Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda

Detalhes bibliográficos
Autor(a) principal: Alves, Lucas de Liz
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/246194
Resumo: A análise cinemática de caminhada em água rasa (CAR)tem sido utilizada há mais de duas décadas. Todavia, diversas dificuldades são enfrentadas, como o uso de marcadores reflexivos em ambiente aquático, o dispêndio de tempo para a digitalização, entre outros.A inteligência artificial pode ser uma alternativa confiável para digitalizar movimentos subaquáticos. Nosso objetivo foi comparar as respostas espaçotemporais e angulares durante a caminhada humana em água rasa, calculada por dois métodos de digitalização: digitalização manual convencional com Skillspector (DMC) e digitalização sem marcadores com inteligência artificial, usando o DeepLabCut (DLC). Treze homens adultos saudáveis realizaram caminhadas em água rasa a 0,4 m/s no nível de imersão do xifoide. Para análise 2D, uma câmera Gopro™ (60Hz) registrou o plano sagital de caminhada. Para o DMC, foi utilizado o software SkillSpector™. Para o DLC, uma rede neural profunda foi treinada, usando o método de código aberto DeepLabCut com 500 imagens durante 300 mil interações. Em seguida, essa rede treinada foi utilizada para digitalizar os vídeos de caminhada. Um teste de Bland Altman e um teste T de student dependente foram usados para comparar os dois métodos. Não foram encontradas diferenças significativas entre os métodos para todas as variáveis espaço-temporais estudadas: média de velocidade (p = 0,90), frequência de passada (p = 0,73) e comprimento da passada (p = 0,21), bem como para a amplitude de movimento do tornozelo (p = 0,55) e quadril (p = 0,04). Já a amplitude de movimento do joelho e do tronco foi maior no método DLC (p<0,001). O tempo médio de digitalização por passada foi muito maior no DMC (20 horas no total) do que no DLC (14 minutos no total). O presente estudo mostra resultados promissores para o uso da inteligência artificial no movimento humano subaquático, reduzindo expressivamente o tempo de digitalização, apresentando repetibilidade na maior parte das variáveis estudadas. Mais pesquisas são necessárias para corrigir diferenças nas avaliações angulares, sobretudo da articulação do joelho e tronco durante a marcha humana.
id UFRGS-2_0eae1aee171691b5d33624420fe49e7f
oai_identifier_str oai:www.lume.ufrgs.br:10183/246194
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Alves, Lucas de LizMartinez, Flavia Gomes2022-08-05T04:42:42Z2022http://hdl.handle.net/10183/246194001146395A análise cinemática de caminhada em água rasa (CAR)tem sido utilizada há mais de duas décadas. Todavia, diversas dificuldades são enfrentadas, como o uso de marcadores reflexivos em ambiente aquático, o dispêndio de tempo para a digitalização, entre outros.A inteligência artificial pode ser uma alternativa confiável para digitalizar movimentos subaquáticos. Nosso objetivo foi comparar as respostas espaçotemporais e angulares durante a caminhada humana em água rasa, calculada por dois métodos de digitalização: digitalização manual convencional com Skillspector (DMC) e digitalização sem marcadores com inteligência artificial, usando o DeepLabCut (DLC). Treze homens adultos saudáveis realizaram caminhadas em água rasa a 0,4 m/s no nível de imersão do xifoide. Para análise 2D, uma câmera Gopro™ (60Hz) registrou o plano sagital de caminhada. Para o DMC, foi utilizado o software SkillSpector™. Para o DLC, uma rede neural profunda foi treinada, usando o método de código aberto DeepLabCut com 500 imagens durante 300 mil interações. Em seguida, essa rede treinada foi utilizada para digitalizar os vídeos de caminhada. Um teste de Bland Altman e um teste T de student dependente foram usados para comparar os dois métodos. Não foram encontradas diferenças significativas entre os métodos para todas as variáveis espaço-temporais estudadas: média de velocidade (p = 0,90), frequência de passada (p = 0,73) e comprimento da passada (p = 0,21), bem como para a amplitude de movimento do tornozelo (p = 0,55) e quadril (p = 0,04). Já a amplitude de movimento do joelho e do tronco foi maior no método DLC (p<0,001). O tempo médio de digitalização por passada foi muito maior no DMC (20 horas no total) do que no DLC (14 minutos no total). O presente estudo mostra resultados promissores para o uso da inteligência artificial no movimento humano subaquático, reduzindo expressivamente o tempo de digitalização, apresentando repetibilidade na maior parte das variáveis estudadas. Mais pesquisas são necessárias