AI-Powered Smart Physiotherapy Assistant

Resumo Técnico: Assistente de Fisioterapia Inteligente Baseado em IA

Declaração do Problema
A fisioterapia é fundamental para a reabilitação após lesões, cirurgias e dores musculoesqueléticas crônicas; no entanto, sua eficácia depende fortemente da capacidade do paciente de executar os exercícios com postura e forma precisas. A fisioterapia convencional depende do monitoramento constante e presencial por terapeutas treinados, criando barreções significativas relacionadas ao tempo, distância e custo econômico. Consequentemente, pacientes que realizam exercícios em casa muitas vezes carecem de supervisão especializada, levando a posturas incorretas, resultados de recuperação ruins ou o risco de novas lesões. A escassez de fisioterapeutas e o aumento dos custos de saúde exacerbam ainda mais essas limitações, necessitando de uma solução escalável, acessível e de baixo custo para monitoramento e orientação remotos.

Metodologia
O sistema proposto é um assistente de IA baseado na web projetado para realizar análise e correção de postura em tempo real usando visão computacional e aprendizado de máquina. A metodologia segue um fluxo de trabalho estruturado:

1. Processamento de Dados de Referência: O sistema utiliza um vídeo de referência de "padrão ouro" demonstrando a execução correta de um exercício específico (ex: Agachamentos, Posição do Guerreiro). Este vídeo é processado quadro a quadro para extrair um conjunto de dados de coordenadas 2D representando marcos corporais fundamentais (articulações). Estas poses extraídas servem como o benchmark de verdade fundamental (ground truth).
2. Aquisição de Dados em Tempo Real: O sistema ativa o feed da webcam do usuário para capturar vídeo ao vivo. Primeiro, ele detecta a presença de um usuário no quadro; se nenhum usuário for detectado, solicita que o usuário se posicione à frente da tela para conservar recursos.
3. Estimativa de Pose e Extração de Marcos: Utilizando o modelo MediaPipe Pose, o sistema extrai pontos-chave esqueléticos tanto do vídeo de referência quanto do fluxo ao vivo do usuário. Ele identifica 1mente 17 principais articulações do corpo (incluindo ombros, cotovelos, quadris, joelhos, tornozelos e pulsos). Estes marcos são convertidos em coordenadas numéricas para calcular ângulos articulares, orientação corporal e alinhamento de membros. As coordenadas são normalizadas em relação à resolução do quadro para garantir a independência de escala entre diferentes distâncias de câmera e tamanhos corporais.
4. Análise Comparativa de Postura: O sistema realiza uma comparação numérica entre os marcos ao vivo do usuário e o benchmark de referência usando a biblioteca NumPy. Ele calcula ângulos entre articulações principais e as distâncias relativas entre marcos não adjacentes. Esta análise roda continuamente para derivar uma pontuação de similaridade em tempo real e identificar articulações desalinhadas específicas.
5. Feedback e Gestão de Sessão: Ao detectar uma postura incorreta, o sistema gera feedback corretivo imediato através de uma interface web construída com Flask e React. O feedback é fornecido visualmente (destacando segmentos do corpo) ou de forma auditiva, oferecendo sugestões específicas de ajuste em vez de comentários genéricos. O sistema gerencia o fluxo da sessão, rastreando o número de rodadas e repetições, e permite a pausa manual ou terminação.
6. Implementação do Modelo: O backend utiliza Python e TensorFlow. O conjunto de dados consiste em vetores de características achatados contendo as coordenadas x e y de todos os pontos-chave. Os dados são divididos em 90:10 para treinamento e teste. Uma rede neural feed-forward com múltiplas camadas densas, ativação ReLU e regularização de dropout é empregada para evitar o sobreajuste (overfitting). O modelo é treinado usando o otimizador Adam e a função de perda de entropia cruzada binária (binary cross-entropy).

Principais Contribuições

• Correção em Tempo Real: O sistema fornece feedback imediato e acionável aos usuários, mimetizando a orientação de um personal trainer sem exigir presença física.
• Robustez ao Ambiente: Ao basear-se na extração de pontos-chave de pose em vez da análise de imagem bruta, o sistema minimiza a dependência de condições de fundo e iluminação, tornando-o robusto para diversos ambientes.
• Rastreamento de Desempenho: O sistema gera automaticamente relatórios de desempenho ao final de cada sessão, detalhando o total de repetições, porcentagens de precisão da postura, erros comuns e tempo decorrido. Isso facilita o acompanhamento de progresso a longo prazo e a melhoria da técnica.
• Escalabilidade: A solução permite a reabilitação no próprio ritmo e o monitoramento remoto, abordando a escassez de fisioterapeutas e reduzindo a necessidade de visitas frequentes a clínicas.

Resultos
O sistema foi avaliado com base em sua capacidade de distinguir entre posturas de exercícios corretas e incorretas. O modelo de Rede Neural proposto foi comparado com quatro outras abordagens de classificação: Floresta Aleatória (Random Forest), Regressão Logística, K-Vizinhos Mais Próximos (KNN) e Árvore de Decisão.

• Acurácia: A proposta de Rede Neural alcançou a maior acurácia de 96%.
• Desempenho Comparativo:
  • Floresta Aleatória: 90%
  • Regressão Logística: 89%
  • K-Vizinhos Mais Próximos (KNN): 87%
  • Árvore de Decisão: 84%
• Análise: A performance superior da Rede Neural é atribuída à sua capacidade de aprender padrões não lineares de articulação necessários para a avaliação de postura no mundo real e suas capacidades de generalização através de variadas formas corporais e estilos de movimento. A melhoria de um índice anteriormente relatado de 90% para 96% foi alcançada através da normalização das coordenadas dos pontos-chave e da adição de camadas densas ocultas com regularização de dropout.

Significância e Alegações
O artigo afirma que este framework impulsionado por IA representa um avanço significativo para tornar a fisioterapia inteligente, acessível e econômica. Ao permitir que os usuários mantenham a forma adequada sem supervisão profissional constante, o sistema visa prevenir lesões e aumentar a eficácia de treinos realizados em casa ou na academia. Os autores sustentam que esta solução pode servir como um divisor de águas nas práticas de reabilitação clínica, particularmente para iniciantes que não podem pagar por supervisão especializada. O estudo enfatiza que, embora o sistema utilize atualmente demonstrações laboratoriais simuladas e vídeos de referência públicos (sem a realização de ensaios clínicos humanos reais), ele demonstra o potencial de transformar a prestação de serviços em ambientes de saúde modernos ao digitalizar registros e permitir acompanhamentos remotos. Um trabalho futuro é proposto para expandir as categorias de exercícios, integrar entradas de câmera de múltiplos ângulos e adaptar o sistema para dispositivos móveis e vestíveis (wearables).