Monitoramento de Sinais Vitais Utilizando Redes Wi-Fi

Julio C. H. Soto, Egberto Caballero, Iandra Galdino, Vinicius Ferreira,

Débora Muchaluat-Saade, Célio de Albuquerque
1
Laboratório Mı́diaCom, Instituto de Computação, Universidade Federal Fluminense (UFF)
Av. Gal. Milton Tavares de Souza, s/nº - Niterói – RJ – Brasil
{jsoto, egbertocr, igaldino, vinicius, debora, celio}@midiacom.uff.br

1. Autores que apresentarão o curso

O minicurso será apresentado por Débora C. Muchaluat-Saade, doutora em In-
formática pela PUC-Rio e professora titular do Instituto de Computação da UFF, Célio
V. N. de Albuquerque, doutor em Information and Computer Science pela University
of California, Irvine (UCI) e professor do Instituto de Computação da UFF, Vinicius
Ferreira, doutor em Ciência de Computação pela UFF e pós-doutorando do Instituto
de Computação da UFF, Iandra Galdino, doutora em Engenharia Elétrica pela UFRJ
e Conservatoire National des Arts et Métiers (CNAM), pós-doutoranda do Instituto de
Computação da UFF, Julio C. H. Soto, doutorando no Instituto de Computação da UFF e
Egberto Caballero, também doutorando no Instituto de Computação da UFF.

2. Dados gerais
2.1. Objetivos do curso e tratamento dado ao tema
O monitoramento contı́nuo da saúde de pacientes oferece um melhor conheci-
mento de sua condição e permite um fluxo eficiente de informações para supervisão, tra-
tamento e recuperação [Tan et al. 2018]. A busca por novas abordagens de baixo custo
sem o uso de dispositivos invasivos mostrou que os sinais de rádio Wi-Fi podem ser usa-
dos para monitorar as atividades humanas, seus movimentos e até mesmo os seus sinais
vitais [Ma et al. 2019, Yousefi et al. 2017].
Sinais de rádio (ondas eletromagnéticas) são afetados pelo corpo humano
alterando as caracterı́sticas do sinal recebido por um dispositivo [Gu et al. 2017,
Gu et al. 2018]. Essas alterações podem ser reconhecidas em um conjunto de dados de-
nominado Channel State Information (CSI). Dados CSI fornecem informações de status
do canal na camada fı́sica (PHY), como amplitude, fase e/ou indicador de intensidade do
sinal recebido (Received Signal Strength Indicator - RSSI) para cada subportadora envol-
vida na transmissão de múltiplas portadoras do Wi-Fi [Wang et al. 2019, Liu et al. 2019].
Dados CSI indicam como o corpo humano interfere no sinal eletromagnético no tempo,
na frequência e nos domı́nios espaciais. Essas informações podem ser usadas para di-
ferentes aplicações, tais como a detecção de presença humana, detecção de movimento,
identificação, detecção de queda, reconhecimento de gestos, localização e monitoramento
da saúde.
Dessa forma, o principal objetivo deste minicurso é a discussão sobre os princi-
pais conceitos, desafios e perspectivas para o monitoramento de sinais vitais utilizando
os dados CSI de comunicações Wi-Fi, área de grande oportunidade para pesquisa e de-
senvolvimento. Espera-se que, ao final do minicurso, os participantes compreendam os
principais conceitos relacionados ao Wi-Fi CSI, a exploração das caracterı́sticas dos da-
dos CSI e seu uso para o monitoramento de sinais vitais. Temas como comunicação sem
fio, ferramentas para extração de dados CSI, processamento de sinais e obtenção de sinais
vitais têm destaque especial neste minicurso, assim como soluções publicadas na litera-
tura e projetos existentes relativos aos principais desafios dessa área. Além disso, uma
atividade prática será realizada, explicando todos os passos desde a captura dos dados
CSI até o monitoramento da respiração de um indivı́duo.
2.2. Perfil do público-alvo
Este curso destina-se aos mais diversos profissionais e alunos das áreas da
Computação, Engenharias, pesquisadores e profissionais da área da saúde, e de forma
geral a todos interessados em conhecer novos conceitos e desafios de pesquisa multi-
disciplinar que envolve as áreas de redes de computadores, processamento de sinais e
monitoramento da saúde.

