30 de julho de 2026
Aplicativo Móvel para Prevenção de Lesões em Exercícios Físicos com Análise Postural
Fernanda Moreno da Silva Bianchini; Luciano Bérgamo
DOI: 10.22167/2675-6528-202600818
Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo
A prática de exercícios físicos sem acompanhamento profissional tem crescido significativamente, especialmente em ambientes domiciliares e academias com supervisão limitada, elevando o risco de execução incorreta e, consequentemente, de lesões musculoesqueléticas. Diante desse cenário, desenvolveu-se um aplicativo móvel com o objetivo de analisar a execução de exercícios físicos por meio de técnicas de visão computacional, fornecendo feedback automático aos usuários e focando na prevenção de lesões. O sistema foi implementado com uma aplicação mobile em React Native, um backend em Java e um serviço de análise postural em Python, utilizando a biblioteca MediaPipe. A metodologia incluiu a extração de pontos corporais e o cálculo de ângulos articulares, comparando-os com padrões de referência previamente definidos. Adicionalmente, realizou-se uma avaliação com usuários para verificar a compreensão e a utilidade do feedback gerado pelo sistema. Os resultados obtidos indicaram que a solução apresentou desempenho satisfatório na detecção de pose e demonstrou potencial para identificar erros básicos na execução dos exercícios, além de boa aceitação por parte dos usuários quanto à clareza das orientações fornecidas. Concluiu-se que o uso de visão computacional em aplicações móveis pode contribuir para a prática mais segura de exercícios físicos, atuando como ferramenta de apoio à orientação e prevenção de lesões.
Palavras-chave: Atividade física; Detecção de pose; Segurança no exercício; Tecnologia móvel; Visão computacional.
1. Introdução
A prática regular de exercícios físicos é amplamente reconhecida por seus múltiplos benefícios à saúde, abrangendo desde o fortalecimento muscular e a melhora da capacidade cardiovascular até a promoção do bem-estar geral. No Brasil, modalidades como a musculação, a caminhada e o futebol destacam-se como algumas das mais praticadas, evidenciando a relevância da atividade física na rotina da população (EINSTEIN, 2024).
Contudo, apesar dos benefícios associados, a execução inadequada de exercícios físicos, especialmente na ausência de acompanhamento profissional, pode acarretar sobrecarga muscular, desalinhamento postural e um elevado risco de lesões. Estudos indicam que a falta de orientação especializada contribui significativamente para a realização incorreta de movimentos, tornando as lesões musculoesqueléticas um dos principais riscos da prática autônoma (FUNDESPORTE, 2021; MACHADO et al., 2019).
Diante desse cenário, observa-se uma crescente demanda por soluções tecnológicas capazes de auxiliar os praticantes na execução correta dos exercícios. Os avanços recentes em inteligência artificial, particularmente no campo da visão computacional, têm viabilizado o desenvolvimento de sistemas aptos a identificar padrões de movimento humano por meio da análise de imagens ou vídeos. Técnicas de estimativa de pose permitem mapear pontos-chave do corpo humano, possibilitando a avaliação da postura e da execução de movimentos em tempo real (BAZAREVSKY et al., 2020).
Aplicações de visão computacional no contexto de saúde e fitness têm demonstrado resultados promissores na identificação de erros de execução e no fornecimento de feedback automatizado aos usuários (KIM et al., 2023). No entanto, muitas das soluções existentes ainda enfrentam limitações relacionadas à acessibilidade, à personalização do feedback e à integração efetiva com profissionais da área, criando uma lacuna para o desenvolvimento de ferramentas mais abrangentes e acessíveis.
A relevância deste trabalho é reforçada pela crescente adoção de treinos autônomos, seja em academias ou em ambientes domiciliares, onde a ausência de orientação adequada compromete a segurança e a eficácia dos exercícios. Uma pesquisa exploratória com 120 participantes revelou que 78,3% realizam exercícios de forma autônoma. Desses, 49,2% frequentemente e 24,2% constantemente têm dificuldade em saber se estão executando os exercícios corretamente. A postura foi apontada como a principal dificuldade por 83,3% dos participantes, e 40% relataram medo de lesão. Adicionalmente, 85,8% dos participantes já sentiram dor ou desconforto após exercícios sem supervisão, e 63,3% evitam certos movimentos por receio de executá-los incorretamente.
