Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia
| Ano de defesa: | 2023 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/ |
Resumo: | Muitos estudos apontam a avaliação da dor como um fator de grande importância no diagnóstico do paciente, sendo considerada como quinto sinal vital, equiparando-se à medição da temperatura, frequência cardíaca, pressão arterial e frequência respiratória. Além disso, a verificação da dor pode ser utilizada como parâmetro de decisão de afastamento de postos de trabalho ou das atividades esportivas, diminuindo assim a incidência de lesões no esporte e ajudando no gerenciamento de fatores de risco. Há diversos estudos que mostram como a dor gera alteração na atividade muscular causando alteração no controle motor e movimento humano e alterando o desempenho de atletas. Apesar da importância em se identificar não apenas a presença da dor, mas principalmente as consequências de se realizar movimentos na presença dela, não há até o momento uma ferramenta de identificação da dor utilizando-se parâmetros fisiológicos ou biomecânicos. Dessa forma, esta pesquisa visa criar uma máquina de inteligência artificial capaz de identificar o fenômeno dor analisando os sinais eletromiográficos. Para que a classificação da dor ocorra utilizaremos o método de aprendizagem de máquina Support Vector Machine (SVM), cujos vetores de entrada serão construídos a partir da média do valor absoluto (MAV) dos dados EMG. Os dados eletromiográficos foram adquiridos a partir do protocolo experimental a seguir: dez voluntários saudáveis realizaram movimentos cíclicos de flexão / extensão do cotovelo na velocidade máxima, por 2 minutos, antes, imediatamente após e 40 minutos após a infusão de (1) 2 ml de solução salina hipertônica (dolorosa) no bíceps braquial, (2) 2 ml de solução salina hipertônica no bíceps braquial e no tríceps braquial e (3) 2 ml de solução salina isotônica (não dolorosa) no músculo bíceps braquial. Os sinais eletromiográficos de superfície (EMG) foram coletados dos músculos trapézio superior, bíceps braquial, tríceps braquial e braquiorradial (para estimar a amplitude EMG). |
| id |
USP_1138f6248221e897e942c8ca060509e2 |
|---|---|
| oai_identifier_str |
oai:teses.usp.br:tde-19052023-152913 |
| network_acronym_str |
USP |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
| repository_id_str |
|
| spelling |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografiaUse of a supervised learning method to identify acute muscle pain via electromyographyAcute muscle painAprendizagem de máquinaControle motorDor muscular agudaEMGEMGMachine learningMotor controlSupport Vector MachineSupport Vector MachineMuitos estudos apontam a avaliação da dor como um fator de grande importância no diagnóstico do paciente, sendo considerada como quinto sinal vital, equiparando-se à medição da temperatura, frequência cardíaca, pressão arterial e frequência respiratória. Além disso, a verificação da dor pode ser utilizada como parâmetro de decisão de afastamento de postos de trabalho ou das atividades esportivas, diminuindo assim a incidência de lesões no esporte e ajudando no gerenciamento de fatores de risco. Há diversos estudos que mostram como a dor gera alteração na atividade muscular causando alteração no controle motor e movimento humano e alterando o desempenho de atletas. Apesar da importância em se identificar não apenas a presença da dor, mas principalmente as consequências de se realizar movimentos na presença dela, não há até o momento uma ferramenta de identificação da dor utilizando-se parâmetros fisiológicos ou biomecânicos. Dessa forma, esta pesquisa visa criar uma máquina de inteligência artificial capaz de identificar o fenômeno dor analisando os sinais eletromiográficos. Para que a classificação da dor ocorra utilizaremos o método de aprendizagem de máquina Support Vector Machine (SVM), cujos vetores de entrada serão construídos a partir da média do valor absoluto (MAV) dos dados EMG. Os dados eletromiográficos foram adquiridos a partir do protocolo experimental a seguir: dez voluntários saudáveis realizaram movimentos cíclicos de flexão / extensão do cotovelo na velocidade máxima, por 2 minutos, antes, imediatamente após e 40 minutos após a infusão de (1) 2 ml de solução salina hipertônica (dolorosa) no bíceps braquial, (2) 2 ml de solução salina hipertônica no bíceps braquial e no tríceps braquial e (3) 2 ml de solução salina isotônica (não dolorosa) no músculo bíceps braquial. Os sinais eletromiográficos de superfície (EMG) foram coletados dos músculos trapézio superior, bíceps braquial, tríceps braquial e braquiorradial (para estimar a amplitude EMG).Many studies point to pain assessment as a factor of great importance in patient diagnosis, being considered as the fifth vital sign, equaling the measurement of temperature, heart rate, blood pressure and respiratory rate. In addition, pain verification can be used as a decision parameter for leaving work or sports activities, thus reducing the incidence of injuries in sports and helping to manage risk factors. There are several studies showing how pain causes changes in muscle activity, causing changes in motor control and human movement and altering the performance of athletes. Despite the importance of identifying not only the presence of pain, but mainly the consequences of performing movements in its presence, so far there is no pain identification tool using physiological or biomechanical parameters. Therefore, this research aims