3. Estrutura prevista do texto

O texto deste minicurso está organizado em 7 seções. Primeiramente, o tema
tratado será contextualizado na Seção 1. Na Seção 2 serão apresentados os principais
conceitos relacionados a Wi-Fi CSI, com os conceitos básicos de modulação OFDM, a
modelagem do canal sem fio Wi-Fi e apontando as ferramentas utilizadas para a extração
de caracterı́sticas do canal, utilizando o Channel State Information (CSI). Na Seção 3
serão discutidas as principais ferramentas utilizadas para processar os dados de CSI e
algoritmos de detecção dos sinais vitais de indivı́duos em ambientes monitorados pelo
CSI. Na Seção 4 serão apresentadas algumas aplicações de monitoramento de sinais vitais
através de Wi-Fi CSI encontradas na literatura. Na Seção 5 uma atividade prática será
discutida, mostrando todos os passos para se realizar o monitoramento da respiração de
um indivı́duo através do processamento de dados CSI. Já na Seção 6 serão destacados os
desafios da obtenção e processamento dos dados de CSI e uma prospecção da diversidade
de cenários e possı́veis aplicações futuras dessa tecnologia. A Seção 7 apresentará as
considerações finais. A estrutura prevista para o minicurso é a seguinte:
1. Introdução (4 páginas) 2.5
2. Wi-Fi CSI (8 páginas) 4
(a) Modelagem matemática do canal
(b) Extração de dados de CSI
3. Processamento do Wi-Fi CSI para monitoramento de Sinais Vitais (8 páginas) 2
(a) Processamento dos sinais de CSI
(b) Algoritmos de detecção de sinais vitais
4. Aplicações de Wi-Fi CSI para monitoramento de saúde (10 páginas) 9
(a) Monitoramento da respiração
(b) Monitoramento da frequência cardı́aca
(c) Monitoramento de múltiplos sinais vitais
5. Atividade Prática (10 páginas)
(a) Configuração de ambiente para captura
(b) Extração de dados de Wi-Fi CSI utilizando o Nexmon
(c) Processamento de sinais de CSI com Python
(d) Obtenção da taxa de respiração
6. Desafios e Tendências Futuras (4 páginas)
7. Conclusão (2 páginas)
8. Referências (2 páginas)
4. Resumo do conteúdo
1. Introdução (4 páginas)
Esta seção apresenta uma sı́ntese do tema abordado, a finalidade do curso, sua
aplicação e motivação. Há a contextualização do monitoramento contı́nuo utili-
zado na área da saúde, das tecnologias existentes com enfoque nas vantagens e
restrições do CSI para monitoramento de sinais vitais, além de uma visão geral
sobre o que será discutido ao longo do capı́tulo de livro.
2. Wi-Fi CSI (8 páginas)
Esta seção detalha como os dados CSI são obtidos de dispositivos Wi-Fi e como
podem ser processados e usados. O processo de coleta de CSI é realizado por
um dispositivo equipado com placa de interface de rede (Network Interface Card
- NIC) em modo monitor. Em seguida extrai-se informações, como amplitude,
fase e potência de recepção das subportadoras Wi-Fi. A extração baseia-se em
modelos matemáticos do canal a partir de informações obtidas das transmissões
Wi-Fi e uso de ferramentas que obtêm essas informações de CSI das NICs.
(a) Modelagem matemática do canal
Um modelo matemático do canal é utilizado para coletar os dados CSI. Nas
especificações IEEE 802.11g/n/ac [IEEE 802.11 Working Group 2013], a
camada fı́sica dos sistemas de comunicação Wi-Fi usa a técnica OFDM
para as bandas de frequência de 2, 4 GHz e 5 GHz. As informações podem
ser transmitidas de forma independente por diferentes sı́mbolos OFDM.
Os recursos OFDM o tornam uma boa solução para canais com múltiplos
percursos e também para sistemas de múltiplas entradas e saı́das múltiplas
(Multiple Input Multiple Output - MIMO) [Liu et al. 2019].
Para medir o CSI, o transmissor Wi-Fi envia Long Training Fields (LTFs),
que contêm informações predefinidas em cada subportadora no preâmbulo
do quadro. A partir da recepção dos quadros Wi-Fi, estimam-se carac-
terı́sticas do canal através do processamento dos sı́mbolos recebidos, e
informações das LTFs. Dada a robustez do OFDM, associada a um sis-
tema MIMO, é possı́vel obter uma grande quantidade de informações do
