eMove: análise computacional de movimentos humanos com apoio de Inteligência Artificial em reabilitação física e neurofuncional
Carregando...
Data
Autores
Orientador
Coorientador
Pós-graduação
Ciência da Computação - FC/FCT/IBILCE/IGCE
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (UNESP)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto

Resumo
Resumo (português)
A análise computacional de movimentos humanos com apoio de IA tem ganhado destaque em contextos de reabilitação física e neurofuncional, permitindo transformar execuções motoras em informações quantitativas que podem apoiar a avaliação da evolução funcional. Entretanto, a aplicação prática desses métodos ainda enfrenta desafios relacionados à variabilidade dos movimentos, às limitações dos conjuntos de dados, à necessidade de curadoria especializada e à demanda por maior transparência na interpretação dos resultados. Nesse contexto, este trabalho investiga métodos computacionais para análise, classificação e acompanhamento de movimentos humanos em reabilitação física e neurofuncional, apresentando, implementando e avaliando uma solução computacional denominada eMove, desenvolvida para apoiar profissionais da saúde (especialistas em Cinesiologia) na avaliação da evolução funcional. Como base metodológica, foi conduzida uma RSL que mapeou técnicas recorrentes, modalidades de captura, características dos conjuntos de dados, tecnologias empregadas e abordagens de modelagem, a partir da análise de 23 estudos selecionados. Com base nas evidências identificadas, foram definidas as decisões de projeto e desenvolvido um pipeline de análise integrado ao eMove, contemplando aquisição e importação de vídeos, extração de pose corporal, cálculo de ângulos articulares, segmentação automática de sessões em repetições, extração de atributos cinemáticos, agrupamento por similaridade, classificação supervisionada, curadoria especializada e geração de relatórios para acompanhamento longitudinal. Os resultados computacionais demonstram a consolidação do pipeline proposto, evidenciando a viabilidade da segmentação das sessões, da representação tabular das repetições, da organização automática dos movimentos por agrupamento e da utilização de modelos supervisionados como apoio à classificação. A solução também incorpora mecanismos voltados à interpretabilidade, utilizando atributos compreensíveis aos profissionais da saúde e separando classificações automáticas da validação especializada. Embora a validação clínica em larga escala ainda dependa da ampliação da base de dados, da inclusão de diferentes movimentos e da avaliação sistemática por especialistas, os resultados obtidos indicam que a arquitetura, os métodos e o pipeline desenvolvidos constituem uma base consistente para futuras aplicações em ambientes clínicos e de pesquisa.
Resumo (inglês)
Computational analysis of human movement supported by AI has gained increasing attention in physical and neurofunctional rehabilitation by enabling motor executions to be transformed into quantitative information that supports the assessment of functional progress. Nevertheless, the practical application of these methods still faces challenges related to movement variability, limited datasets, the need for expert curation, and the demand for greater transparency in the interpretation of computational results. In this context, this work investigates computational methods for the analysis, classification, and monitoring of human movement in rehabilitation scenarios, presenting, implementing, and evaluating a computational solution named eMove, developed to support healthcare professionals with expertise in kinesiology during the assessment of functional progress. As its methodological foundation, this work conducts a SLR to identify recurring techniques, motion acquisition modalities, dataset characteristics, technologies, and modeling approaches based on the analysis of 23 selected studies. Based on the evidence gathered, an integrated analysis pipeline was designed and implemented within eMove, comprising video acquisition and import, human pose estimation, joint angle computation, automatic segmentation of exercise sessions into individual repetitions, kinematic attribute extraction, similarity-based clustering, supervised classification, expert curation, and longitudinal assessment reports. Computational results demonstrate the feasibility of the proposed pipeline, highlighting the effectiveness of automatic repetition segmentation, the tabular representation of movement executions, automatic clustering, and supervised learning models for supporting movement classification. The proposed solution also incorporates mechanisms to improve interpretability by employing clinically understandable attributes and clearly separating automatic classifications from expert validation. Although large-scale clinical validation still depends on larger datasets, a wider variety of movements, and systematic evaluation by healthcare specialists, the results indicate that the proposed computational solution provides a consistent foundation for future clinical and research applications.
Descrição
Idioma
Português
Citação
BATISTA, Maicon Monttozo. eMove: análise computacional de movimentos humanos com apoio de inteligência artificial em reabilitação física e neurofuncional. 2026. 112 f. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2026.



