TECH4DYNAMICS

A avaliação da função motora ainda não atingiu todo o seu potencial, seja porque são utilizadas metodologias de análise qualitativa, nomeadamente questionários específicos que, apesar de fornecerem dados importantes, dependem da experiência do observador e da quantidade e precisão limitadas das informações que fornecem; seja pelos custos associados a metodologias mais avançadas, que exigem maior despesa e especialização na análise, representando uma barreira adicional para se obter uma compreensão completa da função motora; ou ainda pelo tempo necessário para a recolha e obtenção dos resultados, que em alguns casos, quando o resultado é disponibilizado, os sujeitos já não se encontram na mesma condição em que foram avaliados. Em resposta a este tipo de questões, nos últimos anos, a tecnologia portátil tem procurado desempenhar um papel mais ativo na avaliação das funções motoras, tanto através de dispositivos vestíveis ou de equipamentos especializados. Revisões sistemáticas recentes que destacam as diferentes aplicações que este tipo de tecnologia tem tido na análise do movimento, demonstrando a crescente importância do desenvolvimento de equipamentos. No entanto, estas publicações ainda apontam para a falta de validação e referem-se principalmente a populações com condições neurológicas específicas, deixando em aberto a necessidade de promover mais estudos nesta área. As Unidades de Medição Inercial (IMUs) são sensores de baixo custo com ampla aplicabilidade em vários contextos [1-5]. Uma parte significativa da tecnologia portátil atual incorporou estes sensores, permitindo transferir a aplicabilidade de equipamentos específicos baseados em IMUs para dispositivos usados no dia-a-dia (por exemplo, smartphones, smartwatches). Isto também possibilita a análise em tempo real da função motora, o que poderia potencialmente alertar os utilizadores, por exemplo, para consultarem o seu médico.

A missão deste projeto consiste em desenvolver e implementar métodos baseados em IMUs para a avaliação da função motora em diferentes faixas etárias e condições de saúde, especialmente em doenças neurodegenerativas. A recolha contínua de dados sobre tarefas de motricidade fina e grossa e a sua validação associada a métodos de análise não-lineares abrem novas fronteiras na compreensão de padrões complexos do movimento humano, permitindo uma avaliação mais precisa e personalizada das funções motoras. Além disso, esta abordagem inovadora, ao incorporar inteligência artificial (IA) e modelos de aprendizagem profunda (Deep Learning) na análise de dados de função motora, torna possível desenvolver intervenções e tecnologias mais eficazes para diferentes populações, promovendo avanços na otimização do desempenho físico, saúde e reabilitação, com aplicações nos contextos de exercício, clínico e educacional. Sistemas potenciados por IA podem analisar automaticamente grandes conjuntos de dados capturados por IMUs e outros sensores vestíveis, identificando padrões e tendências subtis que podem não ser discerníveis através da análise tradicional. Modelos de aprendizagem profunda, particularmente redes neuronais convolucionais (CNNs) e redes neuronais recorrentes (RNNs), podem ser utilizadas para detetar e classificar diferentes tipos de atividades ou disfunções motoras, processando dados complexos de séries temporais (Cheriet et al., 2023). Estes modelos não só melhoram a precisão da análise, como também permitem obter avanços preditivos, como a previsão da progressão de doenças neurodegenerativas com base em sinais precoces de função motora (Patel et al., 2021; Sigcha et al., 2023). Além disso, o projeto irá utilizar modelos de IA para a personalização das avaliações. Ao aprender continuamente com dados individuais ao longo do tempo, o sistema pode adaptar-se aos padrões motores únicos do utilizador, fornecendo assim recomendações altamente personalizadas para a melhoria do movimento ou reabilitação. Outra camada inovadora que a IA pode proporcionar é o mecanismo de feedback em tempo real, onde os utilizadores podem receber orientação instantânea ou alertas se forem detetados padrões motores anormais, o que é fundamental em contextos clínicos para uma intervenção precoce.

Palavras-chave: Sensores Inerciais; Inteligência Artificial; Deep Learning; Análise Não-Linear; Avaliação da Função Motora; Perturbações neurodegenerativas

Objetivo geral:

• O objetivo geral deste projeto é desenvolver e implementar métodos baseados em Unidades de Medição Inercial e aplicar modelos de Aprendizagem Profunda para melhorar a avaliação e monitorização da função motora em diversas populações, facilitando a classificação precisa de disfunções motoras e permitindo previsões sobre a progressão de doenças, conduzindo a intervenções mais prematuras e direcionadas.

