O laboratório que cabe no bolso
O laboratório que cabe no bolso
Pare e pense no smartphone que você carrega todos os dias. Dentro dele, provavelmente há uma câmera capaz de gravar de 120 a 240 quadros por segundo (na função câmera lenta), um acelerômetro triaxial, um giroscópio e um magnetômetro. São os mesmos tipos de sensores que equipam instrumentos de laboratório usados para medir o desempenho de atletas olímpicos. A diferença é que um custa centenas de milhares de reais e o outro já está no seu bolso.
Nos últimos dez anos, pesquisadores de diferentes países demonstraram que esses dispositivos do dia a dia, quando combinados com aplicativos e softwares validados, produzem medidas de desempenho e avaliações clínicas com acurácia comparável à de equipamentos de referência. O resultado é uma mudança profunda na forma como as ciências da saúde (e do esporte) coletam dados: o que antes dependia de um laboratório passou a caber numa mochila. E isso tem uma implicação prática importantíssima: levamos a avaliação do movimento onde ele acontece, alcançando maior validade ecológica.
Medir o salto com a câmera do celular
O salto vertical é um dos testes mais usados na avaliação de potência muscular. O instrumento de referência para essa medida é a plataforma de força, um equipamento que custa dezenas ou até centenas de milhares de reais e não sai do laboratório.
Em 2015, o pesquisador espanhol Carlos Balsalobre-Fernández apresentou uma alternativa: o aplicativo My Jump. O funcionamento é simples. O avaliador grava o salto usando a câmera lenta do smartphone, identifica o quadro exato de decolagem e o de aterrissagem, e o aplicativo calcula a altura com base no tempo de voo. O estudo original (Balsalobre-Fernández et al., 2015) mostrou concordância quase perfeita com a plataforma de força. Pesquisas seguintes replicaram esse resultado em atletas de diferentes modalidades, idosos e crianças. A confiabilidade entre avaliadores é excelente, o que significa que duas pessoas analisando o mesmo salto chegam a resultados praticamente iguais.
Para um aluno de graduação ou profissional que busca trabalhar com avaliação física, isso muda o jogo. Não é mais preciso esperar acesso ao laboratório para coletar dados de qualidade.
Avaliação de sprints máximos
Muitos esportes requerem que os atletas sejam velozes na medida certa. Para avaliar essa capacidade detalhadamente, um treinador pode traçar o perfil força-velocidade de sua equipe. Até pouco tempo, construir esse perfil exigia um radar Doppler ou um conjunto de fotocélulas espalhadas pela pista. O aplicativo MySprint, desenvolvido a partir do modelo biomecânico de Samozino e colaboradores (2016), resolve o problema com um smartphone, um tripé e alguns cones.
O protocolo funciona assim: o avaliador posiciona cones em distâncias conhecidas (5, 10, 15, 20 e 30 metros), grava o sprint máximo em câmera lenta com o smartphone perpendicular à pista e, depois, marca os quadros em que o atleta cruza cada cone. O aplicativo calcula automaticamente quatro variáveis: a força horizontal máxima teórica (F₀), a velocidade máxima teórica (V₀), a potência máxima (Pₘₐₓ) e a efetividade mecânica (DRF). Estudos de validação reportaram correlações de r = 0,974 a 0,999 contra radar e fotocélulas (Romero-Franco et al., 2017).
Na prática, um treinador de atletismo ou de futebol pode traçar o perfil mecânico de cada atleta do seu elenco em uma única sessão de treino, sem gastar nada além do tempo.
Avaliar a amplitude de movimento na clínica
O laboratório de bolso não serve apenas para desempenho. Na avaliação clínica, aplicativos de goniometria digital usam o acelerômetro e o giroscópio do smartphone para medir a amplitude de movimento articular, substituindo o goniômetro universal de plástico. Revisões sistemáticas mostram que esses aplicativos têm confiabilidade de boa a excelente (ICCs acima de 0,75) em joelho, quadril, ombro, cotovelo e punho, com diferenças em relação ao goniômetro universal geralmente menores que 5 graus (Milani et al., 2020). Um fisioterapeuta pode acompanhar a recuperação de um atleta lesionado ao longo de semanas usando o mesmo aparelho que carrega no bolso.
Estimativa de pose sem marcadores utilizando câmeras comuns
A fronteira mais recente dessa revolução portátil é a estimativa de pose sem marcadores. Algoritmos de aprendizado profundo como o MediaPipe, o OpenPose ou o DeepLabCut conseguem rastrear pontos anatômicos usando apenas a imagem de uma câmera comum. Não exigem trajes especiais, marcadores reflexivos nem câmeras infravermelhas. E os resultados são promissores!
Drazan e colaboradores (2021) compararam a estimativa de pose com a captura de movimento tradicional para o salto vertical e encontraram concordância alta (ICC > 0,91) e correlações fortes (r > 0,98). Para outros movimentos, os erros variam entre 3,5° e 15°, dependendo da articulação e da complexidade do movimento. Em termos práticos, podemos estender a aplicação deste tipo de ferramenta de avaliações clínicas até avaliação de desempenho de gestos esportivos específicos – sem as restrições do laboratório que podem limitar o fenômeno que estamos observando. Como esse tipo de análise é feita a partir da imagem de uma câmera, oclusões e iluminação ruim ainda são limitações reais. Portanto, é fundamental ter cuidado no momento de coleta de dados.
Uso do MediaPipe para estimativa de pose e análise cinemática do salto de um jogador profissional de basquetebol do Basquete Unifacisa.
Referências
Balsalobre-Fernández, C., Glaister, M., & Lockey, R. A. (2015). The validity and reliability of an iPhone app for measuring vertical jump performance. Journal of Sports Sciences, 33(15), 1574–1579.
Samozino, P., Rabita, G., Dorel, S., et al. (2016). A simple method for measuring power, force, velocity properties, and mechanical effectiveness in sprint running. Scandinavian Journal of Medicine & Science in Sports, 26(6), 648–658.
Romero-Franco, N., Jiménez-Reyes, P., Castaño-Zambudio, A., et al. (2017). Sprint performance and mechanical outputs computed with an iPhone app: Comparison with existing reference methods. European Journal of Sport Science, 17(4), 386–392.
Puig-Diví, A., Escalona-Marfil, C., Padullés-Riu, J. M., et al. (2019). Validity and reliability of the Kinovea program in obtaining angles and distances using coordinates in 4 perspectives. PLoS ONE, 14(6), e0216448.
Milani, G. B., Milani, A., Pangaia, J. R. S., & Hanada, E. (2020). Validity and reliability of smartphone inclinometer applications for measuring joint range of motion: A systematic review. PLoS ONE, 15(11), e0241638.
Drazan, J. F., Phillips, W. T., Schafer, K. A., et al. (2021). Moving outside the lab: Markerless motion capture accurately quantifies sagittal plane kinematics during the vertical jump. Journal of Biomechanics, 125, 110547.
Wade, L., Needham, L., McGuigan, P., & Bilzon, J. (2022). Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ, 10, e12995.
Morin, J.-B., & Samozino, P. (2016). Interpreting power-force-velocity profiles for individualized and specific training. International Journal of Sports Physiology and Performance, 11(2), 267–272.
