Visão computacional para auxílio na avaliação das compressões torácicas durante a RCP

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSautter, Rubens Andreas-
Autor(es): dc.contributorSautter, Rubens Andreas-
Autor(es): dc.contributorOliva, Jefferson Tales-
Autor(es): dc.contributorMarin, Luciene de Oliveira-
Autor(es): dc.creatorZankoski, João Pedro Menegas-
Data de aceite: dc.date.accessioned2025-08-29T12:12:58Z-
Data de disponibilização: dc.date.available2025-08-29T12:12:58Z-
Data de envio: dc.date.issued2025-07-23-
Data de envio: dc.date.issued2025-07-23-
Data de envio: dc.date.issued2025-06-24-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37546-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1091144-
Descrição: dc.descriptionCardiovascular diseases remain among the leading causes of mortality in Brazil, underscoring the importance of Cardiopulmonary Resuscitation (CPR) as a critical emergency intervention. In this context, the proper training of both healthcare professionals and laypersons is essential for increasing survival rates. This work proposes the development of a computational tool designed to support the teaching and practical assessment of CPR. The approach is based on the automated analysis of training videos, with the aim of identifying execution errors—particularly those related to chest compression rate. Such analysis enables the generation of objective, systematic feedback, thereby facilitating more precise pedagogical interventions by instructors. Additionally, we seek to implement a classification system capable of accurately distinguishing between correct and incorrect CPR performances. The main challenge of this study is the limited number of available videos, which we address through data augmentation techniques to enhance the proposed model’s generalization and robustness. We expect that the results will contribute to the improvement of CPR teaching–learning processes, with the potential to better prepare individuals for responding to cardiovascular emergencies.To this end, 16 training videos containing both correct and incorrect executions were captured; body keypoints were extracted with MediaPipe and YOLO, converted into time-series data, analysed for periodicity via the Short-Time Fourier Transform (STFT), and subsequently used to train a Long Short-Term Memory (LSTM) network optimised with Optuna. In the final tests, the classifier achieved its best performance with an F1-score of 0.95 using YOLO and 0.91 using MediaPipe, with mean precision and recall values exceeding 0.89.-
Descrição: dc.descriptionAs doenças cardiovasculares permanecem entre as principais causas de mortalidade no Brasil, o que ressalta a relevância da Reanimação Cardiopulmonar (RCP) como intervenção crítica em situações de emergência. Nesse contexto, a capacitação adequada de profissionais e leigos torna-se essencial para o aumento das taxas de sobrevivência. Este trabalho propõe o desenvolvimento de uma ferramenta computacional voltada ao apoio no ensino e na avaliação prática da RCP. A abordagem baseia-se na análise automatizada de vídeos de treinamentos, com o objetivo de identificar falhas na execução do procedimento, em especial no que se refere à frequência das compressões torácicas. Essa análise permite a geração de feedbacks objetivos e sistemáticos, facilitando intervenções pedagógicas mais precisas por parte dos instrutores. Adicionalmente, busca-se implementar um sistema de classificação capaz de distinguir, com acurácia, execuções corretas e incorretas da RCP. O principal desafio deste trabalho é o número limitado de vídeos disponíveis, o que é abordado por meio de técnicas de aumento de dados, visando à generalização e robustez do modelo proposto. Para tanto, foram avaliados 16 vídeos de treinamento com execuções corretas e incorretas, os pontos-chave corporais foram extraídos com MediaPipe e YOLO, transformados em séries temporais, analisados em termos de periodicidade por meio da Short-Time Fourier Transform (STFT) e, em seguida, empregados no treinamento de uma rede Long short-term memory (LSTM) otimizada via Optuna. Nos testes finais o classificador alcançou, no caso de maior sucesso, F1-score de 0,95 via YOLO e 0,91 via MediaPipe, com precisão e recall médios superiores a 0,89. A expectativa é que os resultados obtidos contribuam para a melhoria dos processos de ensino-aprendizagem em RCP, com potencial impacto na formação de indivíduos mais bem preparados para atuar em emergências cardiovasculares.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherEngenharia de Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/-
Palavras-chave: dc.subjectRessuscitação-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectVisão por computador-
Palavras-chave: dc.subjectResuscitation-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleVisão computacional para auxílio na avaliação das compressões torácicas durante a RCP-
Título: dc.titleComputer vision to support the evaluation of chest compressions during CPR-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.