Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia (2023)
- Authors:
- Autor USP: GAGLIARDI, LUANA DUARTE - EACH
- Unidade: EACH
- DOI: 10.11606/D.100.2023.tde-19052023-152913
- Subjects: APRENDIZADO COMPUTACIONAL; CONTROLE MOTOR; MÚSCULOS; DOR; ELETROMIOGRAFIA
- Keywords: Acute muscle pain; Aprendizagem de máquina; Dor muscular aguda; EMG; Machine learning; Support Vector Machine
- Language: Português
- Abstract: Muitos estudos apontam a avaliação da dor como um fator de grande importância no diagnóstico do paciente, sendo considerada como quinto sinal vital, equiparando-se à medição da temperatura, frequência cardíaca, pressão arterial e frequência respiratória. Além disso, a verificação da dor pode ser utilizada como parâmetro de decisão de afastamento de postos de trabalho ou das atividades esportivas, diminuindo assim a incidência de lesões no esporte e ajudando no gerenciamento de fatores de risco. Há diversos estudos que mostram como a dor gera alteração na atividade muscular causando alteração no controle motor e movimento humano e alterando o desempenho de atletas. Apesar da importância em se identificar não apenas a presença da dor, mas principalmente as consequências de se realizar movimentos na presença dela, não há até o momento uma ferramenta de identificação da dor utilizando-se parâmetros fisiológicos ou biomecânicos. Dessa forma, esta pesquisa visa criar uma máquina de inteligência artificial capaz de identificar o fenômeno dor analisando os sinais eletromiográficos. Para que a classificação da dor ocorra utilizaremos o método de aprendizagem de máquina Support Vector Machine (SVM), cujos vetores de entrada serão construídos a partir da média do valor absoluto (MAV) dos dados EMG.Os dados eletromiográficos foram adquiridos a partir do protocolo experimental a seguir: dez voluntários saudáveis realizaram movimentos cíclicos de flexão / extensão do cotovelo na velocidade máxima, por 2 minutos, antes, imediatamente após e 40 minutos após a infusão de (1) 2 ml de solução salina hipertônica (dolorosa) no bíceps braquial, (2) 2 ml de solução salina hipertônica no bíceps braquial e no tríceps braquial e (3) 2 ml de solução salina isotônica (não dolorosa) no músculo bíceps braquial. Os sinais eletromiográficos de superfície (EMG) foram coletados dos músculos trapézio superior, bíceps braquial, tríceps braquial e braquiorradial (para estimar a amplitude EMG)
- Imprenta:
- Data da defesa: 04.04.2023
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
GAGLIARDI, Luana Duarte. Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/. Acesso em: 19 fev. 2026. -
APA
Gagliardi, L. D. (2023). Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/ -
NLM
Gagliardi LD. Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia [Internet]. 2023 ;[citado 2026 fev. 19 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/ -
Vancouver
Gagliardi LD. Utilização de métodos de aprendizado supervisionado para identificação de dor muscular aguda via eletromiografia [Internet]. 2023 ;[citado 2026 fev. 19 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100139/tde-19052023-152913/
Informações sobre o DOI: 10.11606/D.100.2023.tde-19052023-152913 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
