Automating Timed Up and Go Phase Segmentation and Gait Analysis via the tugturn Markerless 3D Pipeline

Este artigo apresenta o \textit{tugturn.py}, um pipeline automatizado em Python para análise 3D sem marcadores do teste Timed Up and Go (TUG), que realiza segmentação de fases, detecção de eventos de marcha e cálculo de métricas de estabilidade e coordenação intersegmentar, gerando relatórios reprodutíveis para uso clínico e de pesquisa.

O essencial

Imagine que você precisa avaliar a mobilidade de uma pessoa idosa ou de alguém com Parkinson. O teste clássico para isso é o "Timed Up and Go" (TUG), que basicamente pede: "Levante-se da cadeira, caminhe até um ponto, dê meia-volta, volte e sente-se". Um cronômetro mede o tempo total.

O problema é que um cronômetro é cego. Ele diz quanto tempo levou, mas não explica como a pessoa se moveu. Ela tropeçou na volta? Ela ficou parada no meio do caminho? O movimento foi fluido ou trêmulo?

É aqui que entra o tugturn, uma nova ferramenta de software apresentada neste artigo. Pense nele como um "detetive de movimento" digital que usa inteligência artificial para assistir ao vídeo do teste e contar a história completa, passo a passo.

Aqui está uma explicação simples de como ele funciona, usando analogias do dia a dia:

1. O "Corte de Filme" Automático (Segmentação de Fases)

Antes, os cientistas tinham que assistir ao vídeo quadro a quadro para decidir quando a pessoa parou de andar e começou a virar. Isso era chato e sujeito a erros.

O tugturn age como um editor de cinema inteligente. Ele não olha apenas para o tempo, mas para o espaço.

• Ele sabe exatamente onde a cadeira está e onde o ponto de volta está.
• Assim que a pessoa sai da cadeira, o software "corta" a cena: "Agora é a fase de levantar!".
• Quando a pessoa chega no ponto de volta, ele corta de novo: "Agora é a fase de virar!".
• Ele divide o teste em 5 capítulos claros: Levantar, Caminhar (ida), Virar, Caminhar (volta) e Sentar.

2. O "Detetive de Passos" (Detecção de Eventos)

Saber que a pessoa está andando é fácil. Saber exatamente quando o calcanhar toca o chão (início do passo) e quando o pé sai do chão (fim do passo) é difícil, especialmente quando a pessoa está virando.

O software usa uma estratégia de "distância relativa". Imagine que o software tem uma régua invisível presa no quadril da pessoa.

• Ele monitora o pé em relação ao quadril.
• Quando o pé se estica para trás e toca o chão, o software grita: "Pé no chão!" (Heel Strike).
• Quando o pé se levanta para frente, ele grita: "Pé no ar!" (Toe-off).
• O Pulo do Gato: Ele é esperto o suficiente para ignorar movimentos que não são passos reais (como arrastar os pés durante a volta), garantindo que só conte o que importa.

3. O "Análise de Dança" (Coordenação e Estabilidade)

O software vai além de contar passos. Ele analisa a dança entre as partes do corpo.

• Coordenação: Ele verifica se o tronco e o quadril estão se movendo juntos (como um bloco único, comum em Parkinson) ou se estão se movendo em ritmos opostos (o ideal). É como um coreógrafo que diz: "Ei, seus braços e pernas não estão na mesma página!".
• Estabilidade (XCoM): Ele calcula um "centro de gravidade projetado". Imagine que a pessoa tem um balão invisível preso ao centro do corpo. O software avisa se esse balão está indo muito para frente ou para o lado, indicando risco de queda, mesmo que a pessoa não tenha caído ainda.

4. O "Relatório Instantâneo"

No final, em vez de uma pilha de dados confusa, o software gera um relatório colorido e interativo (como um site bonito).

• Você vê gráficos, tabelas com números exatos e até GIFs mostrando onde o software achou que a pessoa virou ou parou.
• Tudo isso é feito automaticamente. Você joga o vídeo, clica em um botão e, em minutos, tem uma análise detalhada que antes levaria horas de trabalho manual.

