Um conjunto de dados IMU abrangente para avaliar arranjos de sensores no reconhecimento de atividade e intensidade humana

Por que seu rastreador de fitness se importa com onde ele fica

Relógios de atividade e contadores de passos prometem monitorar tudo, desde sua caminhada diária até o treino na academia. Mas por trás dessas pulseiras elegantes há uma questão de projeto surpreendentemente complexa: onde no corpo devemos colocar os sensores para que eles capturem bem nosso movimento sem nos transformar em robôs cheios de fios? Este estudo apresenta um novo e rico conjunto de dados que ajuda cientistas a responder exatamente isso, mostrando como diferentes disposições de dispositivos vestíveis conseguem detectar o que fazemos e o quão intensamente estamos nos esforçando.

Muitos rastreadores, um grande ponto cego

O reconhecimento de atividade humana é a tecnologia que permite a dispositivos inferir se você está sentado, andando, correndo ou pedalando a partir de dados de movimento. Câmeras também podem fazer isso, mas sensores usados no corpo são melhores para uso de longo prazo, preservando a privacidade em casas, clínicas e na vida cotidiana. No entanto, a maioria dos conjuntos de dados existentes para essa pesquisa coloca apenas alguns sensores em partes selecionadas do corpo — como um telefone no bolso ou uma única pulseira no pulso. Essa visão limitada dificulta o estudo de uma compensação importante: quantos sensores, e onde, são realmente necessários para reconhecer atividades e sua intensidade com precisão, mantendo conforto e praticidade?

Construindo um mapa de movimento de corpo inteiro

Para preencher essa lacuna, os pesquisadores coletaram dados de movimento de 30 adultos jovens saudáveis enquanto realizavam 12 atividades comuns, incluindo deitar, sentar, levantar-se, várias velocidades de caminhada, subir escadas, pedalar, correr, pular e remar. Cada pessoa usou 17 pequenas unidades de movimento distribuídas da cabeça aos pés: na cabeça, parte superior das costas, parte inferior das costas, ombros, braços, pulsos, coxas, canelas e pés. Essas unidades registraram como cada segmento do corpo se moveu nas três dimensões, 60 vezes por segundo, em um sistema de coordenadas global consistente. A equipe também registrou medidas corporais básicas, como altura e comprimentos dos membros, e rotulou cuidadosamente tanto o tipo de atividade quanto seu nível de esforço, do sedentário ao vigoroso, com base em tabelas padrão de gasto energético.

Do movimento bruto a padrões reconhecíveis

Após a coleta, os sinais foram divididos em janelas de tempo curtas e sobrepostas, variando de meio segundo a 10 segundos. Para modelos tradicionais de aprendizado de máquina, a equipe condensou cada janela em conjuntos de características construídas manualmente que descrevem o comportamento dos sinais no domínio do tempo e da frequência, como médias, variabilidade e ritmos dominantes. Em seguida, treinaram quatro modelos amplamente usados — duas abordagens clássicas e duas redes de aprendizado profundo — em duas tarefas: distinguir as 12 atividades e agrupá‑las em quatro níveis de esforço. Todo o treinamento e teste foram realizados de forma por‑sujeito: os dados de cada pessoa apareceram em apenas um papel, garantindo que os modelos realmente aprendessem padrões gerais em vez de memorizar o estilo de movimento de um indivíduo.

O que realmente importa: tempo e posicionamento

Os resultados mostram que, com características escolhidas com atenção, modelos clássicos podem reconhecer atividades com cerca de 96–97% de acurácia e avaliar níveis de esforço ainda mais consistentemente. Modelos de aprendizado profundo treinados diretamente em sinais brutos têm desempenho quase equivalente, especialmente em janelas de tempo mais curtas. Em todas as abordagens, janelas de aproximadamente 2–5 segundos atingem o melhor equilíbrio entre resposta rápida e classificação confiável: longas o suficiente para captar o ritmo de uma caminhada ou remada, mas curtas o bastante para serem úteis em feedback em tempo real. Ao analisar o posicionamento dos sensores, as descobertas são marcantes. Um arranjo focado na parte inferior do corpo — quadris, coxas, canelas e pés — frequentemente iguala ou até supera o desempenho da cobertura de corpo inteiro, particularmente para julgar a intensidade. Uma configuração mínima de três sensores no lombar, coxa e canela ainda ultrapassa 90% de acurácia, enquanto configurações com sensor único, especialmente no pulso, têm desempenho visivelmente inferior.

Projetando vestíveis mais inteligentes e enxutos

Este novo conjunto de dados sugere que mais sensores nem sempre significam melhor: para movimentos cotidianos dominados pelas pernas, um agrupamento compacto e bem escolhido de sensores pode rivalizar com sistemas muito mais complexos. Essa percepção pode orientar o design de futuros dispositivos vestíveis que sejam mais leves, baratos e fáceis de usar, mas ainda capazes de rastrear de forma confiável tanto o que as pessoas fazem quanto o quão intensamente se esforçam. Ao tornar todo o conjunto de dados e o código publicamente disponíveis, os autores fornecem um ambiente de testes para refinar disposições de sensores, explorar novos algoritmos e, eventualmente, estender essas ferramentas a adultos mais velhos, pacientes e cenários do mundo real mais variados.

Citação: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

Palavras-chave: sensores vestíveis, reconhecimento de atividade humana, unidades de medição inercial, posicionamento de sensores, intensidade da atividade física