS Y FISICAS, GUAYAQUIL. Obtenido

de http://repositorio.ug.edu.ec/bitstream/redug/52331/1/B-CINT-PTG-

N.656%20Silva%20Baque%20Carlos%20Alexi.pdf

198
Systech, S. (2009). alldatasheet.com. Obtenido de alldatasheet.com:

https://pdf1.alldatasheet.com/datasheet-pdf/view/1179026/ETC2/SSD1306.html

Tensorflow org. (2021). TensorFlow Lite para microcontroladores. Obtenido de

https://www.tensorflow.org/lite/microcontrollers?hl=es-419

The Things Network. (2022). thethingsnetwork. Obtenido de thethingsnetwork:

https://www.thethingsnetwork.org/

Vera, S. (2018). Diseño de redes IoT con Aplicaciones en la gestión de aparcamientos

urbanos y la recopilación de datos en entorno agricola. Trabajo de fin de grado,

Universidad Politecnica de Madrid, Señales y sistemas de Radiocomunicaciones,

Madrir. Obtenido de

https://oa.upm.es/51978/1/PFC_SERGIO_VERA_ANDREU_2018.pdf

wiltronics. (s.f.). wiltronics. Obtenido de wiltronics: https://www.wiltronics.com.au/wp-

content/uploads/datasheets/ARD2-2112%20Data%20Sheet.pdf

Xiaomi. (2022). xiaomitiendaperu. Obtenido de xiaomitiendaperu:

https://xiaomitiendaperu.com/producto/cargador-xiaomi-18w-mid-09-ew/

199