Estimação de medidas antropométricas para avaliação de saúde por análise morfológica de imagens

Abstract

O sobrepeso e a obesidade representam graves problemas de saúde pública, demandando estratégias eficientes para o monitoramento contínuo da composição corporal da população. Embora a avaliação antropométrica tradicional seja o método mais difundido, sua execução requer equipamentos físicos e profissionais treinados, o que limita sua aplicação em larga escala ou em sistemas de telemedicina. Como alternativa, este trabalho apresenta o desenvolvimento e a validação de um método não invasivo e de baixo custo para a estimação de massa corporal utilizando visão computacional e aprendizado de máquina. A metodologia baseia-se na extração de características morfológicas a partir de silhuetas bidimensionais obtidas por imagens digitais, empregando o modelo MoveNet para detecção de pontos articulares (keypoints) e fatiamento anatômico segmentar. Para a predição do peso, utilizou-se o algoritmo de regressão XGBoost. A validação experimental foi estruturada com separação por grupos de indivíduos para mitigar o risco de vazamento de dados (data leakage). Os resultados preditivos alcançaram um Coeficiente de Determinação (R²) de 0,9576, Erro Absoluto Médio (do inglês Mean Absolute Error - MAE) de 2,74 kg e Raiz do Erro Quadrático Médio (do inglês Root Mean Squared Error - RMSE) de 3,85 kg. Adicionalmente, a conversão dos valores contínuos para as categorias de Índice de Massa Corporal (IMC) da Organização Mundial da Saúde revelou a robustez do sistema na classificação em quadrantes nutricionais, concentrando os desvios exclusivamente em zonas limítrofes de transição. Conclui-se que a abordagem segmentar proposta é viável e segura, oferecendo uma ferramenta promissora para triagem clínica remota e monitoramento biométrico digital.

Overweight and obesity represent severe public health issues, demanding efficient strategies for continuous population body composition monitoring. Although traditional anthropometric assessment is the most widespread method, its execution requires physical equipment and trained professionals, which limits its application on a large scale or within telemedicine systems. As an alternative, this work presents the development and validation of a non-invasive, low-cost method for body mass estimation using computer vision and machine learning. The methodology is based on the extraction of morphological features from two-dimensional silhouettes obtained through digital images, employing the MoveNet model for joint detection (keypoints) and segmentary anatomical slicing. For weight prediction, the XGBoost regression algorithm was utilized. Experimental validation was structured using group-based separation of individuals to mitigate the risk of data leakage. The predictive results achieved a Coefficient of Determination (R²) of 0.9576, Mean Absolute Error (MAE) of 2.74 kg, and Root Mean Squared Error (RMSE) of 3.85 kg. Additionally, the conversion of continuous values ​​to the World Health Organization Body Mass Index (BMI) categories revealed the robustness of the system in classification into nutritional quadrants, concentrating deviations exclusively in borderline transition zones. It is concluded that the proposed segmental approach is viable and safe, offering a promising tool for remote clinical screening and digital biometric monitoring.