fbpx

Validade científica e confiabilidade de um aplicativo baseado em IMU para rastrear a velocidade da barra

Validade científica e confiabilidade de um aplicativo baseado em IMU para rastrear a velocidade da barra

INTRODUÇÃO – Validade Científica

Após validar e testar com usuários reais a medição da velocidade de corrida com a câmera do celular (você pode ler a apresentação aqui e a validação aqui), percebemos que confiabilidade não era tudo ao desenvolver tecnologia para atletas. A validade científica e a confiabilidade da Visão Computacional para rastrear a velocidade da barra são incríveis, mesmo em condições muito baixas.dispositivos Android de baixo custo. No entanto, sua usabilidade deixou muito a desejar: a impossibilidade de medir com precisão a amplitude de movimento (ADM) e o fato de ser necessário colocar o celular com um tripé na frente (algo difícil em uma academia por causa do espaço ou dos outros usuários passando, o que até mesmo alguns atletas podem achar constrangedor) o tornaram pouco útil para o atleta do dia a dia, que é para isso que o Spleft foi projetado.

Por isso, sempre com o objetivo de oferecer aos nossos usuários uma ferramenta capaz de ser utilizada diariamente para monitorar o treinamento de força, decidimos mudar para uma tecnologia que é bem estabelecido no setor: acelerômetros ou IMUs (Unidade de Medição Inercial). Esta tecnologia, apesar da literatura científica apresentar disparidade de evidências quanto à sua validade e confiabilidade (1,2) é amplamente utilizada na prática por profissionais devido à sua facilidade de uso, apesar da disparidade na literatura científica quanto à sua validade e confiabilidade, devido às diferenças nos algoritmos utilizados.

O objetivo deste artigo é, mais uma vez, mostrar-lhe dados comparativos de Perda de peso, tanto no iOS quanto no Android, contra um transdutor linear, demonstrando sua validade e confiabilidade. Apresentaremos o protocolo para que, se você quiser aumentar sua confiança na ferramenta, possa replicá-lo.

Caso você não queira ler a introdução e os resultados mais técnicos, podemos dizer que mais uma vez consideramos o Spleeft uma ferramenta válida e confiável para ser usado no dia a dia como atleta, pois obtivemos uma correlação elevada (r2>0,97) e houve sem diferenças significativas nos resultados (p > 0,05) entre todas as plataformas e o transdutor linear.

MÉTODO

Um sujeito realizou 94 agachamentos (aproveitando o ciclo de alongamento-encurtamento) com um peso baixo constante de 25 kg, variando a intencionalidade para realizar levantamentos com uma velocidade entre 0,39-0,91 m/s.

O aplicativo Spleeft foi instalado em um Xiaomi Redmi Note 6 Pro Android (v1.4.1) de baixo custo com Android 9, um Apple iPhone 7 (v1.3) com iOS 15.0 e um Apple iPhone 12 (v1.3) com iOS 15.0. Deve-se notar que cada dispositivo tem sensores de qualidade diferentes e, portanto, as especificações técnicas não são exatamente as mesmas. No entanto, o Spleeft processa um sinal de 100 Hz de cada sensor (acelerômetro, giroscópio e magnetômetro). Um LT validado cientificamente foi usado como padrão ouro (1).

RESULTADOS

Validade concorrente do pedido

Uma correlação muito alta foi obtida nos valores médios de velocidade medidos com Spleeft e LT, ambos no iPhone 12 (r2=0,98, SEE=0,014 m/s, erro médio = 0,027 m/s), iPhone 7 (r2=0,98, SEE=0,014 m/s, erro médio = 0,019 m/s) e Android (r2=0,97, SEE=0,014 m/s, erro médio = 0,046 m/s).

Para medições de ROM, os valores de correlação foram altos tanto no iPhone 12 (r2=0,93, SEE=0,3 cm, erro médio = 3,15 cm) quanto no iPhone 7 (r2=0,92, SEE=0,3 cm, erro médio = 0,9 cm), enquanto no dispositivo Android a validade foi aceitavelmente menor (r2=0,83, SEE=0,36 cm, erro médio = 5,5 cm).

Validade científica e confiabilidade de um aplicativo baseado em IMU para rastrear a velocidade da barra
Figura 1. Uma comparação entre o Spleft para iOS e o LT mostra uma alta concordância entre ambos os dispositivos.
Validade científica e confiabilidade de um aplicativo baseado em IMU para rastrear a velocidade da barra
Figura 2. Uma comparação do Spleft para Android e do LT que mostra, novamente, uma alta concordância entre ambos os dispositivos.

Confiabilidade e precisão da velocidade da barra de rastreamento com o aplicativo vs LT

O teste t de amostras pareadas mostrou que há sem diferenças significativas entre o aplicativo em qualquer um dos dispositivos e o LT (p>0,05) para medições de velocidade e ROM, exceto no Android para a medição de ROM (p<0,05).

