Modelo de aprendizado de máquina para avaliação automática do desenvolvimento motor grosso

dc.contributor.advisorBrancher, Jacques Duílio
dc.contributor.authorPilati Filho, Edson Luiz
dc.contributor.bancaMenolli, André Luís Andrade
dc.contributor.bancaSpinosa, Rodrigo Martins de Oliveira
dc.coverage.extent52 p.
dc.coverage.spatialLondrina
dc.date.accessioned2024-07-26T17:49:18Z
dc.date.available2024-07-26T17:49:18Z
dc.date.issued2023-09-29
dc.description.abstractAs 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.
dc.description.abstractother1Gross motor skills are activities that involve the large muscles of the human body, such as sitting, crouching, walking and running. The Test of Gross Motor Development or TGMD, is a test widely used by researchers, pediatricians, physiotherapists and educators from different countries to assess these skills in children aged 3 up to 11 years old. An important part of the test is that the movement performed by the children needs to be recorded and evaluated by two or more professionals. The evaluation process is laborious and takes time, and its automation is one of the main points to be developed. In recent years, methods have been proposed to automate the assessment of movements according to the TGMD criteria. The hypothesis investigated in this work is that it is possible to induce a machine learning model capable of identifying whether the childŠs movement is correct. The proposal is to automatically assess the Ąrst criteria of the horizontal jump skill of the TGMD-3. PoseNet, a convolutional neural network, was used to extract the childrenŠs skeleton, then new features were modeled, which represents the Ąrst criterion of the jumping skill. K-nearest neighbors, Random Forest and One-class SVM were tested to determine their accuracy in classifying the movement, using a dataset of 350 images of Brazilian children, between 3 and 11 years old, performing the preparatory movement for the jump. The experimental results show an average accuracy of 84% for the K-nearest neighbors, 84% average accuracy for the Random Forest and 77% average accuracy for the One-class SVM.
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/17089
dc.language.isopor
dc.relation.departamentCCE - Departamento de Computação
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computação
dc.subjectAvaliação automática
dc.subjectAprendizado de máquina
dc.subjectDesenvolvimento Motor
dc.subjectTGMD-3
dc.subjectDesenvolvimento motor em crianças
dc.subjectHabilidades motoras grossas
dc.subjectHabilidades motoras finas
dc.subjectAvaliação - Crianças
dc.subject.capesCiências Exatas e da Terra - Ciência da Computação
dc.subject.keywordsAutomatic assessment
dc.subject.keywordsMachine Learning
dc.subject.keywordsMotor Development
dc.subject.keywordsTGMD-3
dc.subject.keywordsMotor development in children
dc.subject.keywordsGross motor skills
dc.subject.keywordsFine motor skills
dc.subject.keywordsEvaluation - Children
dc.titleModelo de aprendizado de máquina para avaliação automática do desenvolvimento motor grosso
dc.title.alternativeMachine learning model for automatic assessment of gross motor development
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Ciências Exatas

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Carregando...
Imagem de Miniatura
Nome:
CE_COM_Me_2023_Pilati_Filho_Edson.pdf
Tamanho:
876.84 KB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo id 191221
Nenhuma Miniatura disponível
Nome:
CE_COM_Me_2023_Pilati_Filho_Edson_TERMO.pdf
Tamanho:
323.22 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
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: