Titulo: Classificação de domínios de intensidade de exercício físico em imagens termográficas de ratos utilizando Redes Neurais Convolucionais
Comissão Examinadora - Titulares
Prof. Dr. Ulisses Martins Dias (Presidente) FT/Unicamp
Profa. Dra. Lívia Couto Ruback Rodrigues - FT/Unicamp
Prof. Dr. Allan da Silva Pinto - CNPEM
Suplentes
Prof. Dr. Luis Augusto Angelotti Meira - FT/Unicamp
Prof. Dr. Hilario Seibel Junior - IFES
Local: LP04 (Prédio da Informática da FT) | https://stream.meet.google.com/stream/d16f970f-a139-4759-b318-254539561c35
Resumo: O estresse físico é uma resposta do organismo a alterações fisiológicas, frequentemente observadas durante exercícios de alta intensidade. Embora a prática regular de exercícios traga benefícios para a saúde, atletas podem ultrapassar seus limites, colocando a saúde em risco e aumentando a possibilidade de lesões. A intensidade do exercício pode ser categorizada em diferentes domínios, e entender esses domínios é crucial tanto para a melhoria da saúde quanto para o aprimoramento do desempenho esportivo. Tradicionalmente, medir esses domínios é uma tarefa invasiva, exigindo coleta de amostras sanguíneas, mas a utilização de vídeos termográficos surge como uma alternativa promissora. Este estudo teve como objetivo investigar a viabilidade de utilizar modelos de aprendizado de máquina, em particular redes neurais convolucionais (CNN) e classificadores tradicionais para classificar os domínios de intensidade de exercício de ratos com base em alterações fisiológicas detectadas em imagens termográficas. Os experimentos envolveram a criação de um banco de dados a partir de vídeos termográficos, nos quais ratos realizavam exercícios de corrida em uma esteira com intensidades variadas. Para classificar os dados, foram testados diferentes modelos de extração de características e classificadores, incluindo o Random Forest (RF) combinado com arquiteturas de CNN como ResNet50, pré-treinada com dados do ImageNet. A avaliação de desempenho foi realizada utilizando as métricas de Revocação, Precisão, F1-Score e Acurácia Balanceada. A análise dos resultados indicou que o modelo de classificação RF, combinado com a ResNet50, foi o mais eficaz. Os resultados obtidos reforçam a aplicabilidade das técnicas de aprendizado de máquina e aprendizado profundo na fisiologia do exercício, oferecendo uma abordagem não invasiva e eficiente para a determinação do domínio de intensidade do exercício. Este estudo contribui para o avanço do uso de tecnologias de aprendizado de máquina na fisiologia do exercício, oferecendo uma alternativa não invasiva e eficaz para a determinação do domínio de intensidade do exercício.