???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tedebc.ufma.br/jspui/handle/tede/tede/2571
Full metadata record
DC FieldValueLanguage
dc.creatorSANTOS, Moisés Rocha dos-
dc.creator.Latteshttp://lattes.cnpq.br/9081434270251769por
dc.contributor.advisor1ALMEIDA NETO, Areolino de-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8041675571955870por
dc.contributor.referee1ALMEIDA NETO, Areolino de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8041675571955870por
dc.contributor.referee2RIBEIRO, Paulo Rogério de Almeida-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0035213619257246por
dc.contributor.referee3BARRADAS FILHO, Alex Oliveira-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/4766794669249883por
dc.contributor.referee4BRASIL, Fabrício Lima-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/5066712308449764por
dc.date.accessioned2019-03-19T17:51:52Z-
dc.date.issued2019-02-11-
dc.identifier.citationSANTOS, Moisés Rocha dos. Modelos de predição aplicados ao aprendizado motor. 2019. 65 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação / CCET) - Universidade Federal do Maranhão, São Luís.por
dc.identifier.urihttps://tedebc.ufma.br/jspui/handle/tede/tede/2571-
dc.description.resumoO presente trabalho tem como objetivo propor uma abordagem para estimar a quantidade de sessões necessárias para aprender uma tarefa motora. As atividades motoras são a principal forma de interagir com o mundo que nos rodeia. Portanto, a perda da capacidade de realizar algumas dessas atividades, como resultado de uma doença neurológica, é um dano grave ao indivíduo. Na literatura, há muitos trabalhos sobre aprendizado motor, em sua maioria buscando formas de diminuir o tempo de aquisição de habilidade ou reabilitação motora. Entretanto, poucos trabalhos concentram-se em tentar estimar o tempo de treinamento necessário para adquirir determinado desempenho motor. Desta forma, a metodologia empregada nesta pesquisa consistiu na revisão de literatura de aquisição de habilidade motora, bem como na montagem da configuração inicial de uma plataforma de treinamento, aplicação de um experimento piloto com três participantes e um experimento final com oito participantes. No experimento piloto, uma sessão de treinamento de três blocos para cada participante foi realizada e objetivou-se predizer em qual bloco o participante encontrava-se. A partir de três participantes reais, 18 participantes simulados foram gerados, visando a aferir o desempenho do experimento com mais participantes, sendo que se estimou o bloco através do desempenho médio dos participantes. No experimento final, foram realizadas três sessões para cada participante, cujo objetivo era predizer em qual sessão o participante alcançaria determinado erro com base no seu perfil e no seu desempenho inicial. Os modelos de classificação utilizados no experimento final foram: Algoritmo K-Vizinhos mais Próximos, Rede Neural MLP, Árvore de Decisão, Máquina de Suporte Vetorial e Aprendizagem de Máquina Automática (AutoML) com "AutoWeka". Nos resultados do experimento piloto, percebeu-se um aperfeiçoamento motor dos participantes após o treino. Através dos dados do experimento piloto, obtiveram-se os melhores resultados utilizando o algoritmo Árvore de Decisão. Nos resultados do experimento final, foi possível observar o aperfeiçoamento e a consistência motora. Utilizando os dados do experimento final, obtiveram-se os melhores resultados com o AutoML. Assim sendo, o trabalho mostrou a possibilidade de estimação da quantidade de sessões para atingir determinada desempenho utilizando algoritmos de predição. Adicionalmente, ressalta-se a relevância do trabalho, uma vez que este servirá de base para experimentos futuros com mais participantes saudáveis, assim como pessoas com dano motor.por
dc.description.abstractThe present work aims to propose an approach to estimate the number of sessions required to learn a motor task. Motor activities are the main way of interacting with the world. Therefore, loss of ability to perform some of these activities as a result of a neurological disease is a serious injury to the individual. In the literature, there are many works on motor learning, mostly looking for ways to decrease the time of skill acquisition or motor rehabilitation. However, few works concentrate on trying to estimate the training time needed to achieve certain motor performance. The methodology consisted of a review of the state of the art of motor skill acquisition, as well as the initial configuration of a training platform, the application of a pilot experiment with three participants and a final experiment with eight participants. In the pilot experiment, a three-block training session for each participant was performed and it aimed to predict in which block the participant was. From three real participants, 18 simulated participants were generated, in order to measure the performance of the experiment with more participants, and the block was estimated through the average performance of the participants. In the final experiment, three sessions were performed for each participant, whose purpose was to predict in which session the participant would reach a certain error based on their profile and initial performance. The classification models used in the final experiment were: Algorithm K-Neighbors Nearer, Neural Network, Decision Tree, Support Vector Machine and Automatic Machine Learning (AutoML) with "Auto Weka". In the results of the pilot experiment, an improvement of motor skills was observed after the training. Through the data from the pilot experiment, the best results were obtained using the Decision Tree algorithm. In the results of the final experiment, it was possible to observe the motor improvement and the consistency. Using the data from the final experiment, the best results were obtained with AutoML. The work showed the possibility of estimating the number of sessions to achieve a certain performance using prediction algorithms. In addition, the relevance of the work is accentuated, since this will serve as a basis for future experiments with more healthy participants, as well as people with motor damage.eng
dc.description.provenanceSubmitted by Sheila MONTEIRO (sheila.monteiro@ufma.br) on 2019-03-19T17:51:52Z No. of bitstreams: 1 MOISES-SANTOS.pdf: 1187051 bytes, checksum: f41dab9ccb4237fe36a1f418b9df67a3 (MD5)eng
dc.description.provenanceMade available in DSpace on 2019-03-19T17:51:52Z (GMT). No. of bitstreams: 1 MOISES-SANTOS.pdf: 1187051 bytes, checksum: f41dab9ccb4237fe36a1f418b9df67a3 (MD5) Previous issue date: 2019-02-11eng
dc.description.sponsorshipFundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão - FAPEMApor
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Federal do Maranhãopor
dc.publisher.departmentDEPARTAMENTO DE INFORMÁTICA/CCETpor
dc.publisher.countryBrasilpor
dc.publisher.initialsUFMApor
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCETpor
dc.rightsAcesso Abertopor
dc.subjectTarefa de traçadopor
dc.subjectAquisição de habilidade motorapor
dc.subjectModelos de classificaçãopor
dc.subjectTracing askeng
dc.subjectMotor skill learningeng
dc.subjectClassification modelseng
dc.subject.cnpqTeoria da Computaçãopor
dc.subject.cnpqAnálise de Algoritmos e Complexidade de Computaçãopor
dc.subject.cnpqProcessos Perceptuais e Motorespor
dc.titleModelos de predição aplicados ao aprendizado motorpor
dc.title.alternativePrediction models applied to motor learningeng
dc.typeDissertaçãopor
Appears in Collections:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
MOISES-SANTOS.pdfDissertação de Mestrado1,16 MBAdobe PDFDownload/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.