Avaliação de representações simbólicas de movimentos articulares humanos úteis para sistemas de telemedicina
DOI:
https://doi.org/10.59681/2175-4411.v18.2026.1535Palavras-chave:
Estudos de Séries Temporais, Reconhecimento Automatizado de Padrão, TelemedicinaResumo
Objetivo: Avaliar o desempenho dos métodos Symbolic Aggregate approXimation e Symbolic Fourier Approximation na representação simbólica de séries temporais de movimentos articulares humanos. Foram considerados três tipos de movimento (flexão/extensão, abdução/adução e circundução) e três tamanhos de alfabeto (três, sete e dez símbolos). Métodos: Oito voluntários saudáveis realizaram os movimentos com um smartphone fixado ao punho para coleta de aceleração. Os sinais foram suavizados com filtro Gaussiano (σ = 2), segmentados e convertidos em palavras simbólicas pelas abordagens avaliadas. Resultados: O desempenho dos métodos variou conforme o movimento. Para abdução/adução, Symbolic Fourier Approximation apresentou menores distâncias médias de Hamming, com diferença estatisticamente significativa. Para flexão/extensão, Symbolic Aggregate approXimation foi significativamente superior. Para circundução, Symbolic Fourier Approximation apresentou menor média, porém sem superioridade estatística. Na síntese entre as melhores configurações por movimento, a menor distância média global foi observada em uma configuração do Symbolic Fourier Approximation (circundução). Conclusão: A avaliação indica que não há um método universalmente superior; a escolha do método e da parametrização deve considerar o tipo de movimento e a consistência entre sujeitos. Esses achados apoiam a seleção de configurações específicas por movimento em aplicações de saúde digital, como monitoramento remoto, mHealth, Telessaúde e apoio à decisão clínica.
Downloads
Referências
Brasil. Ministério da Saúde. LER e DORT são as doenças que mais acometem os trabalhadores, aponta estudo [Internet]. Brasília: Ministério da Saúde; 2019 [citado 2025 nov 5]. Disponível em: https://www.gov.br/saude/pt-br/assuntos/noticias/2019/abril/ler-e-dort-sao-as-doencas-que-mais-acometem-os-trabalhadores-aponta-estudo
Wang X, Wang Y, Wu J. Position-aware indoor human activity recognition using multisensors embedded in smartphones. Sensors. 2024;24(11):3367. doi:10.3390/s24113367
Baroudi L, Barton K, Cain SM, Shorter KA. Classification of human walking context using a single-point accelerometer. Sci Rep. 2024;14:3039. doi:10.1038/s41598-024-53143-8
Ensina LA, Lee HD, Maciel M, Spolaôr N, Takaki WSR, Coy CSR, et al. Sistema computacional web para o monitoramento de movimentos em tempo real. J Health Inform. 2021;12:1-14.
Borges RC, Parreira WD, da Mata DL, Lage RM. Protótipo acessível para monitoramento cardíaco utilizando fotopletismografia: implementação e perspectivas. J Health Inform. 2024;16(Especial). doi:10.59681/2175-4411.v16.iEspecial.2024.1324
Alanazi M, Aldahr RS, Ilyas M. Human activity recognition through smartphone inertial sensors with ML approach. Eng Technol Appl Sci Res. 2024;14(1):12780-7. doi:10.48084/etasr.6586
Lin J, Keogh E, Lonardi S, Chiu B. A symbolic representation of time series, with implications for streaming algorithms. In: Proceedings of the 8th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD ’03); 2003 Jun 13; San Diego (CA), USA. New York: ACM; 2003. p. 2-11. doi:10.1145/882082.882086
Schäfer P, Högqvist M. SFA: a symbolic Fourier approximation and index for similarity search in high dimensional datasets. In: Proceedings of the 15th International Conference on Extending Database Technology (EDBT ’12); 2012 Mar 27-30; Berlin, Germany. New York: ACM; 2012. p. 516-27. doi:10.1145/2247596.2247656
Shieh J, Keogh E. iSAX: indexing and mining terabyte-sized time series. In: Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’08); 2008 Aug 24-27; Las Vegas (NV), USA. New York: ACM; 2008. p. 623-31. doi:10.1145/1401890.1401966
Fulcher BD, Jones NS. Highly comparative feature-based time-series classification. IEEE Trans Knowl Data Eng. 2014;26(12):3026-37. doi:10.1109/TKDE.2014.2316504
Lee HD, Wu FC, Spolaôr N, Ensina LA, Takaki WSR, Coy CSR, et al. Sistema de monitoramento de movimentos e análise remota em telemedicina. BR 512020000583-7. Brasil: Instituto Nacional da Propriedade Industrial; 2020. Depósito em 7 jan 2020.
Hamill J, Knutzen KM, Derrick TR. Biomecânica básica dos movimentos humanos. 4ª ed. Barueri (SP): Manole; 2016.
Merencia AP. Avaliação de representações simbólicas de movimentos articulares humanos com SAX e SFA a partir de dados de acelerômetro [dissertação de mestrado]. Foz do Iguaçu: Universidade Estadual do Oeste do Paraná; 2025.
Souza HZ, Lee HD, Ferraz AP, Chung WF. Avaliação de método de segmentação automática de curvas de movimentos do corpo humano. In: Anais do Simpósio Internacional de Iniciação Científica e Tecnológica da USP (SIICUSP); 2025.
Hamming RW. Error detecting and error correcting codes. Bell Syst Tech J. 1950;29(2):147-60. doi:10.1002/j.1538-7305.1950.tb00463.x
Sheskin DJ. Handbook of parametric and nonparametric statistical procedures. 5th ed. Boca Raton (FL): CRC Press; 2011.
Holm S. A simple sequentially rejective multiple test procedure. Scand J Stat. 1979;6(2):65-70.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Ana Paula Merencia, Huei Diana Lee, Weber Shoity Resende Takaki, Newton Spolaôr, Alexandre Peiter Ferraz, Wu Feng Chung

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.