canal, tornando a modelagem mais precisa do que outros métodos, como
RSSI [Ma et al. 2019].
(b) Extração de dados de CSI
Depois de apresentar o modelo matemático de como os dados CSI são ob-
tidos, nesta seção, descrevemos brevemente algumas ferramentas usadas
para capturar e coletar dados CSI. Várias ferramentas têm sido propostas
na literatura para acessar o CSI em placas de rede de dispositivos Wi-Fi.
Apresentam-se algumas das ferramentas mais conhecidas, como: Linux
802.11n CSI Tool 1 , Atheros CSI Tool 2 , OpenFWWF 3 e o Nexmon 4 . Os
requisitos para uso de cada ferramenta, os chipsets suportados, a versão do
padrão IEEE 802.11 e largura de banda serão detalhados nesta seção.
3. Processamento do Wi-Fi CSI para monitoramento de Sinais Vitais (8 páginas)
Após a coleta do CSI inicia-se o processamento sinal, tanto para limpeza e
1
https://dhalperi.github.io/linux-80211n-csitool/
2
https://wands.sg/research/wifi/AtherosCSI/
3
http://netweb.ing.unibs.it/ openfwwf/
4
https://nexmon.org
 remoção de ruı́do, como para extrair as informações dos sinais vitais. O sinal
obtido por qualquer ferramenta é contaminado por ruı́dos e/ou outliers que podem
reduzir e dificultar o desempenho da detecção dos sinais vitais. A fim de remover
o ruı́do do sinal e obter dados CSI mais precisos, uma etapa de processamento é
realizada, utilizando alguns filtros e detectores de outliers. Após esse processa-
mento inicial, utilizam-se algoritmos para extração dos sinais vitais.
(a) Processamento dos sinais de CSI
Com base em estudos da literatura [Liu et al. 2019, Wang et al. 2019,
Ma et al. 2019], uma classificação e subclassificação das técnicas mais co-
nhecidas a serem realizadas para processamento de sinais será apresen-
tada. Dentre as técnicas apresentadas constam os filtros passa baixa, Fil-
tros de Hampel, transformadas para o domı́nio da frequência, como Fast
Fourier Transform (FFT) e Discrete Hartley Transform (DHT), e técnicas
de análise de componentes do sinal, como Principal Component Analysis
(PCA), autocorrelação, dentre outros [Liu et al. 2019, Ma et al. 2019].
(b) Algoritmos de detecção de sinais vitais
Após o processamento do sinal para remoção de ruı́do e outliers, inicia-
se a extração dos sinais vitais. Três classes de algoritmos diferentes po-
dem ser usados neste estágio, os baseados em modelagem, os baseados em
aprendizado e os hı́bridos [Yousefi et al. 2017]. Algoritmos baseados em
modelagem são suportados pela teoria fı́sica, como modelos de análise de
sinal. Algoritmos baseados em aprendizagem são usados principalmente
para reconhecimento de gestos humanos, posição e detecção de pessoas.
Algoritmos hı́bridos combinam os benefı́cios de algoritmos baseados em
modelo e algoritmos baseados em aprendizagem. Essa combinação pode
ser benéfica para o desenvolvimento de uma detecção mais robusta e com-
pleta.
4. Aplicações de Wi-Fi CSI para monitoramento de saúde (10 páginas)
Diversos estudos relacionados a diferentes atividades humanas aplicam a análise
CSI para detecção, reconhecimento e estimativa de sinais vitais [Gu et al. 2018,
Gu et al. 2017, Duan et al. 2018, Damodaran et al. 2020]. Esses trabalhos servem
como ponto de partida para o desenvolvimento de novas aplicações de moni-
toramento de saúde, resultando em um sistema robusto de detecção e monito-
ramento de sinais vitais. Nesta seção são apresentadas algumas propostas com
aplicações de monitoramento da respiração, propostas de monitoramento do bati-
mento cardı́aco e propostas que monitoram múltiplos sinais vitais.
(a) Monitoramento da respiração
Muitos estudos recorrem ao CSI para monitorar os sinais vitais de um pa-
ciente. O WiSleep [Liu et al. 2014] foi um dos primeiros trabalhos a de-
tectar a taxa de respiração humana para monitoramento do sono com base
em CSI, usando dispositivos Wi-Fi comerciais. A abordagem sem dispo-
sitivo vestı́vel proposta tem potencial para ser amplamente implantada em
casa e em muitos outros ambientes clı́nicos e não clı́nicos.
Desde então, outros estudos foram desenvolvidos na tentativa de melho-