para corrigir diferenças nas avaliações angulares, sobretudo da articulação do joelho e tronco durante a marcha humana.application/pdfporCaminhadaAmbiente aquáticoCinemáticaComparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profundainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de Educação Física, Fisioterapia e DançaPorto Alegre, BR-RS2022Fisioterapiagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001146395.pdf.txt001146395.pdf.txtExtracted Texttext/plain57178http://www.lume.ufrgs.br/bitstream/10183/246194/2/001146395.pdf.txtacc1d5a69ec3fda0385c88e781d17b77MD52ORIGINAL001146395.pdfTexto completoapplication/pdf709211http://www.lume.ufrgs.br/bitstream/10183/246194/1/001146395.pdf7554c5d45ceb97b4002c472f254615e7MD5110183/2461942022-08-06 04:48:42.479415oai:www.lume.ufrgs.br:10183/246194Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-08-06T07:48:42Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
title Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
spellingShingle Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
Alves, Lucas de Liz
Caminhada
Ambiente aquático
Cinemática
title_short Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
title_full Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
title_fullStr Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
title_full_unstemmed Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
title_sort Comparação entre dois métodos de avaliação de marcha em água rasa : análise cinemática convencional e rede neural de aprendizagem profunda
author Alves, Lucas de Liz
author_facet Alves, Lucas de Liz
author_role author
dc.contributor.author.fl_str_mv Alves, Lucas de Liz
dc.contributor.advisor1.fl_str_mv Martinez, Flavia Gomes
contributor_str_mv Martinez, Flavia Gomes
dc.subject.por.fl_str_mv Caminhada
Ambiente aquático
Cinemática
topic Caminhada
Ambiente aquático
Cinemática
description A análise cinemática de caminhada em água rasa (CAR)tem sido utilizada há mais de duas décadas. Todavia, diversas dificuldades são enfrentadas, como o uso de marcadores reflexivos em ambiente aquático, o dispêndio de tempo para a digitalização, entre outros.A inteligência artificial pode ser uma alternativa confiável para digitalizar movimentos subaquáticos. Nosso objetivo foi comparar as respostas espaçotemporais e angulares durante a caminhada humana em água rasa, calculada por dois métodos de digitalização: digitalização manual convencional com Skillspector (DMC) e digitalização sem marcadores com inteligência artificial, usando o DeepLabCut (DLC). Treze homens adultos saudáveis realizaram caminhadas em água rasa a 0,4 m/s no nível de imersão do xifoide. Para análise 2D, uma câmera Gopro™ (60Hz) registrou o plano sagital de caminhada. Para o DMC, foi utilizado o software SkillSpector™. Para o DLC, uma rede neural profunda foi treinada, usando o método de código aberto DeepLabCut com 500 imagens durante 300 mil interações. Em seguida, essa rede treinada foi utilizada para digitalizar os vídeos de caminhada. Um teste de Bland Altman e um teste T de student dependente foram usados para comparar os dois métodos. Não foram encontradas diferenças significativas entre os métodos para todas as variáveis espaço-temporais estudadas: média de velocidade (p = 0,90), frequência de passada (p = 0,73) e comprimento da passada (p = 0,21), bem como para a amplitude de movimento do tornozelo (p = 0,55) e quadril (p = 0,04). Já a amplitude de movimento do joelho e do tronco foi maior no método DLC (p<0,001). O tempo médio de digitalização por passada foi muito maior no DMC (20 horas no total) do que no DLC (14 minutos no total). O presente estudo mostra resultados promissores para o uso da inteligência artificial no movimento humano subaquático, reduzindo expressivamente o tempo de digitalização, apresentando repetibilidade na maior parte das variáveis estudadas. Mais pesquisas são necessárias para corrigir diferenças nas avaliações angulares, sobretudo da articulação do joelho e tronco durante a marcha humana.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-08-05T04:42:42Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/246194
dc.identifier.nrb.pt_BR.fl_str_mv 001146395
url http://hdl.handle.net/10183/246194
identifier_str_mv 001146395
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/246194/2/001146395.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/246194/1/001146395.pdf
bitstream.checksum.fl_str_mv acc1d5a69ec3fda0385c88e781d17b77
7554c5d45ceb97b4002c472f254615e7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801224639077154816