Resumo Executivo

André Salata Lima; Eduardo Fernando Mendes

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A Internet das Coisas (IoT) consolidou-se como uma tecnologia fundamental na contemporaneidade, viabilizando a conexão e o controle de dispositivos físicos por meio da rede mundial de computadores sem a obrigatoriedade de intervenção humana direta. Desde a gênese do conceito, estabelecida por Kevin Ashton em 1999 no Laboratório Auto-ID do Instituto de Tecnologia de Massachusetts (Ashton, 2009), a IoT apresentou uma evolução robusta, impactando transversalmente diversos setores produtivos e sociais. Essa trajetória histórica pode ser segmentada em fases distintas que auxiliam na compreensão da complexidade atual do ecossistema digital. A etapa inicial, denominada Internet de Conteúdo, priorizou o compartilhamento de informações via correio eletrônico e anexos, expandindo as fronteiras da comunicação interpessoal (Khanna & Kaur, 2020). Posteriormente, a Internet de Serviços emergiu para facilitar transações comerciais e o surgimento do comércio eletrônico, otimizando a eficiência em modelos de negócios digitais. A fase seguinte, a Internet das Pessoas, promoveu a conexão entre indivíduos por meio de redes sociais e plataformas de interação global. Na atualidade, a era da Internet das Coisas caracteriza-se pela autonomia de objetos que se comunicam e interagem entre si, fundamentando-se na capacidade de dispositivos inteligentes coletarem e processarem dados em redes automatizadas.

A arquitetura técnica da IoT é comumente estruturada em três camadas essenciais que garantem a funcionalidade do sistema: a camada de percepção, responsável pelo sensoriamento via hardware; a camada de rede, que executa a transmissão e integração dos dados; e a camada de aplicação, que fornece as interfaces e serviços ao usuário final (Gubbi et al., 2013). Para sustentar essa estrutura, utilizam-se protocolos padronizados como o MQTT e o CoAP na camada de aplicação, além do 6LoWPAN para a adaptação do protocolo IPv6 em redes de baixo consumo energético, garantindo a interoperabilidade entre dispositivos heterogêneos (Al-Fuqaha et al., 2015). No domínio da saúde e do bem-estar, essa infraestrutura possibilita desde o monitoramento remoto de pacientes até a personalização extrema de treinamentos físicos. A análise de dados coletados por sensores melhora significativamente a eficiência dos serviços de saúde (Islam et al., 2015), enquanto dispositivos vestíveis e sensores acoplados a equipamentos de academia permitem o acompanhamento minucioso do progresso individual (Abdel-Basset et al., 2020). Ambientes ubíquos e pervasivos em saúde utilizam sensores e processadores para a integração técnica e social, voltando-se inclusive para a prevenção de estresse e integração com o ambiente natural (Silva & Baranauskas, 2023).

Todavia, a integração da IoT em ambientes de musculação enfrenta obstáculos severos, visto que equipamentos tradicionais carecem de sensores embarcados e dependem de registros manuais, o que compromete a precisão do acompanhamento do progresso. Soluções atuais para o registro automático muitas vezes exigem interações complexas do usuário ou algoritmos de reconhecimento que demandam alto processamento (Dory et al., 2023). A compatibilidade de hardware permanece como um desafio, dado que muitos aparelhos não foram projetados para suportar tecnologias conectadas (Khanna & Kaur, 2020). Adicionalmente, sistemas de saúde baseados em IoT lidam com problemas de segurança, privacidade de dados e interoperabilidade entre dispositivos de diferentes fabricantes (Bhuiyan et al., 2021). Variáveis ambientais como temperatura e umidade, somadas a fatores fisiológicos como frequência respiratória e pressão arterial, podem influenciar a segurança durante sessões intensas de exercício, reforçando a necessidade de sistemas capazes de coletar dados em tempo real (Ahanger, 2022). O ecossistema 5G-IoT surge como uma tendência para mitigar problemas de latência e densidade de conexões, impactando soluções que demandam feedback imediato (Shafique et al., 2020). Existe, contudo, uma assimetria entre a produção científica acadêmica e a aplicação tecnológica no setor produtivo, o que demanda maior cooperação para o desenvolvimento de sistemas práticos (Rosa et al., 2020). Diante desse cenário, o objetivo reside no desenvolvimento e implementação de um sistema automatizado de coleta de dados em equipamentos de musculação para aprimorar a personalização dos treinos.

A metodologia adotada para a consecução deste estudo fundamenta-se na pesquisa-ação de natureza aplicada, utilizando uma abordagem qualitativa para a resolução de problemas coletivos de forma cooperativa entre pesquisadores e participantes (Thiollent, 1986). A pesquisa aplicada busca soluções imediatas para problemas específicos inseridos em uma realidade circunstancial (Gil, 2002), enquanto a abordagem qualitativa favorece a compreensão aprofundada do fenômeno a partir das experiências dos envolvidos (Creswell, 2007). O estudo de caso foi conduzido em uma academia situada em Maringá, Paraná, que oferece serviços de musculação, treinamento funcional, crossfit, pilates e planos nutricionais para uma comunidade de 382 alunos matriculados, contando com o suporte de sete preparadores físicos. A coleta de dados ocorreu por meio de questionários anônimos aplicados a voluntários, visando traçar o perfil dos usuários, objetivos de treino e métodos de monitoramento utilizados. O instrumento de coleta incluiu perguntas abertas e fechadas que exploraram a eficiência percebida dos métodos atuais e os desafios enfrentados no cotidiano da prática esportiva. Investigou-se também a aceitação de tecnologias como smartwatches e aplicativos, além das preocupações relacionadas à segurança e usabilidade. Para os profissionais, analisaram-se os métodos de acompanhamento, a frequência do feedback fornecido e as barreiras para a adoção de novas ferramentas digitais.

Com base nos requisitos levantados, desenvolveu-se um protótipo de sistema IoT integrado aos equipamentos de musculação, priorizando a usabilidade e a segurança dos dados. Na camada de hardware, utilizou-se o microcontrolador ESP32, um sistema em chip que integra conectividade Wi-Fi e Bluetooth nativamente, apresentando baixo consumo de energia e dimensões reduzidas, ideais para aplicações embarcadas. Acoplado ao microcontrolador, instalou-se o sensor de distância VL53L1X, que utiliza a tecnologia Time-of-Flight (ToF) para medir a proximidade de objetos em tempo real com alta precisão. Esse sensor emite fótons de luz infravermelha e mede o tempo de retorno após a reflexão no objeto, permitindo calcular a distância exata e, consequentemente, identificar o deslocamento das cargas nos aparelhos de musculação. A programação do ESP32 foi realizada em linguagem C++ utilizando a interface Arduino IDE, o que permitiu a implementação de rotinas para leitura dos valores do sensor, tratamento de ruídos de medição e gerenciamento da comunicação sem fio para o envio das informações à nuvem.

A arquitetura de software foi estruturada em duas camadas principais hospedadas na plataforma Heroku. A primeira camada consiste em um serviço de ingestão de dados desenvolvido com o framework FastAPI, responsável por receber requisições HTTP enviadas pelo ESP32. Cada pacote de dados transmitido contém o valor da distância medida, o endereço MAC do dispositivo para identificação da máquina e um carimbo de tempo (timestamp). Após a validação, as informações são armazenadas em um banco de dados PostgreSQL compartilhado. A segunda camada de software foi desenvolvida em Ruby on Rails, atuando como a interface de apresentação e gerenciamento. O sistema utiliza o framework JavaScript Stimulus para garantir a reatividade da interface, permitindo que gráficos e painéis de desempenho sejam atualizados em tempo real conforme novas medições são registradas. O modelo de dados foi projetado para relacionar as máquinas (machines), as séries de exercícios (exercise_sets) e os treinos completos (workouts), permitindo que cada ponto de dado (data_points) alimente o histórico de desempenho do usuário de forma estruturada.

A análise dos dados coletados revelou que a amostra de participantes apresenta uma concentração predominante na faixa etária de 25 a 34 anos, correspondendo a 68,2% dos respondentes, seguida pela faixa de 35 a 44 anos com 22,7%. Observou-se um predomínio do gênero masculino, representando 81,8% da amostra. Quanto ao nível de treinamento, 54,5% identificaram-se como intermediários, enquanto 22,7% consideram-se avançados e 18,2% iniciantes. Os objetivos de treino são diversificados, com 95,5% dos participantes buscando o condicionamento físico geral. O ganho de massa muscular foi citado por 72,7%, enquanto a perda de peso e o aumento de flexibilidade foram mencionados por 50% dos respondentes cada. A musculação é a atividade principal para 63,6% da amostra, frequentemente combinada com treinamento funcional (50%) e corrida (22,7%). Esses dados demonstram uma busca por resultados integrados que envolvem saúde, estética e performance esportiva.

