Monitorização de saúde física e psicológica utilizando dispositivos móveis

i DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS Este é um trabalho académico que pode ser utilizado por terceiros desde que respeitadas as regras e boas práticas internacionalmente aceites, no que concerne aos direitos de autor e direitos conexos. Assim, o presente trabalho pode ser utilizado nos termos previstos na licença abaixo indicada. Caso o utilizador necessite de permissão para poder fazer um uso do trabalho em condições não previstas no licenciamento indicado, deverá contactar o autor, através do RepositóriUM da Universidade do Minho. Atribuição CC BY https://creativecommons.org/licenses/by/4.0/ ii Agradecimentos Antes de mais, quero expressar os meus agradecimentos a todos aqueles que, de alguma forma, permitiram que esta dissertação se concretizasse. Quero agradecer ao meu coordenador, o Professor Cesar Analide Rodrigues e ao meu supervisor Bruno Fernandes, por todo apoio durante esta jornada. Por estarem sempre disponíveis e me guiarem neste projeto. Quero agradecer aos meus amigos de Engenharia Informática, pelo continuo apoio e inspiração. E aos meus amigos que me acompanham ao longo dos anos, pela ajuda, pela motivação e por demonstrarem estar continuamente disponíveis para fornecer as suas opiniões e companhia. À minha família, sem eles nada seria possível, em especial à minha mãe pela paciência e por sempre acreditar no meu sucesso. E aos meus irmãos, principalmente ao João Carlos, por me acompanhar e pelo cuidado. E o meu avô pelo constante carinho. iii DECLARAÇÃO DE INTEGRIDADE Declaro ter atuado com integridade na elaboração do presente trabalho académico e confirmo que não recorri à prática de plágio nem a qualquer forma de utilização indevida ou falsificação de informações ou resultados em nenhuma das etapas conducente à sua elaboração. Mais declaro que conheço e que respeitei o Código de Conduta Ética da Universidade do Minho. iv Resumo Monitorização de saúde física e psicológica utilizando dispositivos móveis. Na última década, tem sido cada vez mais frequente a utilização de testes de personalidade, tais como o OCEAN/BIG FIVE, desenvolvido por Goldenberg em 1992, para avaliar aquilo que os psicólogos consideram ser as cinco principais dimensões da personalidade (Extroversão, Agradabilidade, Abertura, Consciencioso e Estabilidade). Assim sendo, o propósito fundamental desta dissertação é o de conceber e desenvolver uma aplicação móvel focada no tratamento de vários dados biométricos do utilizador assim como na sua personalidade. Para isso, será implementado na aplicação o teste de personalidade, baseado no modelo de Saucier, que permite ao utilizador escolher de entre quarenta adjetivos, os que melhor se adequam a si. Aquando da realização do teste, que se repetirá ao longo do tempo, será tida em consideração a informação biométrica do utilizador e o seu histórico. O objetivo é o de oferecer, ao utilizador, a possibilidade de conhecer os traços que compõe a sua personalidade ao mesmo tempo que lhe é fornecido informação biométrica, sendo possível analisar relações e correlações entre as cinco dimensões fundamentais da personalidade e os dados biométricos recolhidos, assim como a evolução de cada um destes atributos ao longo do tempo. Palavras-chave: Aplicações de Saúde, Big Five Mini-Markers, Dados Biométricos, Machine Learning, Teste Psicológico. v Abstract Physical and psychological health monitoring using mobile devices. In the last decade, there has been an increased use of personality tests, such as the OCEAN/BIG FIVE, developed by Goldenberg in 1992, to evaluate what psychologists consider to be the five traits, or dimensions, of personality (Extroversion, Agreeableness, Openness, Conscientiousness and Neuroticism). Therefore, the main purpose of this dissertation is to design and develop a mobile application focused on the collection and treatment of several biometric data of the user as well as on his personality. For this, a personality test, based on the Saucier model, will be implemented, which allows the user to choose from forty adjectives the ones that best suit him. When performing the test, which will be repeated over time, the user’s biometric information and history will be taken into consideration. The goal is to offer, the user, the possibility of knowing the dimensions that make his personality while providing biometric data, being than possible to understand relations and correlations between the five fundamental personality dimensions and the collected data, as well as the evolution of these features over time. Keywords: Big Five Mini-Markers, Biometric Data, Heath Apps, Machine Learning, Psychological Tests. vi Índice 1 Introdução .......................................................................................................... 1 1.1 Contextualização ............................................................................................... 1 1.2 Motivação .......................................................................................................... 2 1.3 O Problema ........................................................................................................ 