Esses dados evidenciam um cenário de insegurança e a necessidade premente de ferramentas de apoio. A aceitação de soluções tecnológicas é alta, com 50% dos respondentes atribuindo nota máxima à necessidade de feedback em tempo real sobre a postura, e 87,5% demonstraram interesse em utilizar um aplicativo para correções posturais. Além disso, 88% acreditam que um sistema desse tipo pode contribuir para a prevenção de lesões. Essa percepção positiva dos usuários valida a pertinência de soluções baseadas em inteligência artificial para democratizar o acesso a orientações seguras, reduzir riscos de lesão e promover uma melhor qualidade na execução dos movimentos.
A partir desse contexto e da problemática identificada sobre a dificuldade de usuários sem acompanhamento profissional em identificar erros na execução de exercícios físicos, o presente trabalho justifica-se pela necessidade de desenvolver soluções acessíveis e eficazes. Assim, o objetivo deste estudo é desenvolver um aplicativo móvel capaz de analisar a execução de exercícios físicos por meio de técnicas de visão computacional, fornecendo feedback automático ao usuário com foco na prevenção de lesões.
2. Material e Métodos
A presente pesquisa caracterizou-se como um estudo de natureza aplicada e abordagem experimental, com o objetivo de desenvolver e avaliar um sistema computacional focado na análise postural durante a execução de exercícios físicos. Este delineamento metodológico permitiu a criação de uma solução tecnológica e a verificação de sua funcionalidade e aplicabilidade prática.
O sistema proposto foi estruturado em uma arquitetura distribuída, composta por três camadas principais. A primeira camada consistiu em uma aplicação móvel, a segunda em um serviço de
backend
, e a terceira em um módulo dedicado à análise postural. Essa divisão visou otimizar a modularidade e a escalabilidade da solução.
A aplicação móvel foi desenvolvida utilizando o
framework
React Native (META OPEN SOURCE), sendo responsável pela interface direta com o usuário. Suas funcionalidades incluíram o gerenciamento de cadastros, a seleção de exercícios, a organização de planos de treino, a captura de imagens para análise e a apresentação do
feedback
gerado pelo sistema.
O
backend
do sistema foi implementado em Java, empregando o
framework
Spring Boot (SPRING BOOT) para garantir robustez e escalabilidade. Este componente atuou como intermediário no gerenciamento de dados, controlando as requisições entre o aplicativo móvel e o serviço de análise, além de armazenar informações em um banco de dados NoSQL, o MongoDB (MONGODB INC).
O módulo de análise postural foi desenvolvido em Python (PYTHON SOFTWARE FOUNDATION), utilizando a biblioteca MediaPipe (GOOGLE), especificamente o módulo MediaPipe Pose. Este módulo foi empregado para identificar pontos-chave do corpo humano, conhecidos como
landmarks
, a partir de imagens submetidas pelos usuários.
A partir da detecção dos
landmarks
, que fornecem coordenadas normalizadas (x, y, z) e um indicador de visibilidade para cada ponto corporal, foram calculados ângulos articulares. Esses ângulos foram considerados relevantes para a avaliação da execução de exercícios específicos, como afundo, agachamento e levantamento terra, cujas articulações-chave foram previamente definidas.
O cálculo dos ângulos articulares foi realizado utilizando três pontos corporais (A, B e C), onde o ponto B representou o vértice da articulação de interesse. O ângulo foi obtido por meio do cálculo do ângulo entre os vetores BA e BC no espaço tridimensional, convertendo o resultado para graus para facilitar a interpretação.
A validação da execução dos exercícios ocorreu pela comparação dos ângulos articulares obtidos da imagem do usuário com valores de referência predefinidos, armazenados em arquivos no formato JSON. Para cada medida, calculou-se a diferença absoluta em graus entre o valor observado e o valor de referência, representando o desvio individual de cada articulação.