No que tange aos métodos de monitoramento atuais, identificou-se uma predominância de abordagens simplificadas. O uso da balança para verificação do peso corporal e a autoavaliação visual no espelho são as práticas mais comuns. A progressão de carga, conhecida como progressive overload, é utilizada como métrica de força, mas o registro dessas informações ainda é majoritariamente manual ou assistido por fichas de papel. Apenas uma minoria utiliza ferramentas digitais detalhadas para o registro de repetições e cargas. A frequência de avaliação varia conforme o perfil: alunos experientes realizam monitoramentos semanais ou diários, enquanto iniciantes tendem a avaliações mensais ou baseiam-se apenas em mudanças visíveis nas roupas. O suporte oferecido pelas academias foi elogiado quanto à infraestrutura, mas a falta de acompanhamento personalizado surgiu como uma queixa recorrente, especialmente entre os que estão iniciando a prática.

A percepção de evolução está fortemente vinculada a quatro fatores: constância nos treinos, dieta adequada, qualidade do sono e acompanhamento profissional. O feedback dos preparadores físicos foi considerado essencial por 68,2% dos participantes para a prevenção de lesões e ajustes rápidos na execução dos exercícios. Entre os usuários de tecnologia, 50% utilizam aplicativos ou smartwatches, destacando-se o monitoramento da frequência cardíaca (36,4%), contagem de passos e calorias (31,8%) e o registro de séries e cargas (22,7%). A adoção dessas tecnologias é significativamente maior entre os jovens de 25 a 34 anos, enquanto participantes acima de 55 anos não relataram o uso de dispositivos digitais, sugerindo uma correlação entre idade e familiaridade tecnológica. Embora a literatura aponte limitações de validação em dispositivos vestíveis (Beukelaar & Mantini, 2023), os resultados indicam que tais ferramentas aumentam a motivação e a objetividade no treino.

Os preparadores físicos entrevistados apresentam visões distintas sobre a tecnologia. Enquanto profissionais com mais tempo de atuação preferem métodos tradicionais e observação direta, os mais jovens demonstram maior abertura para o uso de softwares de gestão e aplicativos de monitoramento. Todos concordaram que ferramentas intuitivas poderiam otimizar o tempo e melhorar o engajamento dos alunos. A produção científica em IoT para saúde ainda se concentra em instituições acadêmicas, enquanto a aplicação prática no setor produtivo demanda soluções que equilibrem inovação e simplicidade (Rosa, Souza e Silva, 2020). As funcionalidades prioritárias identificadas para o sistema proposto incluem o feedback em tempo real para correção de postura, a integração de métricas de desempenho cardiovascular, interfaces de fácil navegação, customização de planos de treino baseada no histórico e elementos de gamificação para incentivar a continuidade.

O protótipo desenvolvido aborda essas necessidades ao transformar as medições do sensor VL53L1X em gráficos contínuos de desempenho. Durante a execução de um exercício como o supino ou o agachamento, o sistema registra a amplitude do movimento e a velocidade de cada repetição, fornecendo dados objetivos que superam a imprecisão da autoavaliação. A interface permite que o preparador físico ajuste parâmetros de carga e repetições remotamente, baseando-se em estatísticas reais de desempenho. Além disso, a organização das rotinas em sequências diárias facilita o planejamento estratégico do treinamento, permitindo a inclusão de desafios incrementais que estimulam a aderência às metas de longo prazo. A arquitetura em três camadas mostrou-se viável para o processamento de dados em tempo real, garantindo que a informação flua do sensor para a interface do usuário com latência mínima.

A discussão dos resultados evidencia que, embora existam avanços na saúde digital e na gestão de dados (Mennitti et al., 2024), o ambiente das academias ainda é carente de soluções integradas que automatizem a coleta de dados biomecânicos. A insegurança em correlacionar métricas físicas com ganhos estéticos ou de performance foi relatada por 27,3% dos alunos, o que reforça a importância de sistemas que traduzam dados brutos em informações compreensíveis. A falta de suporte técnico e a dificuldade de interpretação de dados gerados por dispositivos são barreiras para iniciantes, exigindo que o software ofereça orientações claras e simplificadas. Em academias de grande porte ou modelos de baixo custo, onde a supervisão humana é reduzida, o sistema IoT pode atuar como um assistente virtual, garantindo que o aluno mantenha a qualidade da execução mesmo sem a presença constante de um instrutor.

As limitações deste estudo residem na amostra reduzida e na realização de testes em ambiente controlado, o que restringe a generalização imediata dos resultados para todos os perfis de academias. Contudo, a viabilidade técnica do protótipo foi comprovada, demonstrando que a integração de sensores de baixo custo com plataformas de nuvem robustas pode democratizar o acesso ao monitoramento de alta precisão. A escalabilidade do sistema é favorecida pela arquitetura modular, permitindo que novos sensores sejam adicionados a diferentes máquinas sem a necessidade de reestruturação do software. Pesquisas futuras devem focar na validação em campo real com um volume maior de usuários e na integração com dispositivos vestíveis para consolidar um ecossistema de saúde único. A inclusão de novas métricas, como a análise de potência e o tempo sob tensão, pode potencializar ainda mais a personalização dos treinos e a eficiência do acompanhamento profissional.

