Modelo de aprendizado de máquina para avaliação automática do desenvolvimento motor grosso
Data
2023-09-29
Autores
Pilati Filho, Edson Luiz
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
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.
Descrição
Palavras-chave
Avaliação automática, Aprendizado de máquina, Desenvolvimento Motor, TGMD-3, Desenvolvimento motor em crianças, Habilidades motoras grossas, Habilidades motoras finas, Avaliação - Crianças