Publicação
Integration of heterogeneous components for dynamic adaptation of rehabilitation simulations
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 03:Saúde de Qualidade | |
| dc.contributor.advisor | Lopes, Rui Pedro | |
| dc.contributor.author | Van-Deste, Isaac | |
| dc.date.accessioned | 2025-12-11T11:17:18Z | |
| dc.date.available | 2025-12-11T11:17:18Z | |
| dc.date.issued | 2025 | |
| dc.date.submitted | 2025 | |
| dc.description.abstract | This dissertation investigates the integration of digital health technologies, artificial intelligence, and immersive environments to design a rehabilitation system for individuals who suffers from schizophrenia disease. Schizophrenia is a multifaceted complex mental disorder, that often leads to loss of physical and cognitive skills, reducing social interaction, with a high relapse rates, that turns rehabilitation a long-term challenge. Virtual Reality has been emerging as a promising tool for rehabilitation, sice it provides a safe, controlled, and motivating therapeutic scenarios. Upon this, the present work introduces a VR-based serious game capable of dynamically adapting its difficulty in response to physiological and behavioural signals. To achieve this solution, several different data from the patient, such as heart rate, body motion rate, and facial expression recognition were continuously monitored and processed to infer the patient’s stress levels in real time. The stress estimate is then integrated into a Dynamic Difficulty Adjustment mechanism, formulated in a Reinforcement Learning algorithm. A Deep Q-Network agent was trained within a simulated environment to learn optimal policies that balance challenge and engagement, ensuring that rehabilitation sessions remain neither frustrating nor trivial. Then, a distributed, event-driven architecture was designed to support the integration of heterogeneous modules, including the Virtual Reality application, a web dashboard, the dynamic difficulty system and a back office server, by using publish-subscribe communication, with Apache ActiveMQ Artemis, and containerized deployment, using Docker, to ensure scalability, modularity, and real-time interoperability. Experimental validation showed that the agent successfully learned to maintain stable levels of difficulty and stress, confirming the feasibility of adaptive rehabilitation driven by physiological signals. Overall, this dissertation demonstrates how the convergence of VR, distributed systems, and artificial intelligence can be harnessed to create adaptive rehabilitation tools that are not only technically robust but also clinically meaningful. The framework provides a foundation for future clinical studies, offering potential applications beyond schizophrenia, including in neurological rehabilitation, stress management, and personalized digital health therapies. | por |
| dc.description.abstract | Esta dissertação investiga a integração de tecnologias de saúde digital, inteligência artificial e ambientes imersivos para projetar um sistema de reabilitação para indivíduos que sofrem de doença esquizofrênica. A esquizofrenia é um transtorno mental complexo multifacetado, que muitas vezes leva à perda de habilidades físicas e cognitivas, reduzindo a interação social, com altas taxas de recaída, tornando a reabilitação um desafio de longo prazo. A Realidade Virtual tem vindo a emergir como uma ferramenta promissora para a reabilitação, proporcionando cenários terapêuticos seguros, controlados e motivadores. Com isto, o presente trabalho apresenta um jogo sério, baseado em Realidade Virtual capaz de adaptar dinamicamente sua dificuldade, em resposta a sinais fisiológicos e comportamentais. Para alcançar essa solução, vários dados diferentes do paciente, como frequência cardíaca, taxa de movimento corporal e reconhecimento da expressão facial, foram continuamente monitorizados e processados para inferir os níveis de stress do paciente em tempo real. Esta estimativa de stress é então integrada num mecanismo de ajuste dinâmico de dificuldade, formulado com base num algoritmo de aprendizado por reforço. Um agente de uma rede Deep Q-Network foi treinado num ambiente simulado para aprender políticas ideais que equilibram o desafio e o envolvimento, garantindo que as sessões de reabilitação não permaneçam frustrantes ou triviais. Em seguida, uma arquitetura distribuída e orientada a eventos foi projetada para suportar a integração de módulos heterogéneos, incluindo a aplicação em Realidade Virtual, um dashboard web, o sistema de dificuldade dinâmica e um servidor de back office, usando comunicação publish-subscribe, usando o Apache ActiveMQ Artemis, e implantação em conatainers, usando o Docker, para garantir escalabilidade, modularidade e interoperabilidade em tempo real. A validação experimental mostrou que o agente aprendeu com sucesso a manter níveis estáveis de dificuldade e stress, confirmando a viabilidade da reabilitação adaptativa impulsionada por sinais fisiológicos. Em síntese, esta dissertação demonstra como a convergência da Realidade Virtual, sistemas distribuídos e Inteligência Artificial pode ser aproveitada para criar ferramentas de reabilitação adaptativas que não são apenas tecnicamente robustas, mas também clinicamente significativas. A estrutura fornece uma base para estudos clínicos futuros, oferecendo aplicações potenciais além da esquizofrenia, incluindo reabilitação neurológica, gerenciamento de stress e terapias de saúde digital personalizadas. | por |
| dc.description.sponsorship | This work is funded by the European Regional Development Fund (ERDF) through the Regional Operational Program North 2020, within the scope of Project GreenHealth - Digital strategies in biological assets to improve well-being and promote green health, Norte-01-0145-FEDER-000042. This work has been supported by FCT - Fundação para a Ciência e Tecnologia within the Project Scope: UIDB/05757/2020. | |
| dc.identifier.tid | 204079519 | |
| dc.identifier.uri | http://hdl.handle.net/10198/35204 | |
| dc.language.iso | eng | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Distributed systems | |
| dc.subject | Event-driven architecture | |
| dc.subject | Microservice architecture | |
| dc.subject | Docker deployment | |
| dc.subject | Artificial intelligence | |
| dc.subject | Reinforcement learning | |
| dc.subject | Virtual reality | |
| dc.title | Integration of heterogeneous components for dynamic adaptation of rehabilitation simulations | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| person.familyName | Van-Deste | |
| person.givenName | Isaac | |
| person.identifier.ciencia-id | 871B-13B1-BE1E | |
| person.identifier.orcid | 0000-0003-0651-8567 | |
| relation.isAuthorOfPublication | ae7bb20d-b124-4835-8027-d75a5c6fd88c | |
| relation.isAuthorOfPublication.latestForDiscovery | ae7bb20d-b124-4835-8027-d75a5c6fd88c | |
| thesis.degree.name | Dissertação de mestrado em Informática |