Posteriormente, calculou-se a diferença média considerando todas as medidas avaliadas no exercício. A pontuação global da execução foi determinada por uma função de normalização no intervalo de zero a um, que incorporou um parâmetro de tolerância, indicando o nível de variação aceitável em relação aos padrões de referência.
Adicionalmente, o sistema integrou uma heurística para identificar inconsistências entre a pose analisada e o exercício selecionado. Essa verificação foi ativada em casos de elevada discrepância média e ocorrência simultânea de erros significativos em múltiplas medidas, prevenindo interpretações equivocadas de movimentos.
Com base nas diferenças angulares identificadas, o sistema gerou um
feedback
textual automático para o usuário. Este
feedback
considerou a magnitude do desvio, a direção do erro (se acima ou abaixo do esperado) e a relevância da articulação no contexto do exercício, sugerindo correções específicas para aprimorar a execução do movimento.
Para compreender as dificuldades dos praticantes de exercícios físicos sem acompanhamento profissional, realizou-se uma pesquisa exploratória inicial. Esta pesquisa utilizou um questionário
online
, aplicado por meio da ferramenta Google Forms, e contou com a participação de 120 respondentes.
A avaliação do sistema desenvolvido foi conduzida por meio de testes experimentais com usuários. Devido à indisponibilidade do aplicativo em ambiente de produção, utilizou-se um protótipo funcional. Os participantes assistiram a um vídeo demonstrativo e, em seguida, enviaram imagens realizando exercícios físicos para análise.
A partir das imagens submetidas, o sistema realizou a análise postural, identificando os
landmarks
, gerando uma pontuação de execução e um conjunto de
feedbacks
automáticos. Incluiu-se também um
feedback
complementar elaborado por um profissional, visando comparar as percepções sobre diferentes tipos de orientação.
Após receberem a análise, os participantes responderam a um questionário estruturado. Este instrumento foi elaborado para avaliar aspectos como a clareza do
feedback
, a utilidade das correções, a confiabilidade da análise e a percepção geral de valor da solução proposta.
Testes unitários e de integração foram realizados utilizando ferramentas como o Postman para garantir a consistência e o desempenho das respostas do sistema. Este trabalho não foi submetido à avaliação do Comitê de Ética em Pesquisa (CEP), conforme a Resolução CNS n° 510, de 07 de abril de 2016, inciso VII do parágrafo único do artigo 1º.
As imagens utilizadas para a análise postural foram enviadas de forma voluntária pelos participantes, mediante consentimento prévio e explícito. Não houve coleta de dados sensíveis ou informações que pudessem identificar os usuários, assegurando a privacidade e a conformidade com as diretrizes éticas.
3. Resultados e Discussão
A presente pesquisa buscou desenvolver um aplicativo móvel para analisar a execução de exercícios físicos por meio de visão computacional, fornecendo feedback automático e visando a prevenção de lesões. Os achados revelaram, primeiramente, uma demanda significativa por soluções de apoio à prática autônoma de exercícios, devido às dificuldades e inseguranças dos usuários. Em segundo lugar, o sistema desenvolvido demonstrou capacidade satisfatória na detecção de pose e na identificação de erros básicos de execução, sendo bem recebido pelos usuários quanto à clareza e utilidade do feedback. Esses resultados, em conjunto, validam a proposta de uma ferramenta tecnológica que pode contribuir para uma prática de exercícios mais segura e eficaz, alinhando-se às necessidades identificadas na população.
O levantamento de necessidades dos usuários, conduzido por meio de um questionário online com 120 participantes, delineou um perfil predominante de jovens adultos, com a maior concentração de respondentes na faixa etária entre 20 e 40 anos. A amostra foi majoritariamente feminina, compreendendo 68,3% dos participantes, enquanto 31,7% eram do sexo masculino. Em relação ao tempo de prática de musculação, a distribuição foi heterogênea, com 46,7% dos indivíduos relatando mais de dois anos de experiência em treino. Essa diversidade de perfis na amostra permitiu uma análise abrangente das dificuldades e percepções de diferentes grupos de praticantes de exercícios físicos sem supervisão profissional.
