Resumo Técnico: Classificar Atividades Diárias Exige Postura, Reconstruí-las Exige Movimento

Definição do Problema

O sistema visual humano reconhece e categoriza movimentos de entradas visuais complexas e ruidosas sem esforço, contudo, permanece incerto qual é a informação específica dentro das configurações corporais de alta dimensão que permite essa classificação rápida. Enquanto a "hipótese da modularidade motora" sugere que os movimentos são construídos a partir de primitivas, e a pesquisa de percepção de movimento biológico debate a importância relativa da forma estática (postura) versus a dinâmica temporal (movimento), nenhum framework computacional comparou sistematicamente diferentes estratégias de decomposição para determinar quais características impulsionam a classificação de atividades versus a reconstrução de movimentos. Além disso, desconhece-se se as características que permitem a discriminação computacional alinham-se com aquelas que suportam a percepção humana, ou se existe uma dissociação entre a informação necessária para identificar uma ação e a informação necessária para gerá-la.

Metodologia

Os autores analisaram 16 atividades diárias do conjunto de dados MoVi, envolvendo 77 participantes e 1.385 ciclos de movimento segmentados. O estudo comparou três estratégias distintas de extração de características aplicadas a posições articulares 3D (16 marcos anatômicos, 48 canais):

1. Primitivas de Movimento Temporal (TMPs): Os movimentos foram decompostos em somas ponderadas de funções de base temporalmente suaves (primitivas) aprendidas sob priors de processo gaussiano. O número de primitivas ($K=5$) e os pontos da grade temporal ($T=35$) foram selecionados via comparação de modelos bayesianos. Este método preserva a identidade da articulação e a estrutura temporal.
2. Coeficientes de Polinômios de Legendre: As trajetórias articulares foram projetadas em uma base polinomial ortogonal. O estudo variou sistematicamente o grau do polinômio ($M$) para isolar as contribuições da postura estática (grau 0) versus a dinâmica temporal (graus 1+).
3. Embeddings Latentes de Autoencoder: Um autoencoder temporal feed-forward foi treinado para comprimir segmentos em um vetor latente de 32 dimensões através de um objetivo de reconstrução, servindo como um baseline de "caixa-preta" orientado por dados, sem suposições estruturais explícitas.

Protocolo de Avaliação:

• Classificação: As características foram inseridas em um classificador Random Forest (selecionado como ideal sobre SVM, MLP e Regressão Logística) para classificar as 16 categorias de atividades. O desempenho foi medido via acurácia, precisão, revocação (recall) e F1-score usando validação cruzada estratificada de 5 dobras.
• Comparação de Modelos: As estratégias foram comparadas usando o Critério de Informação de Akaike (AIC) para equilibrar a qualidade do ajuste contra a dimensionalidade das características.
• Análise de Características: Redução de dimensionalidade (PCA, LDA, t-SNE) foi usada para visualizar os espaços de características. A seleção de características com regularização L1 identificou as articulações anatômicas mais discriminativas. Um experimento de "remoção de postura" (subtração das médias temporais) quantificou a contribuição da configuração estática versus a dinâmica.
• Reconstrução: Dois caminhos avaliaram a fidelidade generativa: (1) inspeção visual de reconstruções médias por categoria, e (2) métricas quantitativas (Variância Explicada - VAF, Erro Médio de Posição Articular - MPJPE e RMSE de velocidade) em segmentos individuais.

Principais Resultados

1. Desempenho de Classificação e Eficiência

• Acurácia: Tanto as TMPs quanto os coeficientes de polinômios de Legendre alcançaram alta acurácia de classificação (96-97%), superando significativamente o autoencoder (89%).
• Características Ótimas: Para os coeficientes de Legendre, o grau ótimo foi $M=0$. Isso indica que a classificação depende inteiramente do coeficiente de grau zero, que representa a postura estática média no tempo do corpo. A adição de dinâmicas temporais de ordem superior não melhorou a acurácia.
• Parsimônia do Modelo: Os coeficientes de Legendre (48 características) apresentaram o menor AIC, indicando que fornecem a descrição mais parcimoniosa dos dados. As TMPs exigiram 240 características para atingir acurácia semelhante, e o autoencoder (32 características) teve desempenho insatisfatório, apesar de sua compacidade.
• Custo Computacional: O ajuste de Legendre foi instantâneo (mínimos quadrados de forma fechada), enquanto as TMPs e os autoencoders exigiram tempo de treinamento significativo.