rar o monitoramento da frequência respiratória usando sinais CSI Wi-Fi e
alguns deles serão apresentados [Zeng et al. 2019, Li et al. 2021].
 (b) Monitoramento da frequência cardı́aca
O monitoramento da frequência cardı́aca é outra tarefa relevante no mo-
nitoramento dos sinais vitais. Vários estudos monitoram a frequência
cardı́aca e a respiração simultaneamente.
A proposta CardioFi [Khamis et al. 2018], monitora exclusivamente a
frequência cardı́aca por meio de hardware Wi-Fi com antenas omnidirecio-
nais. Já outras propostas fazem o monitoramento simultâneo de respiração
e frequência cardı́aca, que são apresentadas na seção seguinte.
(c) Monitoramento de múltiplos sinais vitais
É possı́vel encontrar na literatura trabalhos mais ambiciosos, que focam
não apenas o monitoramento da respiração ou da frequência cardı́aca, mas
os dois ao mesmo tempo. Por exemplo, em Liu et al. [Liu et al. 2015]
propõe-se o monitoramento da respiração e da frequência cardı́aca durante
o sono, usando dispositivos Wi-Fi.
Além da frequência respiratória e dos batimentos cardı́acos, alguns estu-
dos propuseram novas modalidades de sensoriamento das atividades hu-
manas como mudança de posição, micromovimentos, tremores, detecção
de quedas, entre outros. O WiSleep [Liu et al. 2014] foca em extrair do
CSI padrões rı́tmicos associados à respiração e mudanças abruptas devido
ao movimento corporal.
5. Atividade Prática (10 páginas)
Nesta seção realiza-se uma atividade prática do uso de Wi-Fi CSI para o moni-
toramento da respiração, passando por todas as etapas apresentadas ao longo do
minicurso, desde a instalação da ferramenta de captura, a obtenção dos dados, o
processamento do sinal obtido e a extração da respiração.
(a) Configuração de ambiente para captura
A atividade prática inicia com a configuração do ambiente, composto por
um ponto de acesso Wi-Fi, um cliente usado para gerar tráfego e um dis-
positivo que realiza a escuta do ambiente e a captura dos dados CSI.
(b) Extração dados de Wi-Fi CSI utilizando o Nexmon
Após a configuração do ambiente, introduz-se a ferramenta Nexmon, seu
modo de instalação e uso. Além disso, uma configuração de captura de
sinais vitais de um indivı́duo é mostrada, com todos os equipamentos e
configurações necessárias.
(c) Processamento de sinais de CSI com Python
Após a captura do sinal de CSI, os algoritmos de processamento de sinais
para a remoção de ruı́do, outliers e extração da informação requerida para
que os sinais vitais sejam obtidos são demonstrados.
(d) Obtenção da taxa de respiração
Por fim, os algoritmos de extração de sinais vitais são demonstrados, com
a obtenção da taxa de respiração de um indivı́duo a partir dos dados ex-
traı́dos e processados anteriormente.
6. Desafios e Tendências Futuras (4 páginas)
Esta seção aborda alguns dos desafios e soluções em desenvolvimento para a
implementação prática do monitoramento de sinais vitais e atividades humanas
utilizando Wi-Fi CSI. Ao se referir à detecção de sinais vitais, definir cenários
para a captura do CSI não é trivial. Os movimentos e atividades diárias têm grande
 impacto no CSI quando comparados à respiração e frequência cardı́aca. Portanto,
a detecção de sinais vitais impõe restrições na recepção e processamento do si-
nal. Além disso, desafios como interferência eletromagnética, o reconhecimento
de movimentos simultâneos de diferentes partes do corpo, ambientes com várias
pessoas e cenários sem linha de visada (Non-Line-of-Sight - NLS) devem ser cui-
dadosamente observados. Esta seção cobre esses desafios e aborda as perspectivas
de futuras aplicações e melhorias do uso de Wi-Fi CSI para monitoramento de si-
nais vitais.
7. Conclusão (2 páginas)
Esta seção conclui o tema apresentado, destacando os pontos positivos das
soluções existentes. Um resumo sobre os conceitos envolvidos e sobre os pontos
chave do minicurso são apresentados. Os principais problemas ainda em aberto,
que podem nortear pesquisas futuras, são destacados.

