Abordagem de máquina de aprendizado extremo aplicada à biomecânica da natação
Marcos Cesar Gritti1; Rafael Commim Busatto2; Leandro dos Santos Coelho2
1 Universidade Federal do Paraná; 2 Pontifícia Universidade Católica do Paraná
doi:10.20906/CPS/CON-2016-1619
Resumo
A análise biomecânica aplicada à natação competitiva é uma área de pesquisa emergente, onde abordagens estatísticas em união com campos da computação natural têm sido adotadas para a obtenção de modelos aptos a capturar as dinâmicas complexas dos atletas, de modo a servir como base em pesquisa ou até mesmo como indicadores de desempenho. Neste âmbito, destacam-se as Redes Neurais Artificiais (RNAs), que vêm mostrando, nas ultimas décadas, resultados atrativos para uma vasta gama de problemas. Este trabalho tem como objetivo empregar a utilização de uma abordagem de RNA, conhecida por Máquina de Aprendizado Extremo, do inglês Extreme Learning Machine (ELM), na obtenção de um modelo caixa preta apto a representar as dinâmicas de um atleta através de dados experimentalmente coletados. Como a ELM possui pesos sinápticos e polarizações determinados de forma aleatória, utiliza-se o algoritmo estocástico, pertencente ao grupo de algoritmos de inteligencia de enxames, denominado Otimização por Enxame de Partículas (Particles Swarm Optimization, PSO), de forma a otimizar os parâmetros de entrada da rede. Em parelelo, a eficiencia do PSO é comparada a um algoritmo de busca cooperativa conhecido como Algoritmo de Migração Auto Organizavel (Self Organizing Migrating Algorithm, SOMA). Os resultados mostram que ambas as metaheurísticas, empregadas na otimização dos parametros da ELM, apresentam resultados promissores. Conforme indicado pelo Erro Médio Quadrático e pelo critério de determinação R2, o método ELM-SOMA, para o âmbito da biomecânica, mostra-se mais atrativo do que o ELM-PSO por obter, em geral, modelos de melhor qualidade. Em contrapartida, se a margem de erro não é estreita, o ELM-PSO é apto a obter resultados aceitáveis com baixo custo computacional.
Palavras-chave: Algoritmo de migração auto-organizável ; Biomecânica; Máquina de aprendizado extremo; otimização por enxame de partículas