A análise do comportamento de treino destacou que uma parcela expressiva dos participantes, 78,3%, realiza exercícios de forma autônoma, sem acompanhamento constante de um profissional. Este dado é fundamental, pois ressalta o contexto de vulnerabilidade a erros na execução dos movimentos e a consequente necessidade de ferramentas de apoio. A dificuldade em avaliar a própria performance foi relatada como significativa, com 49,2% dos participantes afirmando frequentemente ter dúvidas sobre a correção da execução, e 24,2% enfrentando essa dificuldade de forma constante. Tais achados sublinham a insegurança inerente à prática autônoma e a lacuna de orientação que o sistema proposto busca preencher.
Entre as principais dificuldades específicas relatadas pelos usuários, a postura foi a mais mencionada, apontada por 83,3% dos participantes como o maior desafio. Outras dificuldades significativas incluíram o medo de lesão, citado por 40% dos respondentes, a montagem de aparelhos, com 33,3%, e o controle de carga, com 30%. Esses resultados demonstram que os aspectos técnicos da execução dos exercícios representam os principais obstáculos para os praticantes. Adicionalmente, 85,8% dos participantes já sentiram dor ou desconforto após exercícios realizados sem supervisão, e 63,3% afirmaram evitar certos movimentos por receio de executá-los incorretamente, o que corrobora a relação direta entre a execução inadequada e os riscos à saúde, conforme discutido por Machado et al. (2019).
A percepção dos usuários em relação a soluções tecnológicas para auxiliar na prática de exercícios revelou uma alta aceitação. A necessidade de feedback em tempo real sobre a postura durante a execução dos exercícios foi avaliada com notas elevadas pela maioria dos participantes, com 50% atribuindo a nota máxima (10) para essa demanda. Mais expressivamente, 87,5% dos respondentes demonstraram interesse em utilizar um aplicativo capaz de fornecer correções posturais em tempo real. Essa receptividade positiva valida a pertinência do desenvolvimento de ferramentas baseadas em inteligência artificial para democratizar o acesso a orientações seguras e promover uma melhor qualidade na execução dos movimentos, alinhando-se às tendências observadas por Kim et al. (2023).
O sistema EvoluFit foi concebido com uma arquitetura distribuída em três camadas: uma aplicação móvel em React Native, um backend em Java com Spring Boot e um serviço de análise postural em Python, utilizando a biblioteca MediaPipe. A aplicação móvel atua como interface do usuário, permitindo funcionalidades como cadastros, seleção de exercícios, planos de treino, captura de imagens e visualização de feedback. O backend gerencia dados, armazenando informações em um banco de dados NoSQL (MongoDB) e intermediando requisições. O serviço de análise postural, o componente central de inteligência artificial, emprega o MediaPipe Pose para identificar pontos-chave do corpo humano a partir das imagens, um modelo baseado no BlazePose capaz de detectar 33 “landmarks” corporais em tempo real, mesmo em dispositivos móveis com recursos limitados (Bazarevsky et al., 2020).
A partir dos “landmarks” detectados pelo MediaPipe Pose, o sistema calcula ângulos articulares relevantes para a avaliação da execução dos exercícios. Essa abordagem baseia-se em conceitos geométricos para analisar o movimento humano, permitindo transformar informações visuais em medidas quantitativas. A seleção dos ângulos analisados é específica para cada exercício, considerando as articulações mais importantes para a execução correta do movimento, como os ângulos do joelho, quadril, cotovelo e ombro em exercícios como afundo, agachamento e remada curvada. O cálculo do ângulo entre três pontos corporais é realizado por meio do ângulo entre vetores no espaço tridimensional, convertendo o resultado para graus para facilitar a interpretação e a definição de limites para validação dos movimentos.
A validação da execução dos exercícios é realizada comparando os ângulos articulares obtidos da imagem do usuário com valores de referência previamente definidos, armazenados em arquivos JSON. Para cada medida articular, calcula-se a diferença absoluta em graus entre o valor observado e o valor de referência, representando o desvio individual em relação ao padrão esperado. Em seguida, é calculada a diferença média considerando todas as medidas avaliadas no exercício, o que oferece uma visão global da execução e minimiza o impacto de variações pontuais. A pontuação global da execução é normalizada em uma escala de 0 a 1, onde um parâmetro de “tolerance” define o limiar de variação aceitável. Quanto menor a discrepância média, maior a pontuação, indicando maior conformidade com a execução correta.
