Uma interface computacional configurável para aquisição e segmentação de repetições na reabilitação física e neurofuncional
Resumo
Este artigo descreve como o uso de Visão Computacional pode ser utilizado para a aquisição, organização e segmentação de repetições de movimentos em uma sessão do paciente, proporcionando uma experiência pensada para valorizar o olhar técnico e apoiar os profissionais em Cinesiologia no tratamento de pacientes em reabilitação física e neurofuncional. A proposta não se limita apenas à análise da sessão como um todo, permitindo acompanhar as repetições de forma individualizada e apoiar a compreensão da resposta ao tratamento.Referências
Google AI Edge (2026). Pose landmark detection guide. MediaPipe Solutions. Acesso em: 6 jun. 2026.
Lam, W. W. T., Tang, Y. M., and Fong, K. N. K. (2023). A systematic review of the applications of markerless motion capture (mmc) technology for clinical measurement in rehabilitation. Journal of NeuroEngineering and Rehabilitation, 20(1):57.
Liu, C., Mitarai, S., Suzuki, K., Ueshima, H., Okahashi, S., Kuroda, T., and Yamamoto, G. (2025). Video-based compensatory movement assessment for supporting upper limb rehabilitation evaluation. In Studies in Health Technology and Informatics, volume 329, pages 1044–1048.
Miguel, G. R. (2024). Uma combinação da visão computacional e inteligência artificial para analisar movimentos em apoio à reabilitação de pacientes pós acidente vascular cerebral.
Mu, P., Dai, M., and Ma, X. (2021). Application of artificial intelligence in rehabilitation assessment. Journal of Physics: Conference Series, 1802(3):032057.
OpenCV (2026). Opencv documentation. Acesso em: 6 jun. 2026.
Sakoe, H. and Chiba, S. (1978). Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 26(1):43–49.
Stenum, J., Hsu, M. M., Pantelyat, A. Y., and Roemmich, R. T. (2024). Clinical gait analysis using video-based pose estimation: Multiple perspectives, clinical populations, and measuring change. PLOS Digital Health, 3(3):e0000467.
Tsai, M.-F. and Huang, S.-H. (2022). Enhancing accuracy of human action recognition system using skeleton point correction method. Multimedia Tools and Applications, 81.
Ullah, R., Asghar, I., Nawaz, R., Stacey, C., Akbar, S., and Bishop, P. (2025). A real time action scoring system for movement analysis and feedback in physical therapy using human pose estimation. Scientific Reports, 15(1):44784.
Wagh, V., Scott, M. W., Andrushko, J. W., Jones, C. B., Larssen, B. C., Boyd, L. A., and Kraeutner, S. N. (2025). Using mediapipe to track upper-limb reaching movements after stroke: a proof-of-principle study. Journal of NeuroEngineering and Rehabilitation, 22:268.
Lam, W. W. T., Tang, Y. M., and Fong, K. N. K. (2023). A systematic review of the applications of markerless motion capture (mmc) technology for clinical measurement in rehabilitation. Journal of NeuroEngineering and Rehabilitation, 20(1):57.
Liu, C., Mitarai, S., Suzuki, K., Ueshima, H., Okahashi, S., Kuroda, T., and Yamamoto, G. (2025). Video-based compensatory movement assessment for supporting upper limb rehabilitation evaluation. In Studies in Health Technology and Informatics, volume 329, pages 1044–1048.
Miguel, G. R. (2024). Uma combinação da visão computacional e inteligência artificial para analisar movimentos em apoio à reabilitação de pacientes pós acidente vascular cerebral.
Mu, P., Dai, M., and Ma, X. (2021). Application of artificial intelligence in rehabilitation assessment. Journal of Physics: Conference Series, 1802(3):032057.
OpenCV (2026). Opencv documentation. Acesso em: 6 jun. 2026.
Sakoe, H. and Chiba, S. (1978). Dynamic programming algorithm optimization for spoken word recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 26(1):43–49.
Stenum, J., Hsu, M. M., Pantelyat, A. Y., and Roemmich, R. T. (2024). Clinical gait analysis using video-based pose estimation: Multiple perspectives, clinical populations, and measuring change. PLOS Digital Health, 3(3):e0000467.
Tsai, M.-F. and Huang, S.-H. (2022). Enhancing accuracy of human action recognition system using skeleton point correction method. Multimedia Tools and Applications, 81.
Ullah, R., Asghar, I., Nawaz, R., Stacey, C., Akbar, S., and Bishop, P. (2025). A real time action scoring system for movement analysis and feedback in physical therapy using human pose estimation. Scientific Reports, 15(1):44784.
Wagh, V., Scott, M. W., Andrushko, J. W., Jones, C. B., Larssen, B. C., Boyd, L. A., and Kraeutner, S. N. (2025). Using mediapipe to track upper-limb reaching movements after stroke: a proof-of-principle study. Journal of NeuroEngineering and Rehabilitation, 22:268.
Publicado
15/06/2026
Como Citar
BATISTA, Maicon Monttozo; FERREIRA, José Remo B.; BRANDÃO, Alexandre Fonseca.
Uma interface computacional configurável para aquisição e segmentação de repetições na reabilitação física e neurofuncional. In: ESCOLA REGIONAL DE INFORMÁTICA DO TRIÂNGULO MINEIRO (ERI-TM), 1. , 2026, Uberlândia/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 11-15.
DOI: https://doi.org/10.5753/eritm.2026.26507.