Os gráficos de Bland-Altman não revelaram a presença de qualquer erro sistemático, pois a correlação entre a média e a diferença das medidas de velocidade e o LT foram muito baixas (r2 = 0,0004 no Android, r2 = 0,1 no iPhone 7 e r2 = 0,08 no iPhone 12). Portanto, os erros para cada dispositivo são constantes ao longo de toda a curva carga-velocidade.

Os gráficos de Bland-Altman são feitos entre a diferença de dois resultados a serem comparados e sua média. Uma alta correlação r2 (>0,9) indica a existência de um erro sistemático.

Confiabilidade intraobservadores

O coeficiente de correlação intraclasse (CCI) revelou alta concordância entre os três observadores: Spleeft para iPhone 12 e Android e LT (ICC=0,964, IC [95%]=0,933-0,979) na medição de velocidade média. Não foram encontradas diferenças significativas entre o Spleeft em sua versão Android e sua versão iOS (p>0,05). O gráfico de Bland-Altman confirmou os resultados acima (r2=0,005).

Para dispositivos Apple, o ICC novamente mostrou alta concordância entre o Spleeft no iPhone 12 e iPhone 7 e o LT (ICC=0,991, IC [95%]=0,968-0,996) na medição da velocidade média. Nenhuma diferença significativa foram encontrados entre as medidas feitas com ambos os dispositivos (p>0,05). O gráfico de Bland-Altman confirmou os resultados acima (r2=0,01).

CONCLUSÕES

Foi demonstrada a validade e confiabilidade do Spleeft, usando seu smartphone como IMU, em ambas as plataformas e dispositivos para medir a velocidade de execução do agachamento com barra em regime de contração excêntrico-concêntrica em máquina guiada, correspondendo aos resultados das medições preliminares comparativas da câmera (artigo aqui). Mais uma vez, ficou demonstrado que os celulares de baixo custo podem competir com os de ponta.

Esses resultados são surpreendentes, pois outros estudos de validação de IMUs não as consideram válidas ou confiáveis (1) de IMUs não as consideram válidas ou confiáveis, pois encontram um ICC baixo (ICC < 0,78) e erros sistemáticos nos gráficos de Bland – Altman (r2 = 0,23 – 0,42) de 0,05 ± 0,21 m/s. No entanto, existem outras IMUs que foram consideradas válidas e confiáveis pela comunidade científica. (2). Essa diferença nos resultados não indica uma falta de congruência na literatura científica sobre se as IMUs são ou não confiáveis para medir a velocidade de execução, mas sim que a validade e a confiabilidade em si não dependem exclusivamente da tecnologia e do seu hardware. Esses fatores podem estar relacionados, além dos metodológicos na coleta de dados, à software e algoritmos que cada IMU usa para filtrar o sinal, eliminar possíveis ruídos, determinar o tempo de início e término de uma repetição…

Portanto, os dados apresentados acima demonstram que O algoritmo do Spleeft é válido para filtrar o sinal dos sensores de cada telefone celular e fornece uma medição confiável e de baixo custo da velocidade de execução.

Como futuras linhas de inovação e pesquisa, a partir dos dados apresentados, é necessário aprimorar a mensuração da ADM, pois ela apresenta deficiências por ser duplamente indireta, além de ser testada com protocolos mais padronizados (como o teste de 1RM) em diferentes exercícios e com outros regimes de contração.

Por fim, voltando ao que foi dito na introdução deste artigo, medir a velocidade de corrida não é tudo se você não usar os dados para melhorar seu treinamento. É por isso que o Spleeft também inclui recursos para autorregulação do treinamento usando Z-Score e monitoramento da repetição mais rápida a longo prazo, então agora que você tem uma ferramenta que é precisa o suficiente e fácil o suficiente para seus atletas usarem, você pode começar a integrar esses dados em sua tomada de decisão de uma forma simples.

compartilhe esta receita:

Deixe um comentário

O seu endereço de email não será publicado. Campos obrigatórios marcados com *

Você também pode estar interessado em

inteligência da apple, 1rm, aplicativo de cálculo de 1rm, aplicativo de condicionamento físico, melhor aplicativo de condicionamento físico para apple watch, melhor aplicativo de condicionamento físico para apple watch, sleeft, vbt, aplicativo de velocidade, rastreador de velocidade, treinamento baseado em velocidade
Geral

Apple Intelligence e Spleft: AI Fitness no aplicativo Apple Watch

À medida que a IA e a tecnologia pessoal avançam, a Apple Intelligence está redefinindo a interação perfeita do dispositivo, aprimorando a experiência do usuário de maneiras transformadoras. Integrado no iPhone 14, iPhone

pt_PT