Descrição
Palavras-chave: Internet das coisas, Halteres, Sensores inerciais, Aprendizado de máquina
Neste trabalho é proposto o desenvolvimento de um sistema inteligente baseado em Internet das Coisas (IoT) para monitoramento e correção de exercícios de força com halteres. O sistema utiliza sensores inerciais (IMUs) acoplados diretamente aos halteres, que coletam dados de movimento e os processam no próprio dispositivo do usuário, garantindo maior autonomia e privacidade. Entre as possibilidades de algoritmos a serem aplicados destacam-se técnicas de aprendizado de máquina, como SVM, Random Forest e redes neurais, voltadas para avaliar a qualidade do movimento, detectar erros de execução e fornecer feedback automático ao usuário. Além disso, os dados podem ser sincronizados com profissionais de saúde, permitindo acompanhamento especializado, comparação da execução e validação da correção do exercício, em um aplicativo específico para o especialista.
A arquitetura do sistema é composta por três camadas principais: (i) camada de percepção, responsável pela coleta de dados com IMUs embarcadas nos halteres; (ii) camada de comunicação, que utiliza protocolos IoT e redes sem fio para transmissão dos dados; e (iii) camada de aplicação, que integra softwares de análise e um aplicativo móvel para visualização e feedback em tempo real. Assim, o sistema busca atuar como um “treinador virtual”, apoiando tanto treinos domiciliares quanto em academias.
Apesar dos avanços no estado da arte em monitoramento de exercícios, muitos estudos prévios focam em soluções vestíveis, que podem ser desconfortáveis, ou em visão computacional, limitada por custo e condições ambientais. Além disso, ainda há dificuldades significativas, especialmente relacionadas à generalização dos modelos. Diferenças individuais de execução, níveis de experiência e variações biomecânicas tornam desafiadora a criação de algoritmos capazes de manter alta precisão em populações diversas. Para superar essa limitação, também é proposto neste trabalho uma estratégia em que, na presença de um profissional de saúde, o algoritmo pode ser treinado com os dados reais do usuário, validados como corretos ou incorretos pelo especialista. Dessa forma, o sistema se adapta ao perfil do praticante e reduz a dependência de bases de dados genéricas.
Agradecimentos
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001
| Selecione a modalidade do seu trabalho | Resumo Simples |
|---|
