Avaliação de representações simbólicas de movimentos articulares humanos úteis para sistemas de telemedicina

Authors

DOI:

https://doi.org/10.59681/2175-4411.v18.2026.1535

Keywords:

Estudos de Séries Temporais, Reconhecimento Automatizado de Padrão, Telemedicina

Abstract

Objective: To evaluate the performance of SAX and SFA methods for the symbolic representation of time series from human joint movements, considering three alphabet sizes (three, seven, and ten symbols) and three types of movement. Methods: Eight healthy volunteers performed elbow flexion/extension, shoulder abduction/adduction, and shoulder circumduction, with acceleration data collected using a Samsung Galaxy A51 smartphone attached to the wrist. Signals were smoothed using a Gaussian filter (σ = 2), automatically segmented, and converted into symbolic words (10 symbols) using both SAX and SFA methods. Pairwise 4×4 method comparisons for each movement and alphabet size were performed using the Friedman test or repeated-measures ANOVA, depending on data distribution. Additional 9×9 comparisons among the best methods were also conducted. Results and Discussion: No statistically significant differences were observed in any analysis. For flexion/extension and abduction/adduction, all data were analyzed using the Friedman test (p-value = 0.3916). For circumduction, alphabet sizes of three and seven symbols also showed no differences, as did ten symbols, with ANOVA also showing no statistically significant difference (p-value = 0.0517). The 9×9 comparison of best methods also revealed no differences (p-value = 0.4544). Conclusion: Both methods showed equivalent performance, with SAX recommended due to its lower computational complexity (O(n)) compared to SFA (O(n log n)), making it more suitable for applications with processing constraints or real-time analysis requirements.

Downloads

Download data is not yet available.

Author Biographies

Ana Paula Merencia, Universidade Estadual do Oeste do Paraná

A autora é mestranda no Programa de Pós-Graduação em Engenharia Elétrica e Computação da Universidade Estadual do Oeste do Paraná (UNIOESTE), Foz do Iguaçu, Brasil. Desenvolve pesquisas na área de ciência de dados aplicada à análise de movimentos humanos, com foco em métodos de representação simbólica de séries temporais (SAX e SFA). Possui experiência em processamento de sinais, estatística aplicada e uso de sensores inerciais para avaliação de movimentos articulares.

Huei Diana Lee, Universidade Estadual do Oeste do Paraná

Possui graduação em Ciências da Computação pela Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP) e mestrado e doutorado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo. Realizou seu Pós-doutorado na Faculdade de Ciências Médicas da Universidade de Campinas (UNICAMP). Foi pesquisadora Bolsista Produtividade em Pesquisa e Desenvolvimento Tecnológico pela Fundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Paraná de 2012 a 2020. Atualmente é Professora Associada da Universidade Estadual do Oeste do Paraná (UNIOESTE). Atua nos Programas de Pós-graduação em Engenharia Elétrica e Computação (PGEEC) da UNIOESTE e de Pós-graduação em Ciências da Cirurgia da Universidade Estadual de Campinas (UNICAMP). Coordena o Laboratório de Bioinformática e possui experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial, atuando principalmente nos seguintes temas: Computação aplicada a Medicina, Mineração de Dados, Biomecânica e Telemedicina

Weber Shoity Resende Takaki, Laboratório de Bioinformática/Universidade Estadual do Oeste do Paraná

Possui graduação em Tecnologia em Processamento de Dados (1996), especialização em Sistemas Orientados a Objetos com ênfase em Java (2006) pela Universidade Católica de Brasília, mestrado em Engenharia Elétrica e Computação pela Universidade Estadual do Oeste do Paraná - Unioeste (2015), doutorado em Ciências da Cirurgia pela Universidade Estadual de Campinas - Unicamp (2020), e pós-doutorado pela Unioeste (2022). É Analista de TI na Universidade da Integração Latino-Americana (Unila). Tem experiência na área de Ciência da Computação, atuando principalmente nos seguintes temas: Telemedicina, Sistemas Embarcados, Imagem e Vídeo Digital, Redes de Dados e Linux.

Alexandre Peiter Ferraz, Universidade Estadual do Oeste do Paraná

Graduado em Ciência da Computação pela Universidade Estadual do Oeste do Paraná (UNIOESTE), Campus Foz do Iguaçu. Atualmente, realiza mestrado no Programa de Pós-Graduação em Engenharia Elétrica e Computação (PGEEC - UNIOESTE). Atua em projetos no Laboratório de Bioinformática (LABI), participando de pesquisas nas áreas de telemedicina, biomecânica e computação aplicada à medicina.

Wu Feng Chung, Universidade Estadual do Oeste do Paraná

Graduação em Medicina pela Universidade Estadual de Campinas UNICAMP (1989), especialização, mestrado, doutorado e pós-doutorado em Cirurgia pela Universidade Estadual de Campinas UNICAMP. Atualmente é Professor Associado da Universidade Estadual do Oeste do Paraná - UNIOESTE, Coordenador da Área Médica do LABI-Laboratório de Bioinformática da UNIOESTE, Professor/Pesquisador do Programa de Pós-Graduação e do Depto. de Cirurgia da FCM / UNICAMP e do Programa de Pós-graduação Stricto Sensu da Faculdade de Medicina da Universidade Estadual do Oeste do Paraná/UNIOESTE/FB. Tem experiência na área de Medicina, com ênfase em Cirurgia Experimental, atuando principalmente nos seguintes temas: biomecânica de tecidos biológicos, comunicação de dados, coloproctologia e bioinformática.

