Avaliação comparativa de modelos de aprendizado de máquina para a classificação da marcha na paralisia cerebral: uma análise exploratória do sistema GCS-CP

Página do item simplificado
dc.contributor.advisorMoura, Felipe Arruda
dc.contributor.authorMonteiro, João Paulo Manassés Bernardi
dc.contributor.bancaMuniz, Adriane Mara de Souza
dc.contributor.bancaLucareli, Paulo Roberto Garcia
dc.contributor.coadvisorMelanda, Alessandro Giurizatto
dc.coverage.extent157 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-09-10T18:38:12Z
dc.date.available2026-09-10T18:38:12Z
dc.date.issued2026-08-10
dc.description.abstractResumo: Introdução: A paralisia cerebral (PC) é a deficiência física mais comum com início na infância, caracterizada por distúrbios permanentes do movimento e da postura. As alterações da marcha são frequentes e funcionalmente relevantes, porém sua classificação clínica permanece desafiadora devido à subjetividade das avaliações visuais. Objetivo: Avaliar técnicas de aprendizado de máquina para a classificação automática de padrões da marcha em crianças com PC, com base no Sistema de Classificação da Marcha para Crianças com Paralisia Cerebral (GCS-CP), enfatizando a análise do desempenho por classe como critéri de aplicabilidade clínica. Métodos: Estudo transversal retrospectivo com 115 crianças e adolescentes com PC espástica (5 a 19 anos; GMFCS I–III), utilizando registros de análise cinemática tridimensional da marcha com divisão rigorosa por paciente entre conjuntos de trein e teste. O GCS-CP classifica padrões em três componentes: Apoio e Balanço (plano sagital) e Transverso (plano transverso), definidos com base em ângulos articulares específicos do quadril, joelho e tornozelo durante o ciclo da marcha. Foram avaliados nove algoritmos de aprendizado de máquina (Regressão Logística, Máquina de Vetores de Suporte, Árvores de Decisão, K-NN, Naive Bayes, Floresta Aleatória, LightGBM, XGBoost e Redes Neurais Artificiais) e três modelos de fusão (Voting Hard, Voting Soft e Stacking), comparando dois pipelines de variáveis (Cinemática Angular e Cinemática Geral, este último adicionando parâmetros espaço-temporais), duas estratégias de redução de dimensionalidade (com e sem seleção de variáveis por consenso, neste caso substituída por análise de componentes principais, PCA) e duas estratégias de balanceamento (com e sem SMOTE). Adicionalmente, foram avaliadas abordagens hierárquicas em cascata e três estratégias de otimização clínica orientadas à minimização de falsos negativos. Resultados: Os melhores modelos alcançaram Acurácia Balanceada de 0,791 para o Transverso (Regressão Logística, Pipeline Cinemática Geral, PCA), 0,717 para o Apoio (Naive Bayes, Pipeline Cinemática Angular, com consenso) e 0,702 para o Balanço (Árvore de Decisão, abordagem Hierárquica), atingindo o limiar de 0,70 adotado neste estudo. A análise comparativa entre estratégias metodológicas revelou padrão alvo-dependente sistemático em cinco eixos: seleção por consenso × PCA, classificação Flat × Hierárquica, com × sem SMOTE, pipelines de variáveis, e algoritmos individuais × modelos de fusão, sem superioridade universal de nenhuma escolha em nenhum eixo. Como exemplo, PCA foi superior para Transverso e para Balanço em reexecuções com sementes aleatórias distintas (+5,5 pontos percentuais), enquanto a seleção por consenso foi claramente superior para Apoio (+8,9 pontos percentuais). A análise por classe revelou heterogeneidade clinicamente relevante, com sensibilidade de 100% para Transverso Externo e apenas 56,6% para marcha em salto e 50,6% para marcha rígida nos melhores modelos antes da otimização clínica. As estratégias de otimização clínica demonstraram que sensibilidades próximas ou superiores a 90% são alcançáveis para quatro das cinco classes patológicas avaliadas, com eliminação completa dos falsos negativos para os padrões Sagital Agachado e Transverso Externo. Conclusão: Técnicas de aprendizado de máquina demonstram potencial para auxiliar a classificação objetiva de padrões da marcha na PC, com desempenho compatível com o teto de confiabilidade inter avaliadores humanos. Métricas agregadas mostraram-se insuficientes para avaliação clínica completa, sendo a análise por classe e as estratégias de otimização orientadas à sensibilidade patológica pré-requisitos para implementação clínica responsável
