Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas
Carregando...
Data
Autores
Orientador(es)
Coorientador(es)
Membros da banca
Carvalho, Moisés Gomes de
Rossato, Mateus
Maciel, Paulo Romero Martins
Simões, Walter Charles Sousa Seiffert
Rossato, Mateus
Maciel, Paulo Romero Martins
Simões, Walter Charles Sousa Seiffert
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
A prática de atividades físicas, muitas vezes realizadas em ambientes como academias e sessões de fisioterapia, exige a execução precisa dos movimentos para garantir resultados eficazes e evitar lesões. Atualmente, abordagens que combinam tecnologias vestíveis e Inteligência Artificial (IA) são empregadas para identificar a correta execução dos movimentos. No entanto, essas abordagens têm limitações, pois estão vinculadas a atividades físicas pré-programadas e não fornecem orientações específicas para corrigir os movimentos. Esta tese propõe uma abordagem disruptiva para gerar modelos em tempo de execução capazes de oferecer sugestões de ajustes aos usuários, visando a correta execução do movimento. Utilizando dados de sensores inerciais, como acelerômetro e giroscópio, a abordagem monitora, aprende padrões, analisa e fornece sugestões de correções para os dados inerciais de cada segmento corporal, por meio de uma Máquina de Boltzmann Restrita. Os resultados demonstram que a geração desses modelos em tempo de execução, capaz de se adaptar a diferentes biotipos e limitações dos usuários, é eficiente na produção de orientações de ajustes nos movimentos, resultando em uma semelhança até 3,68 vezes maior com o movimento correto. Isso valida a eficácia do método proposto para seu propósito.
Abstract
The practice of physical activities, often carried out in environments such as gyms and physiotherapy sessions, requires precise execution of movements to ensure effective results and prevent injuries. Currently, approaches that combine wearable technologies and Artificial Intelligence (AI) are employed to identify the correct execution of movements. However, these approaches have limitations as they are tied to pre-programmed physical activities and do not provide specific guidance to correct movements. This thesis proposes a disruptive approach to generate execution-time models capable of offering adjustment suggestions to users, aiming for the correct execution of movements. Using data from inertial sensors, such as accelerometers and gyroscopes, the approach monitors, learns patterns, analyzes, and provides correction suggestions for the inertial data of each body segment through a Restricted Boltzmann Machine. The results demonstrate that the generation of these execution-time models, adaptable to different body types and user limitations, is efficient in producing adjustment guidance for movements, resulting in a similarity up to 3.68 times greater with the correct movement. This validates the effectiveness of the proposed method for its purpose.
Descrição
Termo controlado
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
ALENCAR, Márcio André da Costa . Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas. 2023. 103 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus, 2023.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto