Este projeto foca-se na aplicação de Machine Learning para estimar níveis de fadiga em nadadores, com o objetivo de prevenir lesões por sobrecarga.
Foi feita a recolha de dados por parte de uma equipa local de natação, abrangendo vários atletas. Seguiu-se um pré-processamento dos dados para garantir qualidade, integridade e adequação à aplicação de algoritmos de machine learning.
Realizou-se feature engineering para extrair variáveis relevantes dos dados brutos, destacando-se o uso de EWMA (Exponentially Weighted Moving Average).
Foram utilizados modelos como Support Vector Machine (SVM), regressão logística e decision tree para classificar os dados em três classes de fadiga.
Cada modelo passou por validação com 5-fold cross-validation para escolha dos melhores hiperparâmetros e seleção do modelo final.
A performance dos modelos finais foi avaliada através de métricas como accuracy, precision, recall, f1-score, matriz de confusão e curvas de aprendizagem, assegurando robustez e fiabilidade.
O projeto foi apresentado na conferência IJCNN 2025:
Programa IJCNN 2025 (p.152)