Especificação e avaliação automática de atividades reabilitativas utilizando Redes de Módulos Neurais e vídeos capturados por uma câmera RGB

• Ano de defesa: 2022
• Autor(a) principal: Francisco Júnior, João Aurélio
• Orientador(a): Rodrigues, Paulo Sérgio Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Rede Modular Neural; OpenPose; Inteligencia artificial; Matriz de confusão; Curva ROC; Geometria; Banco de ações; Modular Neural Network; Confusion Matrix; ROC Curve; Geometry; Action Bank
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5763; https://doi.org/10.31414/EE.2022.D.131517

Técnicas de reabilitação física, após ou durante o tratamento de patologias clínicas, é uma das etapas mais desafiadoras, tanto para a estrutura médica quanto para pacientes e familiares. Em países continentais como o Brasil, a necessidade de acompanhamento à distância desse tipo de tratamento é necessário e importante. No entanto, tanto equipamentos quanto consultoria médica durante os exercícios, ainda possuem custos elevados. Com o avanço de técnicas de Visão Computacional e Aprendizado de Máquina, algumas alternativas computacionais e relativamente menos custosas têm sido propostas na literatura. No entanto, o acompanhamento dos pacientes durante os exercícios fisioterápicos com a ajuda de inteligência artificial por um profissional da área da saúde, sobretudo a partir de capturas de sinais visuais, ainda é um desafio pouco explorado na literatura científica-tecnológica. Este trabalho apresenta o desenvolvimento de um sistema baseado em uma câmera RBG para treinamento de aprendizado de máquina para o rastreamento das articulações do corpo de pessoas em tempo real, para otimização dos resultados das seções de fisioterapias. Foram criados dois módulos utilizando o conceito de redes neurais modulares: Um modulo de Detecção e outro de Medida. O módulo de Detecção detecta os diferentes tipos de exercícios físicos reabilitativos, enquanto que o Módulo de Medida valida se o exercício está sendo feito de maneira correta e caso contrário, sugere uma correção. Ao todo, foram considerados apenas três tipos de exercícios: Agachamento, flexão de joelho e extensão do quadril. Após analisar os ângulos das articulações de cada um dos exercícios, foi constatado que apenas quatro ângulos seriam necessários para descrever os exercícios: Ângulo das axilas, quadril, joelho e extremidades inferiores (entre as pernas). Para realizar os testes, três bases de dados foram geradas: Base-Original, Original-Oscilação e Oscilação-Falhas. A Base-Original é composta por apenas quatro ângulos originais capturados das pessoas realizando os exercícios. A Original-Oscilação, é composta pela Base-Original, porém com pequenas variações em seus quatro ângulos. A base Oscilação-Falhas é composta pela Base-Original, porém com grandes oscilações, de forma a tornar o exercício incorreto, porém não o descaracterizando. Cada módulo possui uma rede neural de retro-propagação própria. Para descobrir quais são os melhores modelos para resolver este tipo de problema, nove arquiteturas foram propostas para o módulo de Detecção e outras nove para o módulo de Medida. Para o módulo de Detecção, foram geradas arquiteturas de 1-1 até 9-1 (categorias de 1 até 9, sendo o número após o traço denotado como o tipo de módulo, no caso 1 sendo Detecção), treinadas com as bases Base-Original e Original-Oscilação. O mesmo foi feito para o módulo de Medida, foram geradas outras arquiteturas de 1-2 até 9-2 (categorias de 1 até 9, sendo o número após o traço denotado como o tipo de módulo, no caso 2 sendo Medida), treinadas com a base de dados Oscilação-Falhas. Após gerar os resultados, as arquiteturas 9-1 e 9-2 foram as que obtiveram melhores resultados. Ambas arquiteturas obtiveram mais de 90% de acurácia, tanto no reconhecimento dos exercícios quanto na validação deles.