Título: Estimativa da Força de Reação do Solo com Acelerômetros Vestíveis e Deep Learning: Análise Comparativa entre Arquiteturas Temporais
Autores: Sergio de Nazaré Rodrigues Lima Jr, Ronaldo de Freitas Zampolo & Antonio Pereira Jr
Resumo: Este trabalho propõe e avalia modelos baseados em redes neurais profundas para a predição da força de reação do solo (GRF) a partir de sinais de acelerômetros provenientes de sensores inerciais vestíveis. Foram desenvolvidas e comparadas três arquiteturas: Bi-LSTM, TCN e uma arquitetura híbrida TCN-BiLSTM. A metodologia incluiu análise de correlação cruzada para seleção do sensor mais relevante, pré-processamento dos sinais, segmentação temporal e treinamento dos modelos. Os resultados demonstraram que as arquiteturas Bi-LSTM e Híbrida apresentaram os melhores desempenhos, alcançando elevados coeficientes de determinação (R2) e baixos erros (RMSE e rRMSE), enquanto o modelo TCN apresentou menor tempo de treinamento, porém com desempenho preditivo inferior. Este estudo evidencia a viabilidade de utilizar sensores inerciais de baixo custo para estimar a GRF fora do ambiente laboratorial, contribuindo para aplicações em reabilitação, monitoramento esportivo e saúde digital.
Palavras-chave: Ground Reaction Force (GRF); Inertial Sensors; Bi-LSTM; TCN; Deep Learning.
Páginas: 6
Código DOI: 10.21528/CBIC2025-1175673
Artigo em PDF: CBIC_2025_paper1175673.pdf
Arquivo BibTeX:
CBIC_2025_1175673.bib