Escolar Documentos
Profissional Documentos
Cultura Documentos
POLITCNICA DE
PERNAMBUCO
Engenharia de Computao
i
ESCOLA
POLITCNICA DE
PERNAMBUCO
ii
ESCOLA
POLITCNICA DE
PERNAMBUCO
iii
ESCOLA
POLITCNICA DE
PERNAMBUCO
Agradecimentos
Aos meus pais, Cleonice Diogo Alves e Marcos Diogo Ramos, pelo
incentivo irrestrito, por serem meu porto seguro, por toda a educao e por todo o
amor. Aos meus irmos Tamires Diogo Alves e Marcos Antnio Diogo Alves.
Por fim, agradeo a todos os meus professores pela boa formao que
recebi.
iv
ESCOLA
POLITCNICA DE
PERNAMBUCO
Resumo
O atletismo brasileiro vem crescendo de forma significativa nos ltimos
anos, conquistando, assim, posies no ranking mundial. O aumento na
intensidade do treinamento dos atletas foi fator relevante para esse feito. Como
conseqncia do aumento da demanda de exerccios cada vez mais modernos e
competitivos, houve um crescimento no risco do aparecimento de leses, o que
motivo de apreenso para atletas e treinadores, pois interrompem o processo
evolutivo do treinamento. Muitos so os fatores que podem contribuir para o
surgimento de tais leses, e saber qual a relevncia de cada um deles de
grande importncia para os profissionais ligados ao esporte, pois sabendo os
mecanismos principais do lesionamento possvel tomar medidas preventivas.
Na rea de sade, mtodos estatsticos tradicionais so comumente usados no
estudo dos mais diversos casos, porm vale ressaltar que tais mtodos detectam
apenas caractersticas lineares dos dados. Como o mundo real repleto de
fenmenos no-lineares, torna-se necessria a utilizao de tcnicas que
capturem esta no-linearidade. Para estes casos, as Redes Neurais Artificiais
tm mostrado resultados bastante satisfatrios. Este trabalho tem como objetivo
utilizar algoritmos de seleo de variveis que extraem conhecimento dos pesos
e sensibilidades de uma rede neural para obter a contribuio de cada fator no
surgimento de leses em atletas. Com isso, espera-se encontrar uma alternativa
mais precisa para se entender os mecanismos favorecedores de leses, podendo
dessa forma, ajudar na determinao de medidas preventivas.
v
ESCOLA
POLITCNICA DE
PERNAMBUCO
Abstract
The Brazilian athletics has grown significantly in recent years, by gaining
thus positions in the world ranking. The increased intensity of training of the
athletes was a relevant factor in this achievement. As a result of increased
demand of exercise increasingly modern and competitive, there was a growth of
risk of developing injuries, which worries athletes and coaches, for interrupting the
evolutionary process of training. There are many factors that can contribute to the
appearance of such injuries, and knowing the relevance of each one is very
important to the professionals linked to the sports, because knowing the main
mechanisms of the injury, they can take preventive steps. In the field of Health,
traditional statistical methods are usually used for studing various cases, but it is
noteworthy that such methods only detect linear features of the data. As the real
world is full of non-linear phenomena, it becomes necessary to use techniques
that capture this nonlinearity. For these cases neural networks have shown good
results. This study aims to use variable selection algorithms that extract
knowledge from weights and sensibilities to obtain the contribution of each factor
in the development of injuries in athletes. We expect to find more accurate
alternative to understand the mechanisms that favor injuries and may thus help in
determining preventive steps.