4 1.4 Objetivos ............................................................................................................ 5 1.5 Estrutura do Documento ................................................................................... 5 2 Estado da Arte .................................................................................................... 7 2.1 As Cinco Dimensões da Personalidade .............................................................. 7 2.2 Dados Biométricos ........................................................................................... 10 2.2.1 Batimento Cardíaco .................................................................................. 11 2.2.2 Monitorização do Sono ............................................................................. 15 2.2.3 Monitorização de Atividade ...................................................................... 15 2.2.4 Outras Informações .................................................................................. 16 2.3 Dispositivos de Monitorização ........................................................................ 18 2.3.1 Smartwatch e Smartband ......................................................................... 19 2.3.2 Sensores .................................................................................................... 22 vii 2.4 Machine Learning ............................................................................................ 24 2.4.1 Aprendizagem Supervisionada ................................................................. 24 2.4.2 Aprendizagem Não-Supervisionada ......................................................... 25 2.4.3 Aprendizagem por Reforço ....................................................................... 27 3 Ferramentas e Tecnologias ................................................................................ 29 3.1 Aplicações Mobile de Saúde e Fitness ............................................................. 29 3.2 APIs de Saúde e Fitness ................................................................................... 32 3.3 Ferramentas e Tecnologias Utilizadas ............................................................. 34 3.3.1 Plataforma Web Big Five ........................................................................... 34 3.3.2 Android ...................................................................................................... 36 3.3.3 Android Studio........................................................................................... 36 3.3.4 Firebase ..................................................................................................... 37 3.3.5 Google Fit .................................................................................................. 37 3.3.6 KNIME ....................................................................................................... 39 3.3.7 Python ....................................................................................................... 39 3.3.8 Jupyter Notebook ...................................................................................... 40 4 Design e Implementação ................................................................................... 42 4.1 Proposta e Design ............................................................................................ 42 4.2 Modelo de Dados ............................................................................................ 46 xiv Índice de Tabelas Tabela 1 - Tabela interpretativa do resultado do IMC. ....................................................... 17 Tabela 2 - Tabela comparativa entre diferentes smartbands e smartwatches. ................. 22 Tabela 3 - Tabela comparativa de diferentes aplicações de saúde. .................................... 30 Tabela 4 - Tabela com os principais atributos de cada dataset. ......................................... 67 Introdução 1 Capítulo 1 1Introdução Neste capítulo pretende-se apresentar o contexto do tema da dissertação, a motivação por trás do propósito deste projeto, os diferentes objetivos e, por último, a estrutura do documento. 1.1 Contextualização Os testes de personalidade são uma ferramenta muito utilizada em processos de seleção de indivíduos, uma vez que podem revelar traços de personalidade do candidato que são menos óbvios ou que não são relatados numa entrevista. Também se torna possível identificar, por exemplo, se um indivíduo está apto para operar máquinas, conduzir veículos e/ou possuir licença de porte de armas de fogo, tendo ainda a finalidade de autoconhecimento ou de diagnosticar algum tipo de transtorno psicológico, sendo que, em último caso, o psicólogo indicará o tratamento mais adequado para trabalhar os traços de personalidade (Oliveira & Filho, 2015). O modelo Big Five Inventory (BFI) (Digman, 1990) foi sofrendo variações ao longo dos anos, gerando novas versões, como por exemplo o Big Five-Extra -Short (Soto & John, 2017) ou o Big Five Mini-Markers (Thompson, 2008), versão mais curta e simplificada do original. No Big Five Short (Hahn, Gottschling, & Spinath, 2012) ocorreu uma diminuição de 44 para 15 dos itens em avaliação. Apesar das versões citadas acima mostrarem níveis aceitáveis Introdução 2 de consistência interna, estabilidade e nível suficiente