Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/41397| Título: | Diagnóstico de lesão no ligamento cruzado anterior por vibroartrografia e machine learning |
| Título(s) alternativo(s): | Diagnosis of anterior cruciate ligament injury by vibroarthrography and machine learning |
| Autor(es): | Silva, Paulo Augusto Camargo, Matheus Gomes |
| Orientador(es): | Oroski, Elder |
| Palavras-chave: | Joelhos - Ferimentos e lesões Diagnóstico por imagem Inteligência artificial - Aplicações médicas Aprendizado do computador - Uso em diagnóstico Processamento de sinais - Técnicas digitais Knee - Wounds and injuries Diagnostic imaging Artificial intelligence - Medical applications Machine learning - Diagnostic use Signal processing - Digital technique |
| Data do documento: | 1-Abr-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | SILVA, Paulo Augusto; CAMARGO, Matheus Gomes. Diagnóstico de lesão no ligamento cruzado anterior por vibroartrografia e machine learning. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Controle e Automação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | As lesões no joelho possuem alta incidência em todas as faixas etárias e seu diagnóstico preciso pode representar um desafio clínico, sobretudo nos casos de lesões parciais. Métodos convencionais como exames físicos e exames de imagem, embora amplamente utilizados, podem apresentar limitações relacionadas à sensibilidade, aos custos envolvidos e ao fato de alguns procedimentos serem invasivos. Este trabalho propõe uma abordagem alternativa baseada na vibroartrografia (VAG) associada a técnicas de machine learning (ML) para auxiliar no diagnóstico de lesões no joelho. Foi desenvolvido um sistema de aquisição de dados utilizando um módulo de sensores MEMS — composto por acelerômetro e giroscópio — para captar sinais vibroacústicos durante a realização de um procedimento de exame padronizado da articulação. Os resultados obtidos demonstram o potencial da metodologia como ferramenta não invasiva e de baixo custo para apoio ao diagnóstico clínico. O estudo atingiu acurácia de 100% em determinadas combinações bidimensionais de sensores, considerando uma base de dados com 33 amostras. |
| Abstract: | Knee injuries have a high incidence across all age groups, and their accurate diagnosis can represent a clinical challenge, especially in cases of partial injuries. Conventional methods such as physical examinations and imaging tests, although widely used, may present limitations related to sensitivity, cost, and the invasive nature of some procedures. This work proposes an alternative approach based on vibroarthrography (VAG) combined with machine learning (ML) techniques to support the diagnosis of knee injuries. A data acquisition system was developed using a MEMS sensor module — composed of an accelerometer and a gyroscope — to capture vibroacoustic signals during the execution of a standardized joint examination procedure. The results demonstrate the potential of the methodology as a non-invasive, low-cost tool to support clinical diagnosis. The study achieved 100% accuracy with certain bidimensional sensor combinations, based on a dataset of 33 samples. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/41397 |
| Aparece nas coleções: | CT - Engenharia de Controle e Automação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| diagnosticolesaovibroartrografia.pdf Disponível a partir de 2026-10-07 | 5,14 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
