Desenvolvimento do saltar à horizontal : uma análise topológica

O objetivo deste estudo foi investigar a organização espaço-temporal dos segmentos da perna e da coxa no saltar à horizontal, verificando as infiuências do organismo e do ambiente (dois tipos de piso: concreto e areia). Participaram do estudo 21 sujeitos, 3 de cada faixa etária: 4, 5, 7, 9, 11, 13 e adulta (X = 19 anos de idade). Os sujeitos foram filmados realizando o saltar à horizontal com marcas desenhadas no centro das articulações do tornozelo, joelho e quadril. Estes pontos foram digitalizados e processados obtendo a posição e velocidade angular dos segmentos da perna e da coxa. A partir da posição e velocidade angular foi possível delinear os gráficos dos atratores (retratos de fase) e calcular os valores dos ângulos de fase para cada segmento, durante a realização da tarefa. Duas reversões para cada segmento, na posição angular, foram identificadas e nestes momentos os valores dos ângulos de fase foram capturados. Analisando as trajetórias dos retratos de fase verificou-se que os segmentos da perna e da coxa apresentaram um conjunto específico de características topológicas, na realização do saltar à horizontal. A análise dos valores dos ângulos de fase, nas duas reversões, indicou que ao longo das faixas etárias e nos dois tipos de piso os segmentos da perna e da coxa apresentaram organização espaço-temporal semelhante, indicando coordenação invariante.

Graphical models and point set matching

Point pattern matching in Euclidean Spaces is one of the fundamental problems in Pattern Recognition, having applications ranging from Computer Vision to Computational Chemistry. Whenever two complex patterns are encoded by two sets of points identifying their key features, their comparison can be seen as a point pattern matching problem. This work proposes a single approach to both exact and inexact point set matching in Euclidean Spaces of arbitrary dimension. In the case of exact matching, it is assured to find an optimal solution. For inexact matching (when noise is involved), experimental results confirm the validity of the approach. We start by regarding point pattern matching as a weighted graph matching problem. We then formulate the weighted graph matching problem as one of Bayesian inference in a probabilistic graphical model. By exploiting the existence of fundamental constraints in patterns embedded in Euclidean Spaces, we prove that for exact point set matching a simple graphical model is equivalent to the full model. It is possible to show that exact probabilistic inference in this simple model has polynomial time complexity with respect to the number of elements in the patterns to be matched. This gives rise to a technique that for exact matching provably finds a global optimum in polynomial time for any dimensionality of the underlying Euclidean Space. Computational experiments comparing this technique with well-known probabilistic relaxation labeling show significant performance improvement for inexact matching. The proposed approach is significantly more robust under augmentation of the sizes of the involved patterns. In the absence of noise, the results are always perfect.