Modelo de aprendizado de máquina para avaliação automática do desenvolvimento motor grosso

• Ano de defesa: 2023
• Autor(a) principal: Pilati Filho, Edson Luiz
• Orientador(a): Brancher, Jacques Duílio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Avaliação automática; Aprendizado de máquina; Desenvolvimento Motor; TGMD-3; Desenvolvimento motor em crianças; Habilidades motoras grossas; Habilidades motoras finas; Avaliação - Crianças
• Link de acesso: https://repositorio.uel.br/handle/123456789/17089

As habilidades motoras grossas são atividades que envolvem os grandes músculos do corpo humano, como sentar, agachar, andar e correr. O Test of Gross Motor Development ou TGMD, é um teste muito utilizado por pesquisadores, pediatras, Ąsioterapeutas e edu cadores de diversos países para avaliar estas habilidades em crianças na faixa etária de 3 até 11 anos. Uma parte importante do teste é que o movimento executado pelas crianças precisa ser gravado e avaliado por dois ou mais proĄssionais. O processo de avaliação é trabalhoso e leva tempo, sendo sua automatização um dos principais pontos a serem desen volvidos. Nos últimos anos, têm sido propostos métodos para automatizar a avaliação dos movimentos de acordo com os critérios do TGMD. A hipótese investigada neste trabalho é a de que é possível induzir um modelo de aprendizado de máquina capaz de identiĄcar se o movimento da criança está correto. A proposta é avaliar automaticamente o primeiro critério da habilidade de salto do TGMD-3. Foi utilizada uma rede neural convolucional, PoseNet, para extrair o esqueleto das crianças, então foram modeladas características que representam o primeiro critério da habilidade de salto. K-nearest neighbors, Random Fo rest e One-class SVM foram testados para determinar sua acurácia na classiĄcação do movimento, usando um dataset de 350 imagens de crianças brasileiras, entre 3 e 11 anos, realizando o movimento preparatório para o salto. Os resultados experimentais mostram uma acurácia média de 84% para o K-nearest neighbors, 84% de acurácia média para o Random Forest e 77% de acurácia média para o One-class SVM.