Newton Spolaôr, Universidade Estadual do Oeste do Paraná

Realizou pós-doutorado na Universidade Estadual do Oeste do Paraná - UNIOESTE/Foz (PR). Cursou doutorado em Ciências de Computação e Matemática Computacional na Universidade de São Paulo - USP/São Carlos (SP). Realizou estágio sanduíche na Aristotle University of Thessaloniki - AUTh/Grécia. Possui mestrado acadêmico em Engenharia de Informação pela Universidade Federal do ABC - UFABC/Santo André (SP) e graduação em Ciência da Computação na UNIOESTE/Foz (PR). Atualmente, é pesquisador colaborador do Laboratório de Bioinformática - LABI - da UNIOESTE/Foz e docente contratado por prazo determinado na Unioeste. Foi celetista na CESUFOZ e UniAmérica. Apresenta experiência na área de Ciência da Computação, com ênfase principalmente nos seguintes temas relacionados a Aprendizado de Máquina: seleção de atributos em dados monorrótulo e multirrótulo, clustering de séries temporais, análise de imagens médicas, descoberta de conhecimento em bases de dados e mapeamento de dados médicos para bases de dados estruturadas. Possui experiência também na aplicação do método de Revisão Sistemática para o estudo de temas de Aprendizado de Máquina e Robótica Educacional. Tem ainda atuado como revisor em periódicos e eventos científicos nacionais e internacionais.

References

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.

Baroudi L, Barton K, Cain SM, Shorter KA. Classification of human walking context using a single-point accelerometer. Sci Rep. 2024;14:3039.

[Autor1], [Autor2], [Autor3], [Autor4], [Autor5], [Autor6], [Autor7]. [Título do artigo anonimizado]. [Periódico] [Internet]. [Ano];[Volume]([Número]):[Páginas]. Disponível em: [URL]. DOI: [DOI].

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.

Lanazi 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.

Lin J, Keogh EJ, Lonardi S, Pazzani A. A symbolic representation of time series, with implications for streaming data mining. Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2003;2-11.

Schäfer P, Höggqvist M. SFA: A symbolic Fourier approximation and index for similarity search in high dimensional datasets. Data Min Knowl Discov. 2012;29(2):228-42.

Shieh J, Keogh E. iSAX: Indexing and mining terabyte-sized time series. Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2008;623-31.

Fulcher BD, Jones NS. Highly comparative feature-based time-series classification. IEEE Trans Knowl Data Eng. 2014;26(12):3026-37.

Sistema S – Sistema S em Telemedicina [software]. Informações de autoria e registro omitidas para revisão cega.

Hamill J, Knutzen KM, Derrick TR. Biomecânica básica dos movimentos humanos. 4ª ed. Barueri (SP): Manole; 2016.

Hamming RW. Error detecting and error correcting codes. Bell Syst Tech J. 1950;29(2):147-60.

D’Agostino RB. Tests for normal distribution. In: Goodness-of-fit techniques. New York: Marcel Dekker; 1986. p. 367-419.

Fisher RA. Statistical methods for research workers. 1st ed. Edinburgh: Oliver and Boyd; 1925.

Friedman M. The use of ranks to avoid the assumption of normality implicit in the analysis of variance. J Am Stat Assoc. 1937;32(200):675-701.

Nemenyi PB. Distribution-free multiple comparisons. Princeton: Princeton University; 1963. Ph.D. Thesis.

Phinyomark A, Khushaba RN, Scheme E. Feature extraction and selection for myoelectric control based on wearable EMG sensors. Sensors (Basel). 2017;17(5):1105. doi:10.3390/s17051105.

Sousa Lima W, Batista LV, Keogh E, Povinelli RJ, Batista GEAPA. Human Activity Recognition Based on Symbolic Representations. Sensors (Basel). 2018;18(11):4045. doi:10.3390/s18114045.

Philip S, Cao Y, Li M. Sensor Based Time Series Classification of Body Movement. In: Bio-Inspired Models of Network, Information, and Computing Systems (BIONETICS 2010). Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering. Springer; 2012. p. 303-309. doi:10.1007/978-3-642-32615-8_30.

Downloads

Published

2026-04-01

How to Cite

Merencia, A. P., Lee, H. D., Shoity Resende Takaki, W., Peiter Ferraz, A., Feng Chung, W., & Spolaôr, N. (2026). Avaliação de representações simbólicas de movimentos articulares humanos úteis para sistemas de telemedicina. Journal of Health Informatics, 18(1), 1535. https://doi.org/10.59681/2175-4411.v18.2026.1535

Issue

Vol. 18 (2026)

Section

Original Articles

License

Copyright (c) 2026 Ana Paula Merencia, Huei Diana Lee, Weber Shoity Resende Takaki, Alexandre Peiter Ferraz, Wu Feng Chung, Newton Spolaôr

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Submission of a paper to Journal of Health Informatics is understood to imply that it is not being considered for publication elsewhere and that the author(s) permission to publish his/her (their) article(s) in this Journal implies the exclusive authorization of the publishers to deal with all issues concerning the copyright therein. Upon the submission of an article, authors will be asked to sign a Copyright Notice. Acceptance of the agreement will ensure the widest possible dissemination of information. An e-mail will be sent to the corresponding author confirming receipt of the manuscript and acceptance of the agreement.

Similar Articles

1 2 3 4 5 6 7 8 9 10 > >> 

You may also start an advanced similarity search for this article.

Most read articles by the same author(s)