de utilidade, o BFI permanece mais confiável. Perante a informação dos vários modelos de Big Five, será testado um modelo relacionado com o Big Five Mini-Markers (Saucier, 1994) de forma a avaliar os adjetivos de personalidade de 1 a 9 em conformidade com a seleção dos termos que mais definem o utilizador e ainda a idade, sexo, língua e a informação biometria correspondente ao batimento cardíaco, peso e qualidade do sono, entre outros. É de salientar que a crescente utilização de dispositivos móveis, como smartwatches e smartbands induziram um aumento do interesse na monitorização da saúde pessoal. Esses dispositivos estão equipados com o hardware do sensor necessário, como acelerómetro e sensor de frequência cardíaca, para monitorização de atividades físicas e batimentos cardíacos, sendo a partir destes mecanismos que é obtida a variação dos batimentos (Pessemier & Martens, 2017). É também notório um interesse acrescido de cada pessoa em saber como se classifica a sua personalidade, i.e., o que é que a caracteriza e como. 1.2 Motivação Em diversas cenários, testes e avaliações psicológicas são semelhantes a exames médicos. Se um paciente tiver sintomas físicos, um prestador de cuidados primários pode solicitar radiografias ou exames de sangue para entender sintomas. Os resultados dos testes ajudarão a informar o desenvolvimento de um plano de tratamento. Avaliações psicológicas servem o mesmo propósito, i.e., os psicólogos usam testes e outras ferramentas de avaliação para medir e observar o comportamento de um utente para chegar a um diagnóstico e orientar o tratamento. Psicólogos administram testes e avaliações por uma ampla variedade de razões. As crianças que estão com dificuldades na escola, por exemplo, podem passar por testes de Introdução 3 aptidão ou testes que identificam dificuldades de aprendizagem. Testes para habilidades como destreza, tempo de reação e memória podem ajudar um neuropsicólogo a diagnosticar condições como lesões cerebrais ou demência (Eabon & Abrahamson, n.d.). Esses testes variam desde instrumentos científicos sérios e amplamente usados à psicologia popular. É do consenso geral na psicologia académica que existem cinco traços fundamentais de personalidade (Open-Source Psychometrics Project, 2019). O modelo BFI é assumido na maioria das pesquisas sobre personalidade e é a base de muitos dos testes mais utilizados por psicólogos que mantêm uma estreita aceitação com a comunidade academia (OpenSource Psychometrics Project, 2019). No entanto este tipo de teste apesar ser bem aceite tem tendência a ser extenso e demorado. Cada vez mais as pessoas se preocupam com a sua saúde e existe uma crescente tendência a monitorizá-la. Segundo uma análise de 2018 (“The Rise of mHealth Apps: A Market Snapshot,” 2018) o mercado de saúde móvel (mHealth) tem crescido constantemente nos últimos anos com a adoção de novas tecnologias, novos modelos de negócios e novos fluxos de trabalho que transformaram os serviços de saúde. Em consonância, tem se sentido um crescimento no número e qualidade de dispositivos de monitorização de fitness. Segundo artigos e análises existentes (“Wearables based on APIs, an excellent business opportunity,” 2018) está previsto um crescimento do número de dispositivos de fitness no mercado. As vendas aumentarão e a taxa de crescimento aumentará nos próximos anos. Pretende-se, com este trabalho, tirar partido deste interesse para conceber e desenvolver uma aplicação que faça uma recolha exaustiva de vários dados biométricos, permita ao utilizador analisar o seu histórico e que, de forma diferenciada das aplicações atuais, permita ao utilizador saber como se caracteriza a sua personalidade e como esta Introdução 4 tem evoluído. Pessoalmente, uma forte motivação foca-se na possibilidade de ligar os domínios da psicologia à parte física de um utilizador. Na realidade atual, as pessoas, de um modo geral, têm mais tendência a ter problemas psicológicos, existe mais suscetibilidade para depressões, stress, ou seja, uma saúde mental mais débil. Esperemos que num futuro próximo as tecnologias, além de conseguirem examinar a saúde física, permitam também que uma pessoa controle a sua saúde mental de forma constante e assertiva. 1.3 O Problema Nos dias de hoje, as cinco principais doenças mortais não transmissíveis são doenças cardíacas, cancro, doenças crônicas, doenças respiratórias e diabetes (Brundtland, 2000). Há fortes evidências científicas de que uma dieta saudável e atividade física adequada (ou seja, ≥30 minutos de atividade física de intensidade moderada, ≥5 dias por semana) desempenham papel importante na prevenção dessas doenças (Preventing Noncommunicable Diseases in the Workplace through Diet and Physical Activity, 2008). Além desta informação, cinco das dez principais causas de incapacidade no mundo (depressão, esquizofrenia, distúrbios bipolares, uso de álcool e transtornos obsessivos compulsivos) são problemas mentais (Brundtland, 2000). Posto isto, e visto que cada vez mais as pessoas usam tecnologias móveis e dispositivos para controlar a atividade física, sentiu-se a necessidade de juntar dois temas que estão cada vez mais em voga, i.e., o controlo da saúde mental e física. Isto vai de encontro a uma lacuna que se verifica no mercado das