A análise de conteúdo realizada permitiu identificar que a resistência ao uso de tecnologias está muitas vezes ligada à complexidade das interfaces e não à utilidade da ferramenta em si. Portanto, o design centrado no usuário é um pilar fundamental para o sucesso de sistemas IoT no contexto fitness. A convergência entre os dados quantitativos coletados pelos sensores e a percepção qualitativa dos treinadores cria um ambiente de treinamento mais seguro e eficaz. O sistema proposto não visa substituir o profissional de educação física, mas sim fornecer-lhe subsídios baseados em evidências para uma prescrição mais assertiva. A automação da coleta de dados elimina o erro humano no registro manual e permite a criação de um histórico fidedigno de evolução, algo raramente alcançado com métodos tradicionais.

A integração tecnológica em academias deve ser vista como um investimento na retenção de alunos e na melhoria dos resultados físicos. O engajamento promovido pela visualização imediata do progresso atua como um reforço positivo, combatendo a evasão escolar comum em centros de atividade física. A aplicação de conceitos de engenharia de software, como a validação rigorosa de dados e a arquitetura escalável, garante que o sistema seja robusto o suficiente para suportar o fluxo intenso de informações em uma academia de grande porte. A utilização de protocolos de comunicação eficientes e bancos de dados relacionais permite que o sistema cresça organicamente, acompanhando a evolução das necessidades dos usuários e dos profissionais da área.

Conclui-se que o objetivo foi atingido por meio do desenvolvimento de um protótipo funcional que integra hardware e software para o monitoramento automatizado de treinos de musculação. A investigação identificou as principais dificuldades dos usuários, como a falta de feedback preciso e a dependência de registros manuais, propondo uma solução baseada em IoT que mitiga esses problemas. A arquitetura implementada demonstrou viabilidade técnica em ambiente controlado, permitindo a coleta, o processamento e a visualização de métricas de desempenho em tempo real. Embora a amostra limitada e a ausência de testes em larga escala representem restrições, o estudo fornece uma base sólida para a expansão tecnológica em academias. Recomenda-se que trabalhos futuros explorem a integração com dispositivos vestíveis e a validação da robustez do sistema em cenários de alto fluxo de usuários, visando aprimorar a personalização, a escalabilidade e o engajamento contínuo dos praticantes de atividades físicas.

Referências Bibliográficas:

Abdel-Basset, M.; Hassanein, G. M.; Elhoseny, M.; El-Sherif, M. A. 2020. Application of Internet of Things and Artificial Intelligence for Smart Fitness: A Survey. Measurement.

Ahanger, T. A. 2022. IoT inspired smart environment for personal healthcare in gym. Neural Computing and Applications. Springer-Verlag London Ltd., Londres, Reino Unido.

Al-Fuqaha, A.; Guizani, M.; Mohammadi, M.; Aledhari, M.; Ayyash, M. 2015. Internet of Things: A Survey on Enabling Technologies, Protocols, and Applications. IEEE Communications Surveys & Tutorials.

Ashton, K. 2009. That “Internet of Things” Thing. RFID Journal.

Bhuiyan, M. N.; Rahman, M. M.; Billah, M.; Saha, D. 2021. Internet of Things (IoT): A review of its enabling technologies in healthcare applications, standards protocols, security, and market opportunities. IEEE Internet of Things Journal.

Dory, Y.; Elbaz, M.; Frenkel, A.; Kadosh, D.; Lee-Kleiner, M.; Weizman, E. 2023. Fully automatic gym exercises recording: An IoT solution. In: Proceedings of the 2023 IEEE International Workshop on Metrology for Industry 4.0 & IoT. IEEE, Roma, Itália.

Gubbi, J.; Buyya, R.; Marusic, S.; Palaniswami, M. 2013. Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems.

Islam, S. M. R.; Kwak, D.; Kabir, M. H.; Hossain, M.; Kwak, K. S. 2015. The Internet of Things for Health Care: A comprehensive survey. IEEE Access, 3:678-708.

Khanna, A.; Kaur, S. 2020. Internet of Things (IoT), applications and challenges: A comprehensive review. Springer Science+Business Media, Singapura.

Silva, J. V. da; Baranauskas, M. C. C. 2023. Internet das Coisas em Hospitais: uma revisão sistemática da literatura em ambientes ubíquos e pervasivos. Relatório Técnico IC-23-06. Instituto de Computação, UNICAMP.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Engenharia de Software do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}