A Rule-Based IoT Wearable Prototype for Companion Animal Vocalization Monitoring: Design, Implementation, and Documented Limitations

Resumo Técnico: Protótipo de Wearable IoT Baseado em Regras para Monitoramento de Vocalização de Animais de Estimação

Declaração do Problema
O artigo aborda o desafio de desenvolver um sistema vestível (wearable) de baixo custo, leve e com recursos limitados para o monitoramento em tempo real do comportamento de animais de estimação. Embora pesquisas existentes tenham utilizado com sucesso acelerômetros para classificação de atividade e aprendizado profundo (deep learning) para análise de vocalização animal, há uma lacuna significativa em sistemas multimodais integrados projetados especificamente para animais domésticos que operem inteiramente em hardware embarcado sem o uso de offloading para a nuvem.

Um problema crítico identificado é a dificuldade de realizar a inferência emocional semântica (por exemplo, distinguir fome de angústia) a partir das vocalizações dos animais em dispositivos de classe de microcontroladores. O objetivo de design original visava criar um "tradutor de linguagem de pets", mapeando vocalizações para estados emocionais. No entanto, os autores observam que esse objetivo enfrenta barreiras fundamentais: a falta de conjuntos de dados anotados e padronizados para emoções de pets, a alta variabilidade intraespécie nos padrões vocais, a interferência de ruído ambiental e as limitações computacionais de microcontroladores de baixa potência, que impedem o uso de modelos complexos de deep learning necessários para uma decodificação semântica de áudio confiável.

Metodologia
A solução proposta é um framework IoT modular de quatro camadas centrado em um microcontrolador ESP32-WROOM-32. O sistema integra duas modalidades de sensoriamento primárias:

1. Sensoriamento Acústico: Um microfone MEMS digital INMP441 captura áudio a 16 kHz. O sistema calcula a amplitude absoluta média ($A_{avg}$) sobre um buffer de 256 amostras.
2. Sensoriamento de Movimento: Um IMU de 6 eixos MPU6050 (acelerômetro e giroscópio) realiza a amostragem a 100 Hz. O sistema calcula magnitudes escalares para os dados de aceleração e giroscópio, juntamente com características estatísticas como o desvio padrão ($\sigma_a$) e a amplitude pico a pico ($P_{pp}$) sobre uma janela deslizante de 50 amostras.

Lógica de Classificação e Fusão
Devido à incapacidade de executar modelos de deep learning no hardware alvo, os autores implementaram um framework de classificação baseado em regras:

• Regras Acústicas: Limiares hierárquicos ($T_1=1200, T_2=2500, T_3=4000$) mapeiam a amplitude média para estados heurísticos (Silêncio, Baixa Atividade, Atividade Moderada, Alta Atividade). Os autores reconhecem explicitamente que estes são proxies de intensidade, não rótulos emocionais semânticos.
• Regras de Movimento: Árvores de decisão baseadas em $\sigma_a$, $g_{std}$, $P_{pp}$ e aceleração mínima ($a_{min}$) classificam as atividades em Repouso, Caminhada, Corrida e Salto.
• Fusão Multimodal: Uma tabela de busca determinística combina as saídas acústicas e de movimento para gerar um estado comportamental composto. Por exemplo, "Alta Atividade" (acústica) combinada com "Corrida" (movimento) é interpretada como "Excitação", enquanto "Alta Atividade" com "Repouso" é interpretada como "Angústia" ou "Busca de Atenção".

O sistema transmite dados via Bluetooth Classic (SPP) para um aplicativo móvel companheiro (desenvolvido com MIT App Inventor) com uma latência fim-a-fim média de 1 a 2 segundos.

Principais Contribuições

1. Desenvolvimento de Protótipo: Criação de um dispositivo vestível autossuficiente, de baixo custo, integrando sensoriamento acústico e inercial em uma plataforma ESP32, capaz de processamento local e transmissão sem fio.
2. Framework Multimodal Baseado em Regras: Implementação de um sistema de classificação leve que funde a intensidade acústica e estatísticas de movimento para melhorar a robustez contextual em relação às abordagens de sensor único.
3. Evolução Crítica do Design: Uma documentação transparente da mudança de design de um objetivo de "reconhecimento de emoção semântica" inviável para um paradigma prático de "estimativa de estado comportamental". Isso inclui uma análise de falha sobre por que as características acústicas baseadas em amplitude não podem decodificar confiavelmente a valência emocional em hardware embarcado.
4. Validação Experimental: Uma avaliação sistemática de três fases (apenas acústica, apenas movimento e combinada) demonstrando o desempenho do sistema sob condições controladas.

Resultados Experimentais
O protótipo foi avaliado em um ambiente interno controlado usando um gato doméstico como o sujeito principal para calibração.

• Subsistema de Movimento: Demonstrou alta consistência (90% no total), classificando corretamente Repouso, Caminhada, Corrida e Salto. Não apresentou gatilhos falsos durante os testes de linha de base de repouso.
• Subsistema Acústico: Alcançou 82,5% de consistência. Embora os estados de "Silêncio" e "Alta Atividade" tenham sido detectados com alta precisão (95–100%), as classes de atividade "Baixa" e "Moderada" sofreram com problemas de limiares marginais. Crucialmente, o subsistema acústico exibiu uma taxa de gatilho falso de 15% durante os testes de linha de base devido ao ruído ambiente, confirmando a limitação da análise baseada apenas em amplitude.
• Fusão Multimodal: O sistema combinado alcançou uma precisão de estado composto de 92,5%. A lógica de fusão conseguiu reduzir a ambiguidade ao cruzar eventos acústicos com o contexto de movimento.
• Latência: O sistema manteve uma latência de resposta de aproximadamente 1 a 2 segundos, adequada para monitoramento em tempo real.

Significância e Alegações
O artigo reivindica significância principalmente como uma prova de conceito no Nível de Prontidão Tecnológica (TRL) 4, demonstrando que o monitoramento comportamental multimodal em tempo real é viável em hardware com recursos limitados.

Os autores enquadram modestamente a utilidade do sistema não como um "tradutor de linguagem de pets" definitivo, mas como uma ferramenta de monitoramento assistivo para indivíduos idosos e usuários com mobilidade limitada. Ao mudar o foco da decodificação de emoção semântica para a estimativa de estado comportamental (por exemplo, detectar angústia, excitação ou inatividade), o sistema visa reduzir a carga de observação humana constante e permitir respostas de cuidado oportunas.

O estudo enfatiza que, embora a abordagem atual baseada em regras seja funcional, ela é limitada pela calibração manual de limiares e pela sensibilidade ao ruído. Os autores postulam que iterações futuras devem incorporar aprendizado de máquina (por exemplo, TensorFlow Lite Micro) e conjuntos de dados maiores e anotados para melhorar a robustez da classificação acústica e a generalização entre diferentes raças de animais e ambientes. O artigo conclui que a transição de um objetivo semântico ambicioso para um sistema prático de estimativa comportamental fornece orientação empírica valiosa para a comunidade de sistemas embarcados em relação aos limites de viabilidade na inferência emocional acústica.