ABSTRACT
Medidas alternativas e de baixo custo podem ser importantes para análise do movimento humano. Objetivo: Verificar a concordância de análise de movimento humano entre aplicativo de monitoramento por meio de inteligência artificial com análise tridimensional de movimento. Método: Estudo transversal observacional no qual voluntário sadio realizou movimentos de: flexão dos braços, flexão de cotovelos, flexão de tronco, inclinação de tronco e sentar e levantar. As imagens foram captadas por meio de sistema de análise tridimensional do movimento por câmeras infravermelhas e pelo aplicativo da Linkfit por meio de dois dispositivos móveis (smartphones). Foram comparados os ângulos estimados pelo aplicativo da Linkfit com os ângulos correspondentes medidos pelo sistema de análise tridimensional do movimento. Para comparar os ângulos da LinkFit com os ângulos mensurados pelo laboratório tridimensional de movimento, o teste de causalidade de Granger foi usado para cada série paralela dos dados. Resultados: A utilização de técnicas de visão computacional e deep learning para detecção de movimento utilizando câmeras de celular mostrou um grau de concordância de 84% em relação à medidas geradas por análise tridimensional de movimento realizadas em laboratório. Conclusão: A utilização de técnicas de visão computacional e deep learning é promissora para a realização de estudos que envolvem a detecção do movimento do corpo humano, quando comparadas com medidas de padrão-ouro de análise de movimento, podendo ser portanto, uma alternativa. Estudos futuros devem ser realizados utilizando maior número de voluntários e movimentos, com o intuito de consolidar os resultados obtidos nesse estudo.
Alternative and low-cost measures may be important for analyzing human movement. Objective: The objective of this study was to verify the agreement of human movement analysis of a monitoring app that uses artificial intelligence compared to three-dimensional movement analysis. Methods:Observational cross-sectional case report study in which a healthy volunteer performed arm flexion, elbow flexion, trunk flexion, lateral trunk bending, and sitting and standing. Images of the volunteer were simultaneously captured by a three-dimensional movement analysis system based on infrared cameras and the Linkfitapp of two mobile devices (smartphones). The body angles estimated by the Linkfitapp were compared with the corresponding angles measured by the three-dimensional movement analysis system. The Granger causality test was used to compare the pairs of angles for each parallel data series. Results:The use of smartphone cameras and deep learning techniques for motion detection had an 84% degree of agreement compared to measurements generated by the three-dimensional movement analysis performed in the laboratory. Conclusion:The use of smartphone cameras and deep learning techniques is promising for conducting studies for body movement detection compared to the gold standard measures of movement analysis. This technology may become an alternative for movement analysis. Future studies should consider a more significant number of volunteers and model movements to strengthen the results obtained in this study.