to create an artificial intelligence machine capable of identifying the pain phenomenon by analyzing electromyographic signals. For pain classification to occur, we will use the Support Vector Machine (SVM) machine learning method, whose input vectors will be constructed from the mean absolute value (MAV) of the EMG data. Electromyographic data were acquired from the following experimental protocol: ten healthy volunteers performed cyclic elbow flexion / extension movements at maximum speed, for 2 minutes, before, immediately after and 40 minutes after the infusion of (1) 2 ml of hypertonic saline (painful) into the biceps brachii, (2) 2 ml hypertonic saline into the biceps brachii and triceps brachii, and (3) 2 ml isotonic saline (not painful) into the biceps brachii muscle. Surface electromyographic (EMG) signals were collected from the upper trapezius, biceps brachii, triceps brachii, and brachioradialis muscles (to estimate EMG amplitude).Biblioteca Digitais de Teses e Dissertações da USPErvilha, Ulysses FernandesGagliardi, Luana Duarte2023-04-04info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-06-16T14:16:02Zoai:teses.usp.br:tde-19052023-152913Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-06-16T14:16:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
| dc.title.none.fl_str_mv |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia Use of a supervised learning method to identify acute muscle pain via electromyography |
| title |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia |
| spellingShingle |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia Gagliardi, Luana Duarte Acute muscle pain Aprendizagem de máquina Controle motor Dor muscular aguda EMG EMG Machine learning Motor control Support Vector Machine Support Vector Machine |
| title_short |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia |
| title_full |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia |
| title_fullStr |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia |
| title_full_unstemmed |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia |
| title_sort |
Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia |
| author |
Gagliardi, Luana Duarte |
| author_facet |
Gagliardi, Luana Duarte |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Ervilha, Ulysses Fernandes |
| dc.contributor.author.fl_str_mv |
Gagliardi, Luana Duarte |
| dc.subject.por.fl_str_mv |
Acute muscle pain Aprendizagem de máquina Controle motor Dor muscular aguda EMG EMG Machine learning Motor control Support Vector Machine Support Vector Machine |
| topic |
Acute muscle pain Aprendizagem de máquina Controle motor Dor muscular aguda EMG EMG Machine learning Motor control Support Vector Machine Support Vector Machine |
| description |
Muitos estudos apontam a avaliação da dor como um fator de grande importância no diagnóstico do paciente, sendo considerada como quinto sinal vital, equiparando-se à medição da temperatura, frequência cardíaca, pressão arterial e frequência respiratória. Além disso, a verificação da dor pode ser utilizada como parâmetro de decisão de afastamento de postos de trabalho ou das atividades esportivas, diminuindo assim a incidência de lesões no esporte e ajudando no gerenciamento de fatores de risco. Há diversos estudos que mostram como a dor gera alteração na atividade muscular causando alteração no controle motor e movimento humano e alterando o desempenho de atletas. Apesar da importância em se identificar não apenas a presença da dor, mas principalmente as consequências de se realizar movimentos na presença dela, não há até o momento uma ferramenta de identificação da dor utilizando-se parâmetros fisiológicos ou biomecânicos. Dessa forma, esta pesquisa visa criar uma máquina de inteligência artificial capaz de identificar o fenômeno dor analisando os sinais eletromiográficos. Para que a classificação da dor ocorra utilizaremos o método de aprendizagem de máquina Support Vector Machine (SVM), cujos vetores de entrada serão construídos a partir da média do valor absoluto (MAV) dos dados EMG. Os dados eletromiográficos foram adquiridos a partir do protocolo experimental a seguir: dez voluntários saudáveis realizaram movimentos cíclicos de flexão / extensão do cotovelo na velocidade máxima, por 2 minutos, antes, imediatamente após e 40 minutos após a infusão de (1) 2 ml de solução salina hipertônica (dolorosa) no bíceps braquial, (2) 2 ml de solução salina hipertônica no bíceps braquial e no tríceps braquial e (3) 2 ml de solução salina isotônica (não dolorosa) no músculo bíceps braquial. Os sinais eletromiográficos de superfície (EMG) foram coletados dos músculos trapézio superior, bíceps braquial, tríceps braquial e braquiorradial (para estimar a amplitude EMG). |
| publishDate |
2023 |
| dc.date.none.fl_str_mv |
2023-04-04 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/ |
| url |
https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/ |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
|
| dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.coverage.none.fl_str_mv |
|
| dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
| instname_str |
Universidade de São Paulo (USP) |
| instacron_str |
USP |
| institution |
USP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
| collection |
Biblioteca Digital de Teses e Dissertações da USP |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
| repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
| _version_ |
1844786338152316928 |