vi
ESCOLA
POLITCNICA DE
PERNAMBUCO
Sumrio
NDICE DE FIGURAS IX
NDICE DE TABELAS XI
1 INTRODUO 13
1.2 Objetivos 14
1.2.1 Objetivo Geral 14
1.2.2 Objetivos Especficos 14
2 REVISO BIBLIOGRFICA 16
2.4 Verificao 29
3 METODOLOGIA 34
vii
ESCOLA
POLITCNICA DE
PERNAMBUCO
4 RESULTADOS 44
REFERNCIAS 59
viii
ESCOLA
POLITCNICA DE
PERNAMBUCO
ndice de Figuras
Figura 1. Ruptura total do ligamento, caracterizando uma entorse de 3 grau. .. 18
Figura 7. Rede MLP com uma camada de entrada, duas intermedirias e uma
de sada .............................................................................................................. 26
Figura 11. Distribuio dos atletas por faixa etria. Oberva-se maior
quantidade de atletas na faixa dos 16 a 18, e no lado a quantidade de atletas
com mais de 25 anos diminui bastante. .............................................................. 42
ix
ESCOLA
POLITCNICA DE
PERNAMBUCO
x
ESCOLA
POLITCNICA DE
PERNAMBUCO
ndice de Tabelas
Tabela 1. Exemplo de valores para os pesos das conexes de uma rede com
3 entradas, trs neurnios intermedirios e uma sada. ...................................... 30
xi
ESCOLA
POLITCNICA DE
PERNAMBUCO
CI Computao Inteligente
LD Leses Desportivas
IC Inteligncia Computacional
xii
ESCOLA
POLITCNICA DE
PERNAMBUCO
1 Introduo
Leite [4] classifica as leses em duas categorias bsicas, sendo elas traumticas
ou por excesso de uso. O mesmo autor ainda descreve trs categorias de mecanismo
13
ESCOLA
POLITCNICA DE
PERNAMBUCO
1.2 Objetivos
14
ESCOLA
POLITCNICA DE
PERNAMBUCO
15
ESCOLA
POLITCNICA DE
PERNAMBUCO
2 Reviso Bibliogrfica
Este captulo descreve todo contedo terico que foi utilizado na tentativa de
resolver o problema descrito no captulo 1. A seo 2.1 aborda alguns conceitos
sobre leses e suas causas. Em seguida, a seo 2.2 discorre sobre RNAs, uma
tcnica de CI que vem mostrando ser uma alternativa mais precisa na predio e
classificao em problemas do mundo real (problemas no lineares). J a seo 2.3
fala sobre validao cruzada, que uma tcnica usada como critrio de parada da
rede. Na seo 2.4 so apresentadas algumas mtricas para avaliar o desempenho
do treinamento da rede. E, por fim, a seo 2.5 traz trs tcnicas de seleo de
variveis, as quais sero o foco deste trabalho.
16
ESCOLA
POLITCNICA DE
PERNAMBUCO
Uma leso caracterizada pela alterao ou deformidade tecidual, que pode atingir
vrios tipos e nveis de tecidos.
17
ESCOLA
POLITCNICA DE
PERNAMBUCO
19
ESCOLA
POLITCNICA DE
PERNAMBUCO
por uma reao de choque e contrachoque; a segunda, e que interessa para fins de
performance humana, conhecida como fase de resistncia, quando o organismo reage
de tal modo a produzir adaptaes para que possa resistir a novas demandas impostas
pelo estmulo; e a terceira conhecida como fase de exausto, quando h saturao da
capacidade de reagir a determinado estmulo [9].
20
ESCOLA
POLITCNICA DE
PERNAMBUCO
21
ESCOLA
POLITCNICA DE
PERNAMBUCO
22
ESCOLA
POLITCNICA DE
PERNAMBUCO
V
1,net 0
y= (2.1)
0,net < 0
n
n
net i = X wij x j @ (2.2)
j=0
n
net i = X wij x j (2.3)
j=0
23
ESCOLA
POLITCNICA DE
PERNAMBUCO
Por possuir sadas com valores discretos, tem dificuldade em trabalhar com
valores que possuam rudos;
Tanto a rede perceptron quanto a ADALINE precisam ser treinadas para que os
pesos de seus neurnios sejam ajustados.
24
ESCOLA
POLITCNICA DE
PERNAMBUCO
` a
y = f net = net (2.4)
` a f
ff
f
ff
f1ffffffffffff
f
y = f net = (2.5)
1 + e@ net
net @ net
` eff
f
af
fff@
f
ff
f
feff
f
f ff
f
fff
ffff
y = f net = net @ net (2.6)
e +e
Para se caracterizar como uma rede MLP, esta deve possuir no mnimo trs camadas,
uma de entrada, uma ou mais camadas intermedirias e uma camada de sada (Figura
7).
