/img alt="Imagem da capa" class="recordcover" src="""/>
Tese
Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas
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 empr...
Autor principal: | Alencar, Márcio André da Costa |
---|---|
Outros Autores: | https://lattes.cnpq.br/7247102045522245, https://orcid.org/0000-0002-6070-9682 |
Grau: | Tese |
Idioma: | por |
Publicado em: |
Universidade Federal do Amazonas
2024
|
Assuntos: | |
Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/10035 |
id |
oai:https:--tede.ufam.edu.br-handle-:tede-10035 |
---|---|
recordtype |
dspace |
spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-100352024-03-02T05:03:42Z Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas Alencar, Márcio André da Costa Barreto, Raimundo da Silva https://lattes.cnpq.br/7247102045522245 http://lattes.cnpq.br/1132672107627968 Carvalho, Moisés Gomes de http://lattes.cnpq.br/1840067885522796 Rossato, Mateus http://lattes.cnpq.br/7997306983184031 Maciel, Paulo Romero Martins http://lattes.cnpq.br/8382158780043575 https://orcid.org/0000-0002-6070-9682 CIENCIAS EXATAS E DA TERRA Máquinas de Boltzmann Restritas Reconhecimento de atividades Sensor inercial Atividades físicas repetitivas 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. 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. FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Samsung Electronics of Amazonia Ltda 2024-03-02T04:41:23Z 2023-12-18 Tese 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. https://tede.ufam.edu.br/handle/tede/10035 por Acesso Aberto https://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
institution |
TEDE - Universidade Federal do Amazonas |
collection |
TEDE-UFAM |
language |
por |
topic |
CIENCIAS EXATAS E DA TERRA Máquinas de Boltzmann Restritas Reconhecimento de atividades Sensor inercial Atividades físicas repetitivas |
spellingShingle |
CIENCIAS EXATAS E DA TERRA Máquinas de Boltzmann Restritas Reconhecimento de atividades Sensor inercial Atividades físicas repetitivas Alencar, Márcio André da Costa Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas |
topic_facet |
CIENCIAS EXATAS E DA TERRA Máquinas de Boltzmann Restritas Reconhecimento de atividades Sensor inercial Atividades físicas repetitivas |
description |
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. |
author_additional |
Barreto, Raimundo da Silva |
author_additionalStr |
Barreto, Raimundo da Silva |
format |
Tese |
author |
Alencar, Márcio André da Costa |
author2 |
https://lattes.cnpq.br/7247102045522245 https://orcid.org/0000-0002-6070-9682 |
author2Str |
https://lattes.cnpq.br/7247102045522245 https://orcid.org/0000-0002-6070-9682 |
title |
Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas |
title_short |
Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas |
title_full |
Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas |
title_fullStr |
Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas |
title_full_unstemmed |
Um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em Máquinas de Boltzmann Restritas |
title_sort |
um método para monitoramento e geração de feedbacks em atividades físicas repetitivas baseado em máquinas de boltzmann restritas |
publisher |
Universidade Federal do Amazonas |
publishDate |
2024 |
url |
https://tede.ufam.edu.br/handle/tede/10035 |
_version_ |
1831970295358947328 |
score |
11.755432 |