Referências
Damodaran, N., Haruni, E., Kokhkharova, M., and Schäfer, J. (2020). Device free human
activity and fall recognition using WiFi channel state information (CSI). CCF Trans.
on Pervasive Comput. and Inter., 2(1):1–17.
Duan, S., Yu, T., and He, J. (2018). WiDriver: Driver Activity Recognition System Based
on WiFi CSI. Inter. Journal of Wireless Information Networks, 25(2):146–156.
Gu, Y., Liu, T., Li, J., Ren, F., Liu, Z., Wang, X., and Li, P. (2018). Emosense: Data-driven
emotion sensing via off-the-shelf wifi devices. In IEEE Inter. Conf. on Commun., pages
1–6. IEEE.
Gu, Y., Zhan, J., Ji, Y., Li, J., Ren, F., and Gao, S. (2017). MoSense: An RF-Based
Motion Detection System via Off-the-Shelf WiFi Devices. IEEE Internet of Things
Journal, 4(6):2326–2341.
IEEE 802.11 Working Group (2013). IEEE 802.11ac-2013 - IEEE Standard for Informa-
tion technology. IEEE.
Khamis, A., Chou, C. T., Kusy, B., and Hu, W. (2018). Cardiofi: Enabling heart rate
monitoring on unmodified COTS WiFi devices. ACM Inter. Conf. Proc. Series, pages
97–106.
Li, F., Valero, M., Shahriar, H., Khan, R. A., and Ahamed, S. I. (2021). Wi-covid: A
covid-19 symptom detection and patient monitoring framework using wifi. Smart He-
alth, 19:100147.
Liu, J., Liu, H., Chen, Y., Wang, Y., and Wang, C. (2019). Wireless sensing for human
activity: A survey. IEEE Commun. Surveys & Tutorials, 22(3):1629–1645.
Liu, J., Wang, Y., Chen, Y., Yang, J., Chen, X., and Cheng, J. (2015). Tracking vital signs
during sleep leveraging off-the-shelf wifi. In Proc. ACM Inter. Symp. on Mobile Ad
Hoc Net. and Comput., pages 267–276.
Liu, X., Cao, J., Tang, S., and Wen, J. (2014). Wi-sleep: Contactless sleep monitoring via
wifi signals. In IEEE Real-Time Syst. Symp., pages 346–355. IEEE.
Ma, Y., Zhou, G., and Wang, S. (2019). WiFi sensing with channel state information: A
survey. ACM Comput. Surveys, 52(3).
Tan, B., Chen, Q., Chetty, K., Woodbridge, K., Li, W., and Piechocki, R. (2018). Ex-
ploiting WiFi Channel State Information for Residential Healthcare Informatics. IEEE
Commun. Magazine, 56(5):130–137.
Wang, Z., Jiang, K., Hou, Y., Dou, W., Zhang, C., Huang, Z., and Guo, Y. (2019). A
survey on human behavior recognition using channel state information. IEEE Access,
7:155986–156024.
Yousefi, S., Narui, H., Dayal, S., Ermon, S., and Valaee, S. (2017). A survey on beha-
vior recognition using wifi channel state information. IEEE Commun. Magazine,
55(10):98–104.
Zeng, Y., Wu, D., Xiong, J., Yi, E., Gao, R., and Zhang, D. (2019). FarSense: Pushing
the range limit of WiFi-based respiration sensing with CSI ratio of two antennas. Proc.
ACM on Interactive, Mobile, Wearable and Ubiquitous Technol., 3(3):1–26.