25
ESCOLA
POLITCNICA DE
PERNAMBUCO
Figura 7. Rede MLP com uma camada de entrada, duas intermedirias e uma de sada.
O treinamento de uma rede MLP bem mais complexo que o de redes sem
camada intermediria. O algoritmo tradicionalmente utilizado para esse fim conhecido
como backpropagation, que tem esse nome pelo fato de que durante o treinamento h a
propagao e retropropagao do sinal. Sendo assim o backpropagation realizado em
duas fases: a fase Forward (propagao do sinal) e a fase Backward (retropropagao
do sinal).
n
net = X wij x j
2
i (2.7)
j=0
26
ESCOLA
POLITCNICA DE
PERNAMBUCO
b c
y 2 = f 1 net12 (2.8)
b c
ei = d i @ yi (2.9)
b c
j = f. net j X jwij (2.11)
A frmula geral que atribui um novo valor a um determinado peso pode ser vista
na Equao 2.12, onde: wij(novo) o novo valor atribudo ao i-simo peso do neurnio
` a b c b c
wij novo = wij antigo + d o @ yo x j yi y. i (2.12)
27
ESCOLA
POLITCNICA DE
PERNAMBUCO
28
ESCOLA
POLITCNICA DE
PERNAMBUCO
2.4 Verificao
A fase de verificao tem a funo de indicar se o treinamento da rede foi satisfatrio,
ou seja, para avaliar o desempenho do modelo ajustado.
N
1fffff
f
b c2
EMQ = X Z p@ Zo (2.13)
N p=1
H I
1fffff N L
f
M
EMA = J XL M
LZ p @ Z oMK (2.14)
N p=1
H I
L N M
L XL M
LZ p @ Z oMM
L M
1ffff
f f pf
L f
f
=f
f1f
f
ff
ff
ff
f
ff
ff
f
ff
ff
ff
f
ff
ff
ff
M
EPMA = J K (2.15)
N Zo
29
ESCOLA
POLITCNICA DE
PERNAMBUCO
Considere uma rede neural com trs neurnios de entrada, trs neurnios
intermedirios e um neurnio de sada. A tabela 1 mostra os pesos correspondentes a
cada conexo da rede.
Tabela 1. Exemplo de valores para os pesos das conexes de uma rede com 3
entradas, trs neurnios intermedirios e uma sada.
30
ESCOLA
POLITCNICA DE
PERNAMBUCO
(1) Para cada neurnio intermedirio i, o valor absoluto do peso da conexo entre
este neurnio e um de sada multiplicado pelo valor absoluto do peso da conexo
entre o mesmo neurnio escondido e um neurnio de entrada. Este clculo deve ser
feito para todos os j simos neurnios da camada de entrada. Assim para o dado
exemplo os produtos Pij a seguir so obtidos:
(2) Para cada neurnio escondido, divide-se Pij pela soma de todos os Pij para
cada neurnio de entrada, obtendo Qij. Por exemplo, para o neurnio escondido 1, Q11 =
P11/(P11 + P12 + P13). Assim:
(3) Para cada neurnio de entrada, os valores de Qij so somados obtendo-se Sj.
Como exemplo, S1 = Q11 + Q21 + Q31 + Q41
(4) Dividindo-se cada valor de Sj pela soma de todos os valores de Sj, obtemos a
importncia relativa R para cada varivel. Assim, expressando em porcentagem: R(%)
= (S1x100) /(S1 + S2 + S3 + S4)
O algoritmo de Garson modificado por Goh difere do original por no passar pelo
processo (1) mostrado acima. O clculo dos Qij feito sem os produtos dos pesos. Essa
alterao tem dado resultados muito semelhantes aos do algoritmo original, com a
vantagem de eliminar um passo, tornando a execuo mais simples e rpida.
