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

Autores

DOI:

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

Palavras-chave:

Estudos de Séries Temporais, Reconhecimento Automatizado de Padrão, Telemedicina

Resumo

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

Não há dados estatísticos.

Biografias Autor

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.

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.

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

Publicado

2026-04-01

Como Citar

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

Edição

Vol. 18 (2026)

Secção

Artigo Original

Licença

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

Creative Commons License

Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.

Este trabalho está licenciado sob a Creative Commons Atribuição–Não Comercial–Compartilha Igual 4.0 Internacional (CC BY-NC-SA 4.0). Isso significa que qualquer pessoa pode ler, baixar, copiar, redistribuir e adaptar o material, desde que seja atribuída a devida autoria aos autores e à fonte original. O uso comercial do conteúdo não é permitido. Caso o material seja modificado, remixado ou utilizado para a criação de obras derivadas, estas deverão ser distribuídas sob a mesma licença. Essa licença favorece a ampla disseminação do conhecimento, assegurando o reconhecimento da autoria, restringindo a exploração comercial e garantindo que versões derivadas permaneçam acessíveis sob os mesmos termos.

Consulte a Licença

Artigos Similares

1 2 3 4 5 6 7 8 9 10 > >> 

Também poderá iniciar uma pesquisa avançada de similaridade para este artigo.

Artigos mais lidos do(s) mesmo(s) autor(es)