Curriculum Vitae
Julio C. H. Soto: Doutorando em Computação pelo Instituto de Computação da Uni-
versidade Federal Fluminense - UFF. Mestre em Informática pela Universidade Federal
do Paraná - UFPR (2012). Possui graduação em Engenharia de Sistemas pela Univer-
sidad Católica de Santa Maria - UCSM (2009). Atualmente é membro do Laboratório
Mı́diaCom da Universidade Federal Fluminense. Tem experiência na área de Engenharia
de Sistemas, com ênfase em Redes de Computadores e Sistemas Wireless. Suas áreas de
interesse são redes sem fio, segurança, rádio cognitivo, redes corporais sem fio e redes de
saúde sem fio.

Egberto Caballero: Egberto Caballero Rosillo, doutorando em Ciência da Computação

pelo Instituto de Computação da Universidade Federal Fluminense (UFF), Brasil. Mestre
em Sistemas de Computação pela UFF (2020). Mestre em Sistemas de Telecomunicações
em 2012, e Bacharel em Engenharia de Telecomunicações e Eletrônica em 2009, am-
bos pela Universidad de Oriente (UO), Cuba. Atualmente é membro do Laboratório
Mı́diaCom do Instituto de Computação da UFF. Possui interesse nas áreas de Sistemas
de Telecomunicações e Sistemas de Computação, com destaque para os temas: redes de
computadores, redes sem fios, redes de telecomunicações, Internet das Coisas (IoT) e
e-health.

Iandra Galdino: é pós-doutoranda em Ciência da Computação no Laboratório

Mı́diaCom do Instituto de Computação da Universidade Federal Fluminense - UFF,
doutora em Engenharia Elétrica pelo Conservatoire National des Arts et Métiers -
CNAM (2021) e pela Universidade Federal do Rio de Janeiro - COPPE/UFRJ (2021),
mestra em Engenharia Elétrica pela COPPE/UFRJ (2017) e bacharel em Engenharia
de Telecomunicações pela UFF (2015). Possui interesse nas áreas de sistemas de
comunicação, multicarrier, waveforms e processamento de sinais. Atualmente desenvolve
pesquisas em processamento de sinais aplicado a técnicas de monitoramento de saúde.

Vinicius Ferreira: Doutor em Computação pelo Instituto de Computação da Uni-

versidade Federal Fluminense - UFF (2021), Mestre em Engenharia Elétrica e de
Telecomunicações em 2016 e bacharel em Engenharia de Telecomunicações em 2013,
ambos pela mesma instituição, UFF. Atualmente é Pós-Doutorando do Instituto de
Computação da Universidade Federal Fluminense. Possui interesse nas áreas de
Telecomunicações e Sistemas de Computação, especialmente nos temas: redes sem fio,
Internet das Coisas (IoT), inteligência artificial e e-health. Tem experiências prévias em
ministrar minicursos em simpósios, em “Redes Corporais Sem Fio e Suas Aplicações em
Saúde” na Jornada de Atualização em Informática (JAI) do CSBC 2018 e “Wireless Body
Area Networks: An Overview” no SBrT 2017.