31
ESCOLA
POLITCNICA DE
PERNAMBUCO
Por utilizar os valores absolutos dos pesos das conexes, tanto o algoritmo original de
Garson quanto o de Goh no permitem uma anlise da direo das modificaes
ocorridas na varivel de sada quando ocorre alterao nas variveis de entrada.
simo neurnio da camada de sada; wik. so os pesos das conexes entre a camada
N hid b c N out b c
Sen jL = X wkj f. net k A X wik f. net i A ei (2.16)
k=1 i=1
b c
Na equao 2.17 podemos observar que f. net i A ei a frmula para o clculo
b c N out b c
da sensibilidade i para um neurnio de sada, e que f. net k A X wik f. net i A ei
i=1
32
ESCOLA
POLITCNICA DE
PERNAMBUCO
N hid
N
X Sen 2jL
` a ff
ffLf
ff
=f
ff
1f
ff
f
ff
ff
ff
f
ff
ff
f
ff
ff
ff
cont j % = N inp N
(2.18)
X X Sen jL
j=1 L=1
33
ESCOLA
POLITCNICA DE
PERNAMBUCO
3 Metodologia
Este captulo descreve o processo de desenvolvimento e aplicao das teorias
apresentadas no Captulo 2, em cima do problema que o projeto corrente se props a
resolver. Inicialmente, na Seo 3.1, a implementao e configurao necessria para a
simulao de uma Rede Neural so descritas na sub-seo 3.1.1, enquanto na sub-
seo 3.1.2 abordado o pr-processamento dos dados. A seo 3.2 discorre sobre as
tcnicas de Seleo de Variveis explanadas na seo 2.4. Na seo 3.3 relata as
fases de testes de validao dos algoritmos da RNA MLP e das tcnicas de seleo de
variveis.
34
ESCOLA
POLITCNICA DE
PERNAMBUCO
Nffffout
ff
ff
f +ffffN
f
f f
ff
ff
ff
ff
f
inpff
N hid = (3.1)
2
Na maioria dos casos uma taxa de aprendizado igual a 0,05 rendia bons
resultados no treinamento.
A funo de ativao escolhida foi a sigmoidal logstica (Equao 2.4), pois esta
vem se mostrando ser eficiente para a maioria dos casos de classificao e previso
com Redes MLP.
35
ESCOLA
POLITCNICA DE
PERNAMBUCO
Os pesos das conexes so inicializados por uma funo que gera valores
aleatrios.
Ao se escolher o arquivo de dados este tem seus registros divididos de forma aleatria
para serem utilizados nas fases de execuo da rede, seguindo a distribuio de 50%
para a fase de treinamento, 25% para a fase de validao cruzada e os outros 25%
restantes para a fase de verificao.
` xfff
a f
f @
if
f
ff
ff
f
fxfff
ff
f
ff
minff
f
ff
y = b@a +a (3.2)
x max @ x min
Esta normalizao faz com que todos os atributos fiquem com valores no
intervalo da funo de ativao.
36
ESCOLA
POLITCNICA DE
PERNAMBUCO
Tabela 3. Pequena amostra de dados da base das Espcies-ris. Esta base deve ser
normalizada e passar por um processo de binarizao.
Para testar o algoritmo de Rede MLP com Backpropagation foi utilizada a base de
dados das espcies ris, obtida no repositrio da UCI Machine Learning [21], a qual foi
escolhida por j se ter um conhecimento prvio das caractersticas dessa base.
cada classe. Para que o algoritmo seja considerado com funcionamento adequado
espera-se que a taxa de acerto aps o treinamento seja de no mnimo 97%, sendo esse
o valor obtido pelo algoritmo de Redes Neurais do software Weka [22].
Cada algoritmo de seleo foi submetido a testes. Nesta fase espera-se encontrar o
algoritmo que possa dar melhores resultados de seleo. Os experimentos foram
realizados utilizando-se, primeiramente, equaes e, logo aps, duas bases de dados
obtidas no site da UCI Machine Learning.
Utilizando Equaes.
38
ESCOLA
POLITCNICA DE
PERNAMBUCO
4 2 4 4
x @ 16 x + 5 x
f
f
1fff
ff
ff
ff
ff
ff
ff
ff
f1fff
ff
ff
fx @ 16 + 5 x
f
ff
ff
f1f
ff f
f2f
ff
ff
ff
ff
ff
ff
f2f
f f
ff
ff
ff
ff
ff
ff
2f
ff (3.4)
` a
f x1 , x 2 = +
2 2
h i
f b c2 g b c
(3.5)
` a
f x 1 , x 2 = 1,9 j 1,35 + e x 1 sen o 13 x 1 @ 0,6 e @ x 2 sen o 7 x 4 k
A validao consiste em gerar para cada funo as variveis que fazem parte
desta e variveis que no tm qualquer influncia sobre o resultado da funo. Ou seja,
para o polinmio de Kolmogorov-Gabor, por exemplo, foram gerados 500 valores
aleatrios para as duas variveis pertencentes ao polinmio, calculamos o valor da
funo para cada conjunto de valores e depois geramos outras cinco variveis que no
possuem qualquer influncia sobre o polinmio.
