Mineração de dados e descoberta de conhecimento a partir de dados de atividade física, saúde, clima e qualidade de vida

Carregando...
Imagem de Miniatura

Data

2020-10-28

Autores

Sulino, Rafael Macedo [UNESP]

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

A produção de dados, dos mais diversos tipos, é um fenômeno cada vez mais presente em nosso dia a dia. Neste contexto, a prática de atividade física vem cada vez mais se beneficiando com tal fenômeno, por meio da disponibilidade cada vez maior de dispositivos e aplicativos móveis capazes de registrar e armazenar os dados da atividade, tais como coordenadas de GPS, frequência cardíaca, altimetria e velocidade, como o popular Strava. Além disso, o acesso a dados públicos, como os climáticos, é cada vez mais farto e facilitado, e tais dados podem ser combinados com registros de atividade física. No entanto, muitas vezes, os dados produzidos não recebem um tratamento e análise que possam trazer novos conhecimentos, de modo a contribuir de alguma forma para melhorar a prática da atividade física, o que proporcionaria melhor desempenho, maior conforto ou mesmo prevenção de lesões. A escassez de tratamento e análise de tais dados justifica o desenvolvimento deste trabalho, que teve por objetivo propor uma plataforma computacional capaz de auxiliar na descoberta de conhecimentos relevantes, por meio da análise de dados de ciclismo e corrida de rua, registrados especificamente pelo aplicativo Strava, associados a dados climáticos, tais como temperatura, umidade relativa do ar, velocidade e direção do vento, que possam ser utilizados tanto por praticantes de atividade física quanto por profissionais que orientam a prática de atividade física, de forma a auxiliar na tomada de decisões para o planejamento de uma prática mais eficiente e segura. Por meio de um estudo experimental contando com 1059 participantes, sendo 844 do sexo masculino e 215 do sexo feminino, que praticaram 168.409 atividades de ciclismo e 72.009 atividades de corrida de rua, registradas por meio do aplicativo Strava, foi possível aplicar o processo de Mineração de Dados, usando a técnica chamada Árvore de Decisão, possibilitando identificar diversas relações entre variáveis de desempenho, clima e qualidade de vida. A técnica empregada nas análises dos tipos de dados tratados produziu resultados interessantes, viabilizando, dessa forma, a construção do protótipo de uma plataforma, denominada Fitness Tools, por meio da qual os profissionais de Educação Física serão capazes de realizar o cadastro de seus clientes e o registro de dados, bem como análises referentes às atividades desenvolvidas. A partir dos dados registrados, o profissional passa a contar com ferramentas de análise por meio da técnica Árvore de Decisão, capazes de fornecer informações que possam auxiliá-lo no planejamento, acompanhamento e ajustes relacionados ao treinamento esportivo. Este estudo mostrou o potencial de utilização da Mineração de Dados na descoberta de conhecimentos que possam ser utilizados para a tomada de decisões quanto à prática de atividade física de forma mais segura e eficiente. A Mineração de Dados oferece uma opção relativamente flexível, adaptável a características específicas (região, clima, tipo de terreno), podendo ser utilizada para um único atleta, por meio de ajustes levando em conta seu próprio histórico (como volume, intensidade, características do terreno e clima), ou para grandes grupos de atletas, como os populares grupos de corrida.
The production of data, of the most diverse types, is a phenomenon increasingly present in our day to day. In this context, the practice of physical activity has increasingly benefited from this phenomenon, through the rise of the availability of devices and mobile applications capable of recording and storing activity data, such as GPS coordinates, heart rate, altimetry, and speed, as the popular Strava. In addition, access to public data, such as climate data, is abundant and facilitated, and such data can be combined with physical activity records. However, often the data produced do not receive a treatment and analysis that can bring new knowledge, in order to contribute in some way to improve the practice of physical activity, which would provide better performance, greater comfort, or even prevention of injuries. The lack of treatment and analysis of such data justifies the development of this work, which aimed to propose a computational platform capable of assisting in the discovery of relevant knowledge, through the analysis of cycling and running data, recorded specifically by the Strava, associated with weather data such as temperature, relative air humidity, wind speed, and direction, that can be used both by physical activity practitioners and professionals who guide the practice of it, in order to assist in decision-making for the planning of a more efficient and safer practice. Through an experimental study with 1059 participants, 844 men and 215 women, who practiced 168,409 cycling and 72,009 running activities, registered through the Strava, it was possible to apply the Data Mining process, using the technique called Decision Tree, allowing to identify several relationships between performance, climate, and quality of life variables. The technique used in the analysis of the types of processed data produced interesting results, thus enabling the construction of a prototype platform, called Fitness Tools, through which Physical Education professionals will be able to register their clients and record data, as well as analyses regarding the activities developed. From the registered data, the professional starts to rely on analysis tools using the Decision Tree technique, able to provide information that can assist him in planning, monitoring, and adjustments related to sports training. This study showed the potential of using Data Mining to discover knowledge that can be used to make decisions about the practice of physical activity in a safer and more efficient way. Data Mining offers a relatively flexible option, adaptable to specific characteristics (region, climate, type of terrain), and can be used for a single athlete, through adjustments taking into account his own history (such as volume, intensity, terrain characteristics, and weather), or for large groups of athletes, such as the popular racing groups.

Descrição

Palavras-chave

Educação física, Mineração de dados, Exercícios físicos, Tecnologia, Atividade física, Plataforma computacional para coleta e análise de dados, Mineração de dados de atividade física, Extração de conhecimento de dados de ciclismo e corrida de rua, Strava, Physical activity, Computational platform for data collection and analysis, Mining physical activity data, Knowledge extraction from cycling and running data

Como citar