Utilize este identificador para referenciar este registo: http://hdl.handle.net/10400.5/7444
Título: Aprendizagem automática na análise do movimento e da participação neuromuscular em habilidades dinâmicas : contributos para o estudo da relação entre swing do golf e prevalência de lombalgias
Autor: Silva, Luís Miguel Domingues Ferreira
Orientador: Correia, Pedro Luís Camecelha de Pezarat
Cabri, Jan Maria Hendrick
Serranho, Pedro Miguel Picado Carvalho
Palavras-chave: Constrangimentos motores
Electromiografia
Golfe
Máquinas de vetor suporte
Onset
Electromiography
Golf
Motor constraints
Support vector machines
Data de Defesa: 2014
Citação: Silva, Luís Miguel Ferreira (2014) - Aprendizagem automática na análise do movimento e da participação neuromuscular em habilidades dinâmicas : contributos para o estudo da relação entre swing do golf e prevalência de lombalgias. Tese de Doutoramento. Universidade de Lisboa. Faculdade de Motricidade Humana.
Resumo: A quantificação de parâmetros temporais de eletromiografia (EMG) em tarefas dinâmicas bem como a discriminação neuromuscular de constrangimentos motores é paradigmática na literatura. Os principais constrangimentos associados à prática de golfe são o handicap e a sintomatologia de lombalgia. O objetivo desta dissertação foi conhecer até que ponto pode ser extraída informação do sinal EMG que quantifique fenómenos temporais e permita classificar os principais constrangimentos associados a uma habilidade motora dinâmica, propondo-se para esse efeito o swing do golfe. Para este propósito construíram-se modelos de classificação, recorrendo às máquinas de vetor suporte (SVM), para deteção do onset EMG e para analisar o poder discriminatório de músculos do tronco e do membro inferior nos constrangimentos referidos. Foram realizados cinco estudos, (1) a validação para a população portuguesa do questionário Musculoskeletal Injury Questionnaire for Senior Golfers, (2) a comparação de métodos algorítmicos automáticos de deteção (divergindo na linha de base como referência) e inspeção visual, (3) revisão de literatura sistemática qualitativa sobre a aplicação das SVM ao sinal EMG, (4) aplicação da aprendizagem automática com features no domínio do tempo na deteção do onset EMG e respetiva validação, (5) utilização de features da análise de quantificação de recorrência e SVM na identificação dos músculos com maior poder discriminatório e construção de modelos que classifiquem sinais EMG do swing relativamente ao handicap e à lombalgia. A deteção do onset burst no oblíquo externo (mais vincado do lado direito) e o onset peak/burst no reto abdominal bilateralmente apresenta elevada congruência entre métodos. Modelos SVM com quatro tipos de features no domínio do tempo garantem uma precisão média de 95% não diferenciando o tipo de fenómeno identificado, isto é, o onset peak ou onset burst. Caso a diferenciação seja realizada para o onset burst, ou para o onset peak quando este tende a ser coincidente com o onset burst, a precisão sobe para cerca de 98%. A precisão na classificação para o handicap foi de 94.4±2.7% para o swing, 97.1±2.3% no backswing, e 95.3±2.6% no downswing. Na lombalgia a precisão de classificação dos modelos contruídos foi de 96.9±3.8% no swing e 99.7±0.4% no backswing. Sujeitos com lombalgia apresentam diferentes estratégias de coordenação neuromuscular comparativamente a golfistas assintomáticos.
ABSTRACT: The quantification of dynamic tasks with electromyography (EMG) analogously to temporal parameters and neuromuscular constraints discrimination is paradigmatic in the literature. The main constraints associated to golf are the handicap and the low back pain. The aim of this thesis was to understand the extent to which information can be extracted from the EMG signal to quantify temporal phenomena and allows classify the main constraints associated to the golf swing, a dynamic and complex task. For this purpose were built classification models using support vector machines (SVM) for onset detection and to analyze the discriminatory power of the trunk and lower limb muscles on the mentioned constraints. Five studies were held, (1) validation for the Portuguese population of the Musculoskeletal Injury Questionnaire for Senior Golfers, (2) comparison of detection threshold algorithmics (diverging at baseline as a reference) and visual inspection, (3) systematic qualitative review about SVM application on EMG, (4) application of time domain features within machine learning for onset detection and model respective validation, (5) use of recurrence quantification analysis features within SVM to identify muscles with greater discriminatory power on handicap and low back pain. The external oblique onset burst detection (more pronounced on the right side) and bilaterally rectus abdominis onset peak/burst detection showed a high congruence between all methods. SVM models with four types of time-domain features ensure an average accuracy of 95% without differentiating the type of detection. When onset type was differentiated, onset burst and onset peak accuracy increased to 98%. The accuracy rating for the handicap was 94.4 ± 2.7% in the swing, 97.1 ± 2.3% in the backswing, and 95.3 ± 2.6% in the downswing. Low back pain accuracy of the SVM models was 96.9 ± 3.8% during the swing, and 99.7±0.4% in the backswing. Subjects with low back pain have different neuromuscular coordination strategies compared to asymptomatic golfers.
Descrição: Doutoramento em Motricidade Humana na especialidade de Comportamento Motor
URI: http://hdl.handle.net/10400.5/7444
Aparece nas colecções:BFMH - Teses de Doutoramento / Ph.D.Thesis

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
Doutoramento_LuisSilva_EntregaFinal.pdf5,72 MBAdobe PDFVer/Abrir    Acesso Restrito. Solicitar cópia ao autor!


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Degois 

Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.