Captura de valores glicêmicos em glicosímetros utilizando deep learning: estudo de viabilidade com YOLO

Abstract

O monitoramento regular da glicemia é essencial para o controle do diabetes, especialmente entre usuários de glicosímetros sem conectividade digital. Neste contexto, este trabalho propõe uma solução baseada em visão computacional para automatizar a leitura dos valores exibidos em displays de sete segmentos desses dispositivos. A abordagem utiliza o modelo YOLOv8, uma arquitetura de detecção de objetos de única etapa (single-stage), para identificar simultaneamente os dígitos individuais presentes na tela. A partir dessas detecções, é aplicada uma heurística de ordenação posicional que reconstrói automaticamente o valor glicêmico exibido. Foram avaliadas diferentes versões do modelo (v8n, v8m, v8l, v8x), sendo o YOLOv8m (medium) o que apresentou melhor desempenho, alcançando 94,10% de precisão, 93,41% de revocação e mAP@0.5 de 94,98%. Os resultados demonstram a viabilidade técnica da proposta e sua potencial aplicação em sistemas móveis de baixo custo ou plataformas de saúde digital. A solução apresenta vantagens significativas sobre métodos tradicionais baseados em OCR, especialmente pela robustez em condições adversas de iluminação e ângulo. Este trabalho contribui para a construção de alternativas na automação no monitoramento glicêmico e abre caminhos para futuras implementações em ambientes clínicos e de saúde pública.