Search

OBJETIVOS: Avaliar se os ângulos de amplitude da flexão e abdução de ombro, nos movimentos realizados durante uma simulação da tarefa do corte de cana-de-açúcar, ultrapassam os limites considerados seguros. MÉTODOS: Foram realizadas simulações controladas não randomizadas do movimento do corte de cana-de-açúcar em voluntários recrutados entre estudantes universitários. Os critérios de inclusão foram (a) sexo masculino; (b) idade entre 21 e 40 anos; (c) destro; (d) sem alterações ortopédicas e/ou neurológicas; (e) características físicas e histórico de atividades laborais semelhantes às dos cortadores de cana; (f) atividade física aeróbica pelo menos três vezes por semana nos últimos seis meses. Os critérios de exclusão foram (a) presença de dor durante os testes; e (b) incapacidade de realizar o movimento. O estudo foi realizado no laboratório de biomecânica ocupacional do Núcleo de Estudo e Pesquisa em Ergonomia da Faculdade de Ciências e Tecnologia da Universidade Estadual Paulista. Os dados cinemáticos foram coletados pelo Sistema de Análise de Movimento Tridimensional Vicon®. As aberturas em flexão e abdução do ombro direito foram medidas e classificadas. Os parâmetros utilizados para avaliar os resultados tiveram como referência o documento do Ministério da Saúde que sintetiza os limites seguros de amplitude desses movimentos RESULTADOS: Foram avaliados 10 sujeitos, com média de idade de 24,5±4,78 anos. Foram analisadas 39 coletas obtidas com repetições dos movimentos durante um período médio de 30 segundos. O ângulo de abertura do ombro em flexão permaneceu acima de 30 graus por 98,18% do tempo de execução da tarefa, acima de 45 graus por 88,84%, acima de 60 graus por 42,19% e acima de 90 graus por 7,72% do tempo. O ângulo de abdução permaneceu acima de 60 graus por 100% e acima de 90 graus por 57,59% do tempo. Nos picos de amplitude de movimento observaram-se aberturas em abdução com ângulos superiores a 100 graus. CONCLUSÕES: Durante a maior parte do tempo dos experimentos que simularam o movimento de corte de cana-de-açúcar, os ângulos de flexão e abdução do ombro estiveram acima dos considerados seguros, indicando que a atividade realizada por cortadores de cana-de-açúcar possui um forte potencial para causar danos à articulação dos ombros

Made available in DSpace on 2016-07-18T17:46:20Z (GMT). No. of bitstreams: 1 Ronaldo Oikawa.pdf: 3711757 bytes, checksum: 5d13d9ef8b2d092d0bb1a6fe62a73248 (MD5) Previous issue date: 2015-03-16 The Artificial Neural Networks are nonlinear mathematical models that resemble the human brain, and this ability to learn was applied to recognize the rain patterns in the city of Presidente Prudente, located in the region of Pontal do Paranapanema. Through these calculations, it was possible to indicate another way to rain forecast. This study used two algorithms with supervised learning, the first one the Multiple Layer Network Propagation, with 23 neurons and with one, two and three hidden layers, and the second one the Support Vector Machine (SVM) with polynomial, radial basis function and hyper tangent cores. The set analyzed covers the period from January 1996 to May 2012, collected from Weather Forecast Center and Climate Studies (CPTEC). The results showed that the atmospheric pressure, wind direction, minimum temperature and air relative humidity were the parameters more related with the rain precipitation. The SVM model with base radial function core, using sigma=0.1, showed the best results with Kappa coefficient, equal to 0.675 for first test group, equal to 0.746 to the second test group 0.746 and equal to 0.826 for the third test group. These results demonstrate the data set robustness and allowed achieve high accuracy rate in recognition of rain precipitation. As Redes Neurais Artificiais são modelos matemáticos não lineares que se assemelham ao cérebro humano, e esta capacidade de aprender foi aplicada no reconhecimento de padrões da chuva na cidade de Presidente Prudente, localizada na região do Pontal do Paranapanema. Através desses cálculos foi possível indicar uma forma alternativa de se reconhecer o padrão da precipitação da chuva. O presente trabalho utilizou dois algoritmos com aprendizagem supervisionada, sendo o primeiro a Rede de Múltipla Camada de Retro Propagação, com 23 neurônios e com uma, duas e três camadas ocultas, já o segundo, a Máquina de Vetor de Suporte (SVM) utilizou o núcleo polinomial, função de base radial e hiper tangente. O conjunto de dados analisados compreende o período de Janeiro de 1996 até Maio de 2012, sendo obtidos do Centro de Previsão de Tempo e Estudos Climáticos (CPTEC). Os resultados demonstraram que a pressão atmosférica, direção do vento, temperatura mínima e umidade relativa do ar são os parâmetros que estão mais relacionados à precipitação da chuva. O modelo SVM, com núcleo função de base radial, utilizando o parâmetro sigma=0,1 obteve os melhores resultados, apresentando o coeficiente Kappa (resposta), igual a 0,675 para o grupo de teste um, 0,746 para o grupo de teste dois e 0,826 para o grupo de teste três. Estes resultados demonstram a robustez do conjunto de dados e permitiram atingir altos índices de acerto no reconhecimento da precipitação da chuva.