O sistema gera feedback textual direcionado ao usuário com base nas diferenças angulares identificadas para cada articulação. Este feedback considera a magnitude do desvio, a direção do erro (seja acima ou abaixo do valor esperado) e a relevância da articulação no contexto do exercício, sugerindo correções específicas como ajustes na flexão dos joelhos, alinhamento do tronco ou posicionamento do quadril. Contudo, a precisão da análise postural é diretamente influenciada pela qualidade da imagem, sendo suscetível a fatores como iluminação inadequada, enquadramento deficiente ou oclusão de partes do corpo. Embora o modelo utilize coordenadas tridimensionais normalizadas, a estimativa de profundidade é relativa, baseada em visão monocular, o que pode comprometer a detecção confiável da pose e resultar em pontuação zero em casos de falha na identificação.
Para avaliar a percepção dos usuários sobre o sistema, conduziu-se um estudo exploratório focado no feedback gerado pela aplicação. Como o aplicativo não estava em ambiente de produção, a avaliação utilizou um protótipo funcional, apresentado por meio de um vídeo demonstrativo. Os participantes enviaram imagens de exercícios, que foram analisadas pelo sistema para identificar pontos corporais, gerar uma pontuação de execução e fornecer feedback automático com sugestões de correção. Para comparação, um feedback complementar de um profissional também foi incluído. Após receberem a análise, os participantes responderam a um questionário estruturado, avaliando clareza, utilidade, confiabilidade e valor da solução. Os resultados mostraram que 84% dos participantes afirmaram compreender o resultado da análise apresentada, incluindo a pontuação e o feedback do sistema.
Além da compreensão, os participantes consideraram as correções sugeridas úteis para a melhoria da execução dos exercícios, com 76% afirmando a utilidade do feedback gerado pela inteligência artificial. Essa percepção positiva reforça o potencial do sistema como uma ferramenta de apoio ao treino. Em relação à confiança na análise, a maioria dos participantes atribuiu notas elevadas, concentradas entre 7 e 10 em uma escala de 0 a 10. A nota 8 foi a mais frequente, seguida pelas avaliações 7, 9 e 10, que também apresentaram percentuais relevantes. Isso evidencia uma percepção predominantemente positiva quanto à confiabilidade do sistema, embora variações individuais possam estar relacionadas à familiaridade com a tecnologia ou à interpretação do feedback.
No que diz respeito à forma de orientação ideal, verificou-se que 92% dos participantes demonstraram preferência por uma abordagem híbrida, que combine a inteligência artificial com o acompanhamento profissional. Essa preferência sugere que, embora a tecnologia seja bem aceita, a validação ou o complemento por um especialista ainda é valorizado para aumentar a confiança e a personalização do processo. Adicionalmente, uma maioria significativa de 88% dos participantes indicou acreditar que um sistema como o desenvolvido pode contribuir para a prevenção de lesões. Essa percepção positiva em relação à proposta do sistema, aliada à alta aceitação, valida a pertinência da solução para o problema de pesquisa, embora a necessidade de validações adicionais seja reconhecida para consolidar a confiança dos usuários.
Ao relacionar os achados do levantamento inicial de necessidades com os resultados da avaliação do sistema, observa-se uma coerência entre o problema identificado e a percepção predominantemente positiva dos usuários em relação à proposta. A boa aceitação do feedback automático gerado pela inteligência artificial indica que técnicas de visão computacional podem ser aplicadas de forma eficaz em contextos de saúde e atividade física, tornando-se ferramentas acessíveis ao público geral. A valorização da abordagem híbrida, combinando análise automatizada e acompanhamento profissional, ressalta que a tecnologia atua como suporte, e não como substituta da orientação especializada. Dessa forma, o sistema desenvolvido atua como uma ferramenta complementar no processo de treinamento, contribuindo para a melhoria da execução dos exercícios e para a redução de riscos de lesões, conforme o objetivo do estudo.
