Voltar
Artigo Acesso aberto Produção Nacional
BIBTEX RIS

ESTABELECENDO REGRAS POR MEIO DE MACHINE LEARNING PARA MODULAÇÃO DE PREVISÕES DE AFETO E ESFORÇO

2024; UNIVERSIDADE CATÓLICA DE BRASÍLIA; Volume: 31; Issue: 1 Linguagem: Português

10.31501/rbcm.v31i1.12729

ISSN

2237-9002

Autores

Rodrigo I. Silveira, Raul Prado, Douglas Alves, Luiz Fernando Meireles dos Santos, E. H. dos Santos, Milena Delfim, Marcus Vinicius Pinto, Raul Canestri, Gustavo César Vasconcelos, Paulo Alvarenga, Cayque Brietzke, Ricardo Yukio Asano,

Tópico(s)

Quality and Safety in Healthcare

Resumo

O objetivo do estudo foi identificar por meio de Machine Learning regras para a modulação das previsões de afeto (FS) e percepção subjetiva de esforço (PSE) em relação ao exercício, analisando o grau de importância de diferentes fatores biológicos. Cada participante (n = 34 [52.9% sexo feminino], Idade = 25.4 ± 6) foi submetido a um teste em que precisou prever o quanto sentiria de FS e PSE em relação à um Sprint de 107 metros que estava prestes a realizar. As respectivas respostas foram analisadas através do algorítmo de árvore decisional para estabelecer regras para a modulação da FS e PSE com base nas seguintes características de cada sujeito: percentual de gordura (%G); massa magra (%MM); relação cintura e quadril (RCQ); nível de atividade física autodeclarado (NAF-AUTO); frequência cardíaca em repouso (FCr); sexo e idade. Como resultado, sujeitos insuficientemente ativos previram menor valor de FS (1.5 [1-3]) em comparação com os muito ativos (5 [3-5]) (p < 0.05). As principais regras para os participantes reportarem os mais baixos valores de FS foram ter as seguintes características: %MM ? 48.9, FCr > 73. Os mais altos valores de FS apresentavam %MM > 48.9. Os mais altos valores de PSE apresentavam %G > 16.4, enquanto os mais baixos apresentavam %G ? 16.4. Conclui-se que as regras para o perfil que previu o maior desprazer foi apresentar composição corporal e capacidade cardíaca menos saudáveis, o que previu maior prazer apresentava características opostas. Além disso, um menor nível de atividade física também pode influenciar uma previsão menos prazerosa do exercício. No caso da PSE, existem dois perfis iniciais divididos pelo %G, sendo que o com menor valor previu menor esforço e o perfil com maior %G apresentou maior heterogeneidade nas características.

Referência(s)