Para as funes em 3.3 e 3.5 foram gerados tambm 500 valores aleatrios para
as duas variveis pertencentes a cada uma destas funes. Procedeu-se o clculo do
valor de cada uma delas para cada conjunto de valores e depois outras variveis no
influentes foram geradas.
39
ESCOLA
POLITCNICA DE
PERNAMBUCO
80 71
59
60
Quantidade 48
Classe 1
40 Classe 2
Classe 3
20
0
Classe
Para cada uma das duas bases foi realizado o treinamento da RNA. Aps essa
fase, cada um dos algoritmos de seleo foi executado. De acordo com os resultados
obtidos, novos treinamentos foram realizados, sendo retirados do conjunto de dados
aqueles atributos que foram considerados menos relevantes pelo algoritmo.
40
ESCOLA
POLITCNICA DE
PERNAMBUCO
60
50
Nmero de Atletas 50 44 43 Velocistas
38 40
40 Fundistas
30 Nad. Borb.
20 Nad. Costas
10 Nad. Peito
0
Categoria
Figura 10. Grfico da distribuio dos Atletas nas cinco categorias pesquisadas.
41
ESCOLA
POLITCNICA DE
PERNAMBUCO
Figura 11. Distribuio dos atletas por faixa etria. Observa-se maior quantidade de atletas na
faixa dos 16 a 18, enquanto que a quantidade de atletas com mais de 25 anos diminui
bastante.
42
ESCOLA
POLITCNICA DE
PERNAMBUCO
43
ESCOLA
POLITCNICA DE
PERNAMBUCO
4 Resultados
Este captulo mostra os resultados obtidos a partir da aplicao da metodologia
explicada no Captulo 3.
Como explanado na seo 3.1, a base utilizada para este teste foi a base das
espcies-ris.
44
ESCOLA
POLITCNICA DE
PERNAMBUCO
O Polinmio Multivariado
Para este caso o melhor resultado de treinamento foi encontrado com uma taxa
de aprendizagem de 0.05, mnimo de 300 e mximo de 900 ciclos. Foram utilizados 5
45
ESCOLA
POLITCNICA DE
PERNAMBUCO
Importncia Relativa(%)
Garson Garson Anlise de
Varivel Original Modificado Sensibilidades
x1 16,71 16,71 35,69
x2 16,51 16,51 30,65
x3 12,83 12,83 12,14
x4 11,21 11,21 9,96
x5 11,48 11,48 10,93
x6 6,68 6,68 0,0041
x7 6,91 6,91 0
x8 7,38 7,38 0,545
x9 6,64 6,64 0,03
x10 3,61 3,61 0,04
(a) (b)
20
40
Importncia
Relativa(%)
15
R e la t iv a ( % )
Im p o rt n c ia
30
10
20
5 10
0 0
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 6 7 8 9 10
Variveis
Variveis
Figura 15. Grficos da seleo de variveis para o polinmio multivariado. (a) Grfico
da importncia para cada varivel obtido com os algoritmos de Garson original e modificado. (b)
Grfico dos valores de importncia obtidos com a anlise de sensibilidades.
46
ESCOLA
POLITCNICA DE
PERNAMBUCO
Importncia Relativa(%)
Garson Garson Anlise de
Variveis Original Modificado Sensibilidades
x1 48,04 48,04 84,86
x2 44,31 44,31 16,00
x3 5,51 5,51 0,00005
x4 2,15 2,15 0,135
47
ESCOLA
POLITCNICA DE
PERNAMBUCO
(a) (b)
60 90
Importncia Relativa(%)
Importncia Relativa(%)
80
50
70
40 60
50
30
40
20 30
20
10
10
0 0
1 2 3 4 1 2 3 4
Varivel Varivel
48
ESCOLA
POLITCNICA DE
PERNAMBUCO
(a) (b)
50,00 100,00
40,00 80,00
Im p o r t n c ia
Im p o r t n c ia
R e la tiv a (% )
R e la tiv a (% )
30,00 60,00
20,00 40,00
10,00 20,00
0,00 0,00
1 2 3 4 5 1 2 3 4 5
Varivel Varivel
Figura 17. Grficos da seleo de variveis para a funo com interao complexa.