Por que isso é importante?

Imagine que você tem 100 pacientes para avaliar. Fazer isso manualmente seria exaustivo e inconsistente (o Dr. A pode ver algo diferente do Dr. B).

O tugturn é como um assistente de laboratório super-rápido e imparcial. Ele permite que médicos e pesquisadores:

1. Detectem problemas de mobilidade muito antes de uma queda acontecer.
2. Acompanhem se uma reabilitação está funcionando com precisão matemática.
3. Façam isso usando apenas uma câmera comum (sem precisar de sensores caros colados no corpo).

Em resumo, o artigo apresenta um software que transforma um simples vídeo de alguém levantando da cadeira em uma análise forense de movimento, ajudando a salvar vidas e melhorar tratamentos de forma mais rápida e precisa.

Resumo técnico

1. O Problema

O teste "Timed Up and Go" (TUG) é amplamente utilizado para avaliar mobilidade e desempenho funcional em populações clínicas, integrando transições posturais, caminhada, giro e sentar. No entanto, a análise biomecânica tradicional do TUG enfrenta desafios significativos:

• Dependência de Infraestrutura: Os sistemas de captura de movimento baseados em marcadores (optoeletrônicos) são caros, exigem infraestrutura especializada e processamento demorado.
• Limitações das Abordagens "Markerless": Embora as abordagens baseadas em visão computacional (sem marcadores) tenham se expandido, muitas pipelines existentes focam apenas na extração de pose ou em resumos genéricos de marcha.
• Falta de Segmentação de Fase Robusta: A interpretação clínica significativa do TUG depende da correta isolamento das fases de movimento (ex: distinguir a primeira marcha da segunda, ou o momento exato do giro). Sem ferramentas automatizadas, as análises em ambientes clínicos ou não controlados frequentemente recorrem a reconhecimento visual subjetivo ou processamento manual quadro a quadro, o que é trabalhoso e pouco reprodutível.
• Detecção Falsa de Eventos: Algoritmos clássicos de detecção de eventos de marcha (como heel-strike e toe-off) frequentemente geram falsos positivos durante as fases de giro ou transição postural no teste TUG.

2. Metodologia

O artigo apresenta o tugturn.py, um fluxo de trabalho em Python projetado para processar dados de coordenadas 3D (geralmente derivados de frameworks como MediaPipe e processados via vailá) em uma pipeline determinística e automatizada. A metodologia baseia-se em cinco pilares principais:

• Segmentação de Fase Espacial (Lógica do Eixo Y):

  • Em vez de tratar o TUG como uma "caixa preta" temporal, o algoritmo utiliza limiares espaciais no eixo anteroposterior (Y) para dividir o ensaio contínuo em cinco sub-fases discretas:
    1. Sentar para Levantar (Stand-to-Stand).
    2. Primeira Marcha.
    3. Giro (Turning).
    4. Segunda Marcha.
    5. Levantar para Sentar (Stand-to-Sit).
  • Limiares específicos (ex: $Y \le 1,125$ m para a zona da cadeira e $Y \approx 4,5$ m para a zona de giro) garantem a separação precisa das fases.

• Detecção de Eventos de Marcha (Algoritmo Zeni Adaptado):

  • Utiliza uma adaptação robusta do algoritmo de distância relativa de Zeni, aprimorada por filtros espaciais e cinéticos para evitar falsos positivos durante giros.
  • Máscara de Caminhada: Verifica se o sujeito está em pé e movendo-se antes de detectar passos.
  • Vetor de Progressão Dinâmico: Calcula o vetor direcional unitário suavizado do centro de pelve no plano XY para adaptar a detecção à direção real do paciente (ida e volta).
  • Detecção de Apoio (HS) e Elevação (TO): Identifica picos e vales na projeção vetorial do calcanhar/dedo em relação à pelve, com restrições fisiológicas (ex: nenhum dois apoios consecutivos no mesmo pé em 300 ms).
  • Restrição Espacial: Eventos detectados fora das zonas válidas de "Primeira Marcha" ou "Segunda Marcha" são descartados.

• Cinemática Avançada e Coordenação Intersegmentar:

  • Monitora a inclinação do tronco e excursões articulares.
  • Aplica Vector Coding para quantificar a coordenação entre tronco e pelve durante o giro, categorizando o comportamento em "Em Fase" (indicativo de giros en bloc típicos de Parkinson) ou "Anti-fase".

• Estabilidade Dinâmica:

  • Calcula métricas baseadas no Centro de Massa Extrapolado (XCoM) para avaliar a estabilidade dinâmica.

• Arquitetura de Software:

  • Interface de Linha de Comando (CLI) configurável via arquivos .toml.
  • Processamento em lote (batch processing) de alto rendimento.
  • Dependências mínimas (NumPy, Pandas, SciPy, Matplotlib, Plotly) para compatibilidade multiplataforma.

3. Principais Contribuições

• Pipeline Específica para TUG: Diferente de ferramentas genéricas de análise de marcha, o tugturn.py é desenhado especificamente para a topografia do teste TUG, lidando com a complexidade de movimentos bidirecionais e giros.
• Reprodutibilidade e Automatização: Oferece um fluxo de trabalho totalmente automatizado que elimina a necessidade de limpeza manual de trajetórias quadro a quadro.
• Saídas Estruturadas e Ricas: Gera múltiplos formatos de saída prontos para análise:
  • Relatórios HTML interativos com visualizações e GIFs de qualidade.
  • Tabelas CSV com métricas espaciais, temporais, de coordenação (Vector Coding) e estabilidade (XCoM).
  • Dados JSON para integração com outros sistemas.
• Validação de Biomarcadores Digitais: O sistema extrai métricas (como a coordenação em fase/anti-fase) que foram previamente validadas por aprendizado de máquina como preditores de severidade de doenças (ex: estágios de Hoehn & Yahr).

4. Resultados

O artigo não apresenta um novo ensaio clínico, mas sim a demonstração técnica e os entregáveis do software através de um fluxo de trabalho de teste completo:

• Segmentação Precisa: O sistema dividiu corretamente um ensaio de 26,93 segundos nas fases esperadas (ex: 1,48s para levantar, 5,81s para a primeira marcha, 2,79s para o giro, etc.).
• Detecção de Eventos: Identificou com sucesso 12 passos na primeira marcha e 11 na segunda, com detecção precisa de eventos de apoio e elevação dentro das zonas espaciais válidas.
• Métricas de Saída: Gerou dados quantitativos detalhados, incluindo cadência (67,91 passos/min), velocidade (0,347 m/s), desvio de XCoM e sequências de passos (pés direito/esquerdo).
• Visualização: Produziu relatórios HTML que permitem inspeção visual interativa e controle de qualidade da segmentação.

5. Significado e Impacto

O trabalho do tugturn.py representa um avanço significativo na democratização da análise biomecânica de alta fidelidade:

• Acesso Ampliado: Permite que clínicos e pesquisadores realizem análises biomecânicas complexas do TUG sem a necessidade de laboratórios de movimento caros e equipamentos de captura de movimento com marcadores.
• Padronização Clínica: Transforma um teste subjetivo de cronômetro em uma avaliação topográfica precisa e objetiva, crucial para monitorar doenças neurodegenerativas e reabilitação.
• Escalabilidade: A arquitetura de processamento em lote permite a análise de grandes bancos de dados clínicos em minutos, facilitando estudos de larga escala e a criação de biomarcadores digitais robustos.
• Transparência: Ao ser um software de código aberto (disponível no repositório do projeto) com fluxos de trabalho reprodutíveis, promove a transparência e a adaptação na pesquisa em biomecânica e reabilitação.

Em resumo, o tugturn.py preenche a lacuna crítica entre o rastreamento de vídeo bruto e os endpoints biomecânicos robustos, oferecendo uma ferramenta prática, reprodutível e clinicamente relevante para a análise 3D sem marcadores do teste TUG.