Objetivos Específicos:

• Monitorização de Dados em Tempo Real: Desenvolver sistemas para a recolha em tempo real de dados de movimento em ambientes de campo e/ou laboratório, para analisar o estado atual do sujeito, com ou sem distúrbios, e o efeito de intervenções como exercício físico, ajustes de medicação ou reabilitação.
• Métodos de Aprendizagem Profunda para Deteção de Padrões Motores: Integrar métodos não-lineares e algoritmos avançados de aprendizagem profunda, como redes neuronais convolucionais e redes neuronais recorrentes, para analisar dados complexos de séries temporais recolhidos a partir de IMUs. Estes modelos são treinados para detetar automaticamente padrões motores subtis e disfunções que podem não ser facilmente identificados através de análises tradicionais. Por exemplo, as CNNs podem extrair características espaciais dos dados de movimento, enquanto as RNNs conseguem captar dependências temporais, permitindo que o sistema classifique com precisão disfunções motoras e preveja a progressão de doenças neurodegenerativas.
• Deteção Precoce e Monitorização Baseada em IMUs: Focar-se em sensores inerciais de alta precisão para detetar disfunções motoras, com ênfase em ferramentas de diagnóstico precoce em sujeitos com ou sem condições pré-diagnosticadas, como Parkinson, Alzheimer e esclerose múltipla.
• Validação em Populações Especiais: O estudo dará prioridade à precisão, fiabilidade e aplicabilidade dos sensores em tarefas de motricidade fina e grossa, enfatizando a validação da tecnologia para aplicações práticas no mundo real.

Referências

1. Brígida, N., Catela, D., Mercê, C., & Branco, M. (2024). Predictability and Complexity of Fine and Gross Motor Skills in Fibromyalgia Patients: A Pilot Study. Sports, 12(4), 90. https://doi.org/10.3390/sports12040090
2. Brígida, N., Catela, D., Mercê, C., & Branco, M. (2024). Variability of gross and fine motor control in different tasks in fibromyalgia patients. Retos, 54, 151-158. https://doi.org/10.47197/retos.v54.103134
3. Miranda-Oliveira, P., Branco, M., & Fernandes, O. (2023). Accuracy and Interpretation of the Acceleration from an Inertial Measurement Unit When Applied to the Sprint Performance of Track and Field Athletes. Sensors, 23(4), 1761. https://doi.org/10.3390/s23041761
4. Mercê, C., Cordovil, R., Catela, D., Galdino, F., Bernardino, M., Altenburg, M., António, G., Brígida, N., & Branco, M. (2022). Learning to Cycle: Is Velocity a Control Parameter for Children’s Cycle Patterns on the Balance Bike? Children, 9(12), 1937. https://doi.org/10.3390/children9121937
5. Altenburg, M., Farinha, C., Santos, C., Mercê, C., Catela, D., & Branco, B. (2021). Analysis of Motor Behavior based on Recurrence Analysis in Adults with Autism Spectrum and Neurotypicals in a Dynamic Balance Task: a pilot study. Cuadernos de Psicología del Deporte, 21, 233-242. http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1578-84232021000300018&nrm=iso
6. Pereira, T. O., Abbasi, M., & Arrais, J. P. (2023). Enhancing reinforcement learning for de novo molecular design applying self-attention mechanisms. Briefings in Bioinformatics, 24(6), bbad368. https://doi.org/10.1093/bib/bbad368
7. Martins, D., Abbasi, M., Egas, C., & Arrais, J. P. (2024, 2024/09/01/). Enhancing schizophrenia phenotype prediction from genotype data through knowledge-driven deep neural network models. Genomics, 116(5), 110910. https://doi.org/https://doi.org/10.1016/j.ygeno.2024.110910

Coordenação do Projeto:

• Marco Branco, PhD, Investigador Responsável
• Cristiana Mercê, PhD, Co-Investigadora Responsável
• Guilherme Furtado, PhD, Co-Investigador Responsável

Equipa de Investigação:

• David Catela, PhD
• Maryam Abbasi, PhD
• Pedro Sobreiro, PhD
• Bruno Silva, PhD

Estudantes de Mestrado/Doutoramento:

• Nancy Brígida, PhD student
• Mónica Sousa, PhD student
• Mafalda Bernardino, MSc student
• Pedro Caetano Raposo, MSc student
• Marta Santos, MSc Student

Projectos relacionados:

• Analysis of the Complexity and Variability of Fine and Gross Motor Tasks in Fibromyalgia Patients
• Assessment of Motor Coordination in Fine and Gross Motor Tasks in Parkinson's Patients
• Biomechanics' Contribution to Improving Sports Performance in Athletics: Development and Validation of a Dedicated Inertial Measurement Unit

Organizações Apoio:

• Wisify Tech
• Sensing Future (https://sensingfuture.com/en/)
• INOPOL (https://inopol.ipc.pt)
• Novo Corpo