(a) Grfico da importncia para cada varivel obtido com os algoritmos de Garson original e
modificado. (b) Grfico dos valores de importncia obtidos com a anlise de sensibilidades.
Na seo 4.1 foi visto que o melhor resultado de treinamento para esta base foi
de 98,5%.
49
ESCOLA
POLITCNICA DE
PERNAMBUCO
40
35
Importncia Relativa(%)
30
sepallength
25
sepalwidth
20
petallength
15
petalwidth
10
5
0
Atributos
50
ESCOLA
POLITCNICA DE
PERNAMBUCO
60
Importncia Relativa(%)
50
40 sepallength
sepalwidth
30
petallength
20 petalwidth
10
0
Atributos
O melhor resultado obtido para a base sem o atributo sepallength tambm foi
igual a 95%. A taxa de aprendizagem utilizada foi de 0.05; mnimo de 350 e mximo de
900 ciclos; 4 neurnios na camada escondida. O treinamento foi interrompido no 367
ciclo.
O melhor resultado de treinamento foi de 89% de taxa de acerto, para uma taxa
de aprendizado de 0.06, mnimo de 400 ciclos e mximo de 900. Foram utilizados 7
neurnios na camada escondida, quantidade resultante a equao 3.1.
51
ESCOLA
POLITCNICA DE
PERNAMBUCO
Importncia Relativa(%)
Garson Anlise de
Atributos Modificado Sensibilidades
Malic_acid 6,97 1,88
Flavonoids 7,90 0,30
Nonflavonoid_phenols 2,93 6,00
Ash 7,19 14,22
Proline 10,72 38,28
Alcalinity_of_ash 6,48 2,41
Magnesium 3,94 0,13
Alcohol 10,39 25,01
Total_phenols 6,37 0,24
OD 10,82 0,37
Proanthocyanins 5,63 3,13
Color_Intensity 11,29 7,99
Hue 9,37 0
Malic_acid
12,00
Flavanoids
10,00 Nonflavanoid_phenols
Importncia Relativa(%)
Ash
8,00 Proline
Alcalinity_of_ash
6,00
Magnesium
4,00 Alcohol
Total_phenols
2,00
OD
0,00 Proanthocyanins
Color_intensity
Atibutos
Hue
52
ESCOLA
POLITCNICA DE
PERNAMBUCO
Malic_acid
45
Flavanoids
40
Nonflavanoid_phenols
Importncia Relativa(%) 35 Ash
30 Proline
25 Alcalinity_of_ash
20 Magnesium
15 Alcohol
10 Total_phenols
5 OD
0 Proanthocyanins
Color_intensity
Atributos
Hue
2. Nos testes com as equaes, este algoritmo mostrou ser melhor em destacar as
variveis realmente importantes para cada equao.
Por ser um problema de certa complexidade, uma base de dados com uma
significativa quantidade de registros seria o ideal para se obter uma taxa de acerto
satisfatria. Porm, para este caso h uma grande dificuldade em se conseguir dados
em boa quantidade e que estejam disponveis para experimentos. Segundo Pastre, as
investigaes sobre leses nos esportes encontram grandes dificuldades devido a
aspectos como critrios de catalogao do conceito de leso, a descrio de sua
incidncia, incluso e descrio dos agravos nos protocolos de estudo, bem como a
diversidade dos grupos de desportistas em cada modalidade. Alm disso, no parece
ser considerada importante a percepo do prprio atleta sobre sua leso, o que de fato
poderia auxiliar em futuros processos de preveno.