Débora Muchaluat-Saade: possui graduação em Engenharia de Computação (1992),

mestrado em Informática (1996) e doutorado em Informática pela Pontifı́cia Universi-
dade Católica do Rio de Janeiro (2003). É professora titular da Universidade Fede-
ral Fluminense (UFF). Integrou o corpo docente do Departamento de Engenharia de
Telecomunicações até maio de 2009 e desde então faz parte do corpo docente do Ins-
tituto de Computação. É bolsista de produtividade DT nı́vel 1D do CNPq e Cientista
do Nosso Estado (CNE) pela FAPERJ. Foi Jovem Cientista do Nosso Estado (JCNE)
de 2009-2011 pela FAPERJ. Foi vice-coordenadora do Programa de Pós-graduação em
Computação da UFF, avaliado com conceito 6 pela CAPES, de 2017 a 2021, e também foi
coordenadora do Curso Superior de Tecnologia em Sistemas de Computação da UFF de
2014 a 2019. Foi coordenadora da Comissão Especial de Computação Aplicada à Saúde
(CE-CAS) da Sociedade Brasileira de Computação (SBC) de 2017 a 2019. Fundou o
Laboratório Mı́diaCom na UFF em 2003 com foco em pesquisas em redes de computa-
dores e multimı́dia (www.midiacom.uff.br) e desde então é uma das coordenadoras do
laboratório. É membro do Módulo Técnico do Fórum do Sistema Brasileiro de TV Di-
gital. Já coordenou e participou de diversos projetos em parceria com o setor produtivo,
envolvendo empresas como TAESA, Listic Tecnologia e Dell, além de projetos financia-
dos pelo Fórum SBTVD, RNP, FINEP, CAPES, CNPq e FAPERJ. Coordena atualmente
a ”Rede de Pesquisa e Inovação e-Health Rio”, financiada pela FAPERJ, e o projeto de
cooperação internacional CAPES PRINT ”Inteligência Artificial aplicada a Sinais Cere-
brais: Translação da Neurociência à Prática Clı́nica”. Suas áreas de interesse são saúde
digital, multimı́dia, mulsemı́dia, redes de computadores, redes sem fio, redes elétricas
inteligentes, Internet das Coisas e televisão digital interativa. Já ministrou diversos mini-
cursos em simpósios, dentre eles, SBRC, SBSeg, WebMedia, SBCAS, JAI e SBrT.

Célio Albuquerque: Possui graduação em Engenharia Elétrica com ênfase em Eletrônica

pela Universidade Federal do Rio de Janeiro (UFRJ) em 1993 e mestrado em En-
genharia Elétrica pela mesma instituição em 1995. Trabalhou como Engenheiro de
Telecomunicações da EMBRATEL entre 1994 e 1995. Concluiu doutorado em Infor-
mation and Computer Science pela University of California, Irvine (UCI) em 2000. Atu-
almente é Professor Associado do Departamento de Ciência da Computação da Univer-
sidade Federal Fluminense (UFF). Foi Coordenador do Curso Superior de Tecnologia
em Sistemas de Computação no âmbito do consórcio CEDERJ/UAB de 2010 a 2014. É
bolsista de produtividade em pesquisa nı́vel 1D do CNPq. Atuou de 2008 a 2014 como
assessor do CA de Ciência da Computação da CAPES. Atuou como Diretor-Executivo do
Laboratório Nacional de Redes de Computadores (LARC) e participou do Conselho de
Administração da Rede Nacional de Ensino e Pesquisa (RNP). Foi autor e apresentador de
cinco minicursos no SBRC e SBSeg. É um dos coordenadores o Laboratório Mı́diaCom
de Pesquisas em Comunicação de Dados Multimı́dia (http://www.midiacom.uff.br). Co-
ordena o projeto REMOTE desde 2007, financiado pela TBE/ANEEL e o projeto TELE-
SIRIS desde 2013, financiado pela NeoDomino/ANEEL. Leciona disciplinas de Redes
de Computadores, Redes Multimı́dia e Computação Móvel e realiza pesquisas na área de
Teleinformática, atuando principalmente nos seguintes temas: Redes sem fio e Redes de
distribuição de conteúdo.