4. Conclusão
O estudo buscou desenvolver um aplicativo móvel capaz de analisar a execução de exercícios físicos por meio de técnicas de visão computacional, fornecendo feedback automático aos usuários com foco na prevenção de lesões. Verificou-se uma demanda expressiva por soluções de apoio à prática autônoma de exercícios, impulsionada pela insegurança dos usuários quanto à execução correta e ao receio de lesões. O sistema desenvolvido demonstrou desempenho satisfatório na detecção de pose e na identificação de erros básicos de execução, sendo bem aceito pelos usuários em relação à clareza e utilidade do feedback. A principal contribuição deste trabalho reside na apresentação de uma abordagem acessível e de baixo custo para análise postural, que amplia as possibilidades de orientação para praticantes de atividade física sem acompanhamento profissional, democratizando o acesso a ferramentas de suporte à execução correta de exercícios por meio da integração de inteligência artificial e visão computacional.
Contudo, a precisão da análise postural revelou dependência da qualidade das imagens utilizadas, sendo a análise baseada em registros estáticos e não em tempo real, o que constitui uma limitação do estudo. A ausência de validação em larga escala em cenários reais de uso também foi identificada, indicando a necessidade de avanços metodológicos e experimentais. Para trabalhos futuros, propõe-se a evolução da solução para análise em tempo real por meio de vídeo, permitindo o acompanhamento contínuo da execução dos exercícios. Sugere-se, ainda, melhorias na precisão do modelo, ampliação da base de dados e maior integração com profissionais de educação física, visando aumentar a confiabilidade e a aplicabilidade do sistema.
Referências Bibliográficas
BAZAREVSKY, Valentin et al. BlazePose: on-device real-time body pose tracking. Disponível em: https://arxiv.org/abs/2006.10204. Acesso em: 18 mar. 2026.
EINSTEIN. Musculação: quais são as lesões mais frequentes na academia e como evitá-las? 2024. Disponível em: https://vidasaudavel.einstein.br/musculacao-quais-sao-as-lesoes-mais-frequentes-na-academia-e-como-evita-las/. Acesso em: 29 mar. 2025.
FUNDAÇÃO DE DESPORTO E LAZER DE MATO GROSSO DO SUL (FUNDESPORTE). Entenda a importância da orientação de um profissional na prática de exercícios físicos. 2021. Disponível em: https://www.fundesporte.ms.gov.br/entenda-a-importancia-da-orientacao-de-um-profissional-na-pratica-de-exercicios-fisicos/. Acesso em: 29 mar. 2025.
GOOGLE. MediaPipe Documentation.[s.d]. Disponível em: https://ai.google.dev/edge/mediapipe/solutions/guide?hl=pt-br. Acesso em: 18 mar. 2026.
KIM, J.W. et al. “Human pose estimation using MediaPipe pose and optimization method based on a humanoid model”. Applied Sciences, v. 13, n. 4, p. 2700, 2023. https://doi.org/10.3390/app13042700. Disponível em: https://www.mdpi.com/2076-3417/13/4/2700. Acesso em: 18 mar. 2026.
MACHADO, J. S. S. et al. “Lesões em praticantes de musculação”. Psicologia da Educação Física e do Esporte, v. 4, n. 1, p. 45–56, 2019. Disponível em: https://pepsic.bvsalud.org/scielo.php?pid=S0103-84862019000100006&script=sci_arttext. Acesso em: 29 mar. 2025.
META. React Native Documentation.[s.d.]. Disponível em: https://reactnative.dev/ Acesso em: 18 mar. 2026.
MONGODB INC. MongoDB Manual.[s.d.]. Disponível em: https://www.mongodb.com/pt-br/docs/Acesso em: 18 mar. 2026.
PYTHON SOFTWARE FOUNDATION. Python Documentation.[s.d.]. Disponível em: https://docs.python.org/3/. Acesso em: 18 mar. 2026.
SPRING. Spring Boot Documentation.[s.d.]. Disponível em: https://spring.io/projects/spring-boot. Acesso em: 18 mar. 2026.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

