Modelos de Regressão Aplicados ao Aprendizado Motor

Abstract

Este trabalho tem como objetivo utilizar algoritmos de regressão para prever o erro de um bloco em uma tarefa de aprendizado motor. Existe uma lacuna na literatura em relação aos estudos de regressão aplicados ao aprendizado motor. O uso de modelos preditivos fornece informações valiosas sobre atividades motoras, estimando o potencial de melhoria com base em dados iniciais e avaliando o desempenho, facilitando assim o processo de aprendizado de habilidades motoras. O estudo explora conceitos de regressão aplicados ao aprendizado motor, incluindo Regressão por Perceptron de Múltiplas Camadas (Regressão MLP), Máquina de Vetores de Suporte (SVR) e Regressão Linear (LR). A metodologia descreve o experimento de aprendizado motor, aquisição de dados e análise de resultados. Para avaliar a precisão dos modelos preditivos utilizou-se Erro Absoluto Médio (MAE), Erro Médio Quadrático (MSE), Coeficiente de Determinação (R2) e Erro Percentual foram empregadas como métricas. Os resultados demonstram valores satisfatórios para as métricas usadas (MAE, MSE, R2, Diferença Percentual Máxima e Diferença Percentual Mínima) para todos os modelos (SVR, LR e Regressão MLP). Em conclusão, os modelos de regressão se mostraram precisos para prever o desempenho do aprendizado motor, contribuindo para uma melhor compreensão do processo de aprendizagem e auxiliando no desenvolvimento de estratégias de treinamento personalizadas. Os resultados sugerem que os modelos de regressão podem ser ferramentas poderosas para estimar e otimizar o desempenho de aprendizagem em aquisição de habilidades motoras.