Visualização do documento
Título
Desenvolvimento de rede neural convolucional para classificação da caminhada, corrida, agachamento e salto vertical
Orientador
Guanis de Barros Vilela Junior
Autor
Ricardo Pablo Passos
Palavra chave
Redes neurais convolucionais. Corrida. Caminhada. Agachamento. Salto vertical.
Grupo CNPQ
Programa
DR - CIÊNCIAS DO MOVIMENTO HUMANO
Área
CIÊNCIAS DA SAÚDE
Data da defesa
16/12/2022
Nº Downloads
234
Resumo
Introdução: Os avanços tecnológicos ocorridos no início do século XXI, especialmente na capacidade de processamento de computadores e a consolidação / compartilhamento de banco de dados, têm possibilitado o crescimento no número de pesquisas na grande área da Inteligência Artificial (IA) e, especialmente nas Ciências do Movimento Humano (CMH) na identificação de movimentos locomotores, no ambiente de trabalho, no esporte e na reabilitação. Objetivos: desenvolver e validar uma Rede Neural Convolucional (CNN) capaz de identificar os movimentos: caminhada, corrida, agachamento e salto vertical. Materiais e Métodos: a amostra oriunda do banco de dados de imagens CPAQV-100, de livre acesso, onde foram escolhidas aleatoriamente 2400 imagens que após interpolação realizada na CNN atingiu 135 milhões de parâmetros distribuídas para os quatro movimentos locomotores utilizados nesta pesquisa. Estas foram utilizadas, proporcionalmente, nas fases de treinamento, teste e validação da CNN. A linguagem de programação Python® e suas bibliotecas Pandas, Torch, Matplotlib, dentre outras, foram adotadas para a compilação da mesma. Foi escolhido o ambiente virtual Colab® acessada com um desktop de 32 Megabytes de memória RAM, 2 Terabytes de armazenamento e placa de vídeo Nvidia® RTX 3060.Esta pesquisa faz parte do projeto integrado intitulado Métodos da Inteligência Artificial Aplicados na Análise do Movimento Humano, aprovado pelo Comitê de Ética em Pesquisa da Universidade Metodista de Piracicaba sob protocolo número: 4126546, Resultados: a CNN apresentou, quando comparada com estudos similares, excelente capacidade de identificação dos movimentos da caminhada, corrida, agachamento e salto vertical com acurácia superior a 97%. A precisão, sensibilidade e especificidade também foram superiores a 0,974. Para corroborar a robustez desses achados foram calculados: o Índice Fowlkes Mallows (FMI=0,971), Coeficiente de Correlação de Matthews (MCC=0,941) e o Índice de Youden (IY=0,941). Conclusão: neste estudo foram calculadas, além da acurácia, a precisão, sensibilidade, especificidade, FMI, MCC e IY, uma vez que uma CNN que utilize exclusivamente a acurácia pode gerar limitações na sua capacidade preditiva. Tais resultados permitem afirmar que a hipótese da presente pesquisa foi amplamente corroborada, apresentando, portanto, elevado potencial de aplicação prática nas ciências do movimento humano.
Abstract
Introduction: Technological advances that took place at the beginning of the 21st century, especially in computer processing capacity and database consolidation/sharing, have enabled the growth in the number of research in the large area of Artificial Intelligence (AI) and, especially in Human Movement Sciences (HCM) in the identification of locomotor movements, in the work environment, in sport and in rehabilitation. Objectives: to develop and validate a Convolutional Neural Network (CNN) capable of identifying the movements: walking, running, squatting and vertical jumping. Materials and Methods: the sample from the free access CPAQV-100 image database, where 2400 images were randomly chosen, which after interpolation performed on CNN reached 135 million parameters distributed for the four locomotor movements used in this research. These were used, proportionally, in the CNN training, testing and validation phases. The Python® programming language and its libraries Pandas, Torch, Matplotlib, among others, were adopted for its compilation. The Colab® virtual environment was chosen, accessed with a desktop with 32 Megabytes of RAM, 2 Terabytes of storage and an Nvidia® RTX 3060 video card. approved by the Research Ethics Committee of the Methodist University of Piracicaba under protocol number: 4126546, Results: CNN showed, when compared to similar studies, excellent ability to identify the movements of walking, running, squatting and vertical jumping with an accuracy greater than 97 %. Precision, sensitivity, and specificity were also higher than 0.974. To corroborate the robustness of these findings, the Fowlkes Mallows Index (FMI=0.971), Matthews Correlation Coefficient (MCC=0.941) and the Youden Index (IY=0.941) were calculated. Conclusion: in this study, in addition to accuracy, precision, sensitivity, specificity, FMI, MCC and IY were calculated, since a CNN that uses accuracy exclusively can generate limitations in its predictive capacity. Such results allow us to affirm that the hypothesis of the present research was broadly confirmed, presenting, therefore, a high potential for practical application in the sciences of human movement.