54
ESCOLA
POLITCNICA DE
PERNAMBUCO
40
35 Idade
Importncia relativa(%)
30 Sexo
Peso
25
Estatura
20
IMC
15
T. Prtica
10
Modalidade
5
Horas
0 Frequncia de Ocorr.
Fatores
55
ESCOLA
POLITCNICA DE
PERNAMBUCO
Para tanto, uma RNA MLP treinada com o algoritmo Backpropagation foi
implementada e testada utilizando a base de dados das espcies-ris. Logo aps, trs
algoritmos de seleo foram implementados e testados a fim de se encontrar o que
melhor se adequasse ao problema. Estes foram o algoritmo de Garson, o algoritmo de
Garson Modificado e o algoritmo de anlise de sensibilidades.
56
ESCOLA
POLITCNICA DE
PERNAMBUCO
57
ESCOLA
POLITCNICA DE
PERNAMBUCO
O atributo Estatura teve maior importncia que Peso e IMC, porm menor
importncia que Sexo e Idade.
A maior dificuldade encontrada para dar incio realizao deste trabalho foi a
obteno dos dados dos atletas. E aps a obteno dos dados, durante os
experimentos, a atividade que mais demandou tempo foi a de implementao, devido a
correes que foram necessrias. Porm com todas as dificuldades, o aprendizado foi
bastante proveitoso.
58
ESCOLA
POLITCNICA DE
PERNAMBUCO
Referncias
[1] SOARES, S. T. M. Relao entre tcnicas e leses em praticantes de jud.
Rev Bras. Med. Esporte, v.12,n.1, Niteri jan./fev. 2006.
[2] Rose, G.; Tadiello F. F.; Rose Jr, D. Leses esportivas: um estudo com
atletas do basquetebol brasileiro. Efdeports. Ano 10, n.94, Buenos Aires, mar.
2006.
[3] Pastre CM, Filho GC, Monteiro HL, Jnior JN, Padovani CR. Leses
desportivas na elite do atletismo brasileiro: estudo a partir de morbidade
referida. Rev Bras Med Esporte. 2005;11:43-7.
[5] Kettunen J.A., Kujala U.M., Kaprio J., Koskenvuo M., Sarna S. Lower-limb
function among former elite male athletes. Am J Sports Med 2001;29:2-8.
[6] Flegel MJ, Sport first aid. Updated ed. Champaign: Human Kinetics, 1997.
[7] http://www.saudenarede.com.br/?p=av&id=ENTENDENDO_AS_LESOES
[9] Hernandes Jr, BDO. Treinamento desportivo. Rio de Janeiro: Sprint, 2002
[10] Sharkey BJ. Condicionamento fsico e sade. Porto Alegre: Artmed, 1998.
[13] Watson AWS. Sports injuries, incidence, causes, prevention. Rev Fisiot USP
1997;4:16-7.
59
ESCOLA
POLITCNICA DE
PERNAMBUCO
[15] Mcculloch,W. S.; Pitts,W. A logical calulus of the ideas immanent in nervous
activity. Bulletin os Mathematical Biophisics, p. 115 - 133, 1943.
[16] Garson, G.D., 1991. Interpreting neural network connection weights. Artificial
Intelligence Expert 6, 47- 51.
[18] MASTRORILLO, S.; LEK, S.; DAUBA, F.; BELAND, A.(1997). The use
of artificial neural networks to predict the presence of small-bodied fish in a
river. Fresh. Biol. 38, 237246.
[21] http://archive.ics.uci.edu/ml/datasets/
[22] http://www.cs.waikato.ac.nz/ml/weka/
[23] Pastre et al. Leses desportivas na elite do atletismo brasileiro: estudo a partir
de morbidade referida. Ver Brs Med Esporte 2005;11: 43-47.
[24] http://www.who.int/topics/obesity/es/
[25] Hootman JM, Macera CA, Ainsworth BE, Martin M, Addy CL, Blair SN.
Association among physical activity level, cardiorespiratory fitness, and risk of
musculoskeletal injury. Am J Epidemiol. 2001;154(3):251-8
60
ESCOLA
POLITCNICA DE
PERNAMBUCO
[26] Hino AAF, Reis RS, Rodriguez-Aez CR,R, Fermino RC. Prevalncia de
Leses em corredores de rua e Fatores Associados. Rev Bras Med Esporte
Vol. 15, No 1 Jan/Fev, 2009.
61