dc.description.abstractother1Abstract: Introduction: Cerebral palsy (CP) is the most common physical disability with childhood onset, characterized by permanent disorders of movement and posture. Gait abnormalities are frequent and functionally relevant; however, their clinical classification remains challenging due to the subjectivity of visual assessments. Objective: To evaluate machine learning techniques for the automatic classification of gait patterns in children with CP, based on the Gait Classification System for Children with Cerebral Palsy (GCS-CP), emphasizing per-class performance analysis as a criterion for clinical applicability. Methods: Retrospective cross-sectional study with 115 children and adolescents with spastic CP (aged 5 to 19 years; GMFCS I–III), using three-dimensional kinematic gait analysis records with rigorous patient-level split between training and test sets. The GCS-CP classifies patterns into three components: Stance and Swing (sagittal plane) and Transverse (transverse plane), defined based on specific joint angles of the hip, knee and ankle during the gait cycle. Nine machine learning algorithms (Logistic Regression, SVM, Decision Tree, K-NN, Naive Bayes, Random Forest, LightGBM, XGBoost and Artificial Neural Networks) and three ensemble models (Voting Hard, Voting Soft and Stacking) were evaluated, comparing two variable pipelines (Angular Kinematics and General Kinematics, the latter adding spatiotemporal parameters), two dimensionality reduction strategies (with and without consensus-based feature selection, the latter replaced by principal component analysis, PCA) and two balancing strategies (with and without SMOTE). Hierarchical cascade approaches and three clinical optimization strategies aimed at minimizing false negatives were additionally evaluated. Results: The best models achievedBalanced Accuracy of 0.791 for the Transverse pattern (Logistic Regression, General Kinematics Pipeline, PCA), 0.717 for the Stance pattern (Naive Bayes, Angular Kinematics Pipeline, consensus), and 0.702 for the Swing pattern (Decision Tree, Hierarchical approach), reaching the 0.70 threshold adopted in this study. Comparative analysis across methodological strategies revealed a systematic target-dependent pattern in five dimensions: consensus-based selection × PCA, Flat × Hierarchical classification, with × without SMOTE, variable pipelines, and individual algorithms × ensemble models, with no universal superiority of any choice on any axis. As an example, PCA was superior for Transverse and for Swing in re-executions with distinct random seeds (+5.5 percentage points), while consensus-based selection was clearly superior for Stance (+8.9 percentage points). Per-class analysis revealed clinically relevant heterogeneity, with 100% sensitivity for external rotation but only 56.6% for jump gait and 50.6% for stiff gait in the best models before clinical optimization. Clinical optimization strategies demonstrated that sensitivities near or above 90% are achievable for four of the five pathological classes evaluated, with complete elimination of false negatives for the Sagittal Crouch and External Rotation patterns. Conclusion: Machine learning techniques demonstrate potential to support objective gait pattern classification in CP, with performance compatible with the ceiling of human inter-rater reliability. Aggregate metrics proved insufficient for complete clinical evaluation; per-class analysis and sensitivity-oriented optimization strategies are prerequisites for responsible clinical implementation
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19932
dc.language.isopor
dc.relation.departamentCCS - Departamento de Fisioterapia
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Ciências da Reabilitação
dc.subjectParalisia cerebral
dc.subjectMarcha
dc.subjectAprendizado de máquina
dc.subjectAnálise de marcha
dc.subjectClassificação automática
dc.subjectSistema de classificação da marcha
dc.subject.capesCiências da Saúde - Fisioterapia e Terapia Ocupacional
dc.subject.cnpqCiências da Saúde - Fisioterapia e Terapia Ocupacional
dc.subject.keywordsCerebral palsy
dc.subject.keywordsGait
dc.subject.keywordsMachine learning
dc.subject.keywordsGait analysis
dc.subject.keywordsAutomatic classification
dc.subject.keywordsGait classification system
dc.titleAvaliação comparativa de modelos de aprendizado de máquina para a classificação da marcha na paralisia cerebral: uma análise exploratória do sistema GCS-CP
dc.title.alternativeComparative evaluation of machine learning models for gait classification in cerebral palsy: an exploratory analysis of the GCS-CP system
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Ciências da Saúde

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
CS_REA_Me_2026_Monteiro_João_PMB.pdf
Tamanho:
3.98 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 195959
Baixar
Nenhuma Miniatura disponível
Nome:
CS_REA_Me_2026_Monteiro_João_PMB_Termo.pdf
Tamanho:
232.87 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Ciências da Reabilitação