2. Espaço de Características e Seleção de Articulações

• Dominância da Postura: Remover a média temporal (postura) dos dados causou uma queda substancial na acurácia de classificação, confirmando que a configuração corporal estática é a característica discriminativa dominante.
• Articulações Discriminativas: A seleção por regularização L1 nos pesos das TMPs identificou 9 articulações específicas (Pulsos, Cotovelos, Joelhos, Pescoço, Tornozelos) como portadoras da informação mais discriminativa. Um classificador usando apenas os pesos da primeira primitiva de movimento dessas 9 articulações (27 características) manteve 96% de acurácia.
• Dimensionalidade: Enquanto as TMPs distribuíram a variância de forma difusa (exigindo 69 componentes PCA para 90% da variância), a estrutura discriminativa era de baixa dimensão (7 componentes LDA), sugerindo que grande parte do espaço de características das TMPs contém variação intra-classe não discriminativa.

3. A Dissociação Classificação-Reconstrução

Um achado crítico é a dissociação fundamental entre características adequadas para classificação versus aquelas adequadas para reconstrução:

• Legendre (Apenas Postura): Embora otimizados para classificação, as reconstruções a partir dos coeficientes de grau zero resultaram em posturas estáticas e congeladas, sem dinâmicas temporais. Eles capturaram o "quê", mas não o "como".
• TMPs (Postura + Dinâmica): As TMPs foram a única estratégia capaz de gerar sequências de movimento perceptualmente naturais e reconhecíveis a partir de características médias por categoria. Elas preservaram as dinâmicas temporais (balanço cíclico das pernas, elevação dos braços) e atingiram escores positivos de VAF em todas as atividades.
• Autoencoder: Apesar de ser treinado para reconstrução, o autoencoder falhou em preservar a variância temporal, produzindo saídas planas próximas à média do canal e atingindo escores de VAF catastroficamente negativos.

Significância e Alegações

O artigo afirma revelar uma dissociação em como a informação de movimento é organizada:

1. Configuração Estática é Suficiente para Classificação: O sistema visual (e modelos computacionais) pode classificar rapidamente atividades diárias baseando-se primordialmente na configuração espacial estática de um conjunto compacto de articulações. As dinâmicas temporais são amplamente redundantes para a discriminação grosseira ao nível de categoria.
2. Dinâmicas Temporais são Essenciais para Reconstrução: A geração fiel de movimentos requer a evolução temporal das posições articulares. Estratégias que otimizam para classificação (postura estática) falham na reconstrução, enquanto as que preservam a dinâmica (TMPs) são menos eficientes para a classificação.
3. Implicações Práticas:
   • Clínica/Monitoramento: Para triagem e classificação de atividades, características posturais compactas e interpretáveis (ex: posições médias de 9 articulações chave) são suficientes e computacionalmente eficientes, potencialmente reduzindo a necessidade de rastreamento de corpo inteiro.
   • Geração/Animação: Para aplicações que exigem geração de movimento natural (ex: biofeedback de reabilitação, animação), representações dinâmicas como TMPs são essenciais.
4. Alinhamento Teórico: Estes achados apoiam o debate "forma-versus-movimento" na percepção de movimento biológico, sugerindo uma organização de via dupla onde a forma (postura) impulsiona o reconhecimento rápido de ações, enquanto o movimento (dinâmica) é necessário para perceber a qualidade do movimento e gerar movimento natural.

Os autores concluem que nenhum conjunto de características único serve de forma ótima tanto para classificação quanto para reconstrução, e que a escolha da estratégia deve ser guiada pelo objetivo da aplicação específica.