Navegando por Assunto "Redes Neurais Profundas"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Estimativa da força de reação do solo a partir de acelerômetros com redes neurais profundas: um estudo comparativo entre arquiteturas BI-LSTM, TCN e híbrida
(Universidade Federal do Pará, 2025-08-12) LIMA JÚNIOR, Sérgio de Nazaré Rodrigues; ZAMPOLO, Ronaldo de Freitas; http://lattes.cnpq.br/9088524620828017; https://orcid.org/0000-0002-2460-3135; Pereira Júnior, Antônio; http://lattes.cnpq.br/1402289786010170; https://orcid.org/0000-0002-0808-1058; GOMES, Bruno Duarte; MATOS, Felipe de Oliveira; CARDOSO, Diego Lisboa; ***; ***; http://lattes.cnpq.br/0507944343674734; ***; ***; https://orcid.org/0000-0002-5971-3668
A força de reação do solo (Ground Reaction Force – GRF) é uma variável biomecânica essencial para a análise da marcha humana, amplamente utilizada em contextos clínicos, esportivos e de reabilitação. Tradicionalmente, sua medição precisa depende de plataformas de força ou palmilhas instrumentadas, equipamentos de alto custo e restritos a laboratórios especializados. Este estudo propõe uma alternativa baseada na estimativa da GRF por meio de sinais de acelerômetros processados por redes neurais profundas. Foram comparadas três arquiteturas: Bi-LSTM (Bidirectional Long Short-Term Memory), TCN (Temporal Convolutional Network) e uma arquitetura Híbrida. O pré-processamento envolveu filtragem, normalização por z-score e janelamento, e o treinamento supervisionado foi realizado com validação cruzada. Os resultados demonstraram que o sensor posicionado no pé apresenta a maior similaridade com a GRF, justificando seu uso nos modelos. Entre as arquiteturas, o modelo Híbrido obteve o melhor desempenho em termos de acurácia (RMSE de 103,22 N, rRMSE de 6,90%, R² = 0,87 e correlação cruzada de 0,96), enquanto a Bi-LSTM apresentou resultados próximos, porém com maior custo de treinamento. Já a TCN, apesar de ser a mais eficiente em termos de tempo de processamento (6 minutos e 13 segundos no treinamento e 0,02 segundos por predição), apresentou desempenho inferior (RMSE de 152,05 N, rRMSE de 10,49% e R² = 0,70). Esses achados evidenciam um compromisso entre desempenho e eficiência computacional: o modelo Híbrido destacou-se como a melhor opção para estimativas precisas da GRF. Em todos os casos, os tempos de inferência foram reduzidos e compatíveis com aplicações em tempo real, confirmando a viabilidade da abordagem proposta para monitoramento da marcha fora de ambientes laboratoriais.