Controlo postural na sequência de movimento de sentado para de pé em crianças com alterações do desenvolvimento neuromotor

A Sequência de Movimento de Sentado para de Pé (SMSP) é um marco importante na independência funcional da criança, sendo a sua qualidade afetada em casos de alteração do controlo postural do tronco. É por isso motivo de especial foco neste estudo, como elemento avaliativo e interventivo. Este estudo tem como objetivo a análise da modificação de componentes motores relacionados com o controlo postural, durante a SMSP, em 5 crianças com alterações neuromotoras, face à aplicação de um programa de intervenção baseado no Tratamento de Neuro Desenvolvimento (TND). Foi para tal utilizada a análise cinemática da SMSP - nomeadamente as variáveis “variação do deslocamento dos segmentos cabeça e tronco” e “variação do ângulo perna-pé” entre o momento inicial e o seat-off – complementada com a aplicação do Teste de Medida da Função Motora 88 (TMFM-88) e a Classificação Internacional da Funcionalidade Incapacidade e Saúde-Versão Crianças e Jovens (CIF-CJ), bem como a avaliação de componentes de movimento com recurso a registo de imagem. A análise cinemática demonstrou uma diminuição do deslocamento dos segmentos cabeça e tronco na maioria dos casos, bem como uma maior mobilidade da tíbia sobre pé. Verificou-se um aumento do score final do TMFM-88, em todos os casos. A CIF-CJ não evidenciou alterações entre o início e o término do período de intervenção. O registo de imagem demonstrou alterações positivas visíveis no alinhamento de segmentos, nível de atividade, controlo postural, e recurso a estratégias compensatórias no conjunto postural sentado e na SMSP. Após o período de intervenção as crianças deste estudo evidenciaram modificações positivas nas variáveis em estudo, nomeadamente 1) diminuição do deslocamento dos segmentos cabeça e tronco na fase inicial da SMSP, 2) aumento da variação do ângulo perna-pé na fase inicial da SMSP, 3) aumento do score total da TMFM-88, 4) alteração positiva dos componentes de movimento alinhamento de segmentos e nível de atividade e 5) redução do recurso a estratégias compensatórias de movimento na SMSP. Estas modificações sugerem um controlo postural mais eficiente.

Multiple Linear Regression and Artificial Neural Networks to Predict Time and Efficiency of Soil Vapor Extraction

The prediction of the time and the efficiency of the remediation of contaminated soils using soil vapor extraction remain a difficult challenge to the scientific community and consultants. This work reports the development of multiple linear regression and artificial neural network models to predict the remediation time and efficiency of soil vapor extractions performed in soils contaminated separately with benzene, toluene, ethylbenzene, xylene, trichloroethylene, and perchloroethylene. The results demonstrated that the artificial neural network approach presents better performances when compared with multiple linear regression models. The artificial neural network model allowed an accurate prediction of remediation time and efficiency based on only soil and pollutants characteristics, and consequently allowing a simple and quick previous evaluation of the process viability.

Metalearner based on Dynamic Neural Network for Strategic Bidding in electricity Markets

The restructuring of electricity markets, conducted to increase the competition in this sector, and decrease the electricity prices, brought with it an enormous increase in the complexity of the considered mechanisms. The electricity market became a complex and unpredictable environment, involving a large number of different entities, playing in a dynamic scene to obtain the best advantages and profits. Software tools became, therefore, essential to provide simulation and decision support capabilities, in order to potentiate the involved players’ actions. This paper presents the development of a metalearner, applied to the decision support of electricity markets’ negotiation entities. The proposed metalearner executes a dynamic artificial neural network to create its own output, taking advantage on several learning algorithms implemented in ALBidS, an adaptive learning system that provides decision support to electricity markets’ players. The proposed metalearner considers different weights for each strategy, depending on its individual quality of performance. The results of the proposed method are studied and analyzed in scenarios based on real electricity markets’ data, using MASCEM - a multi-agent electricity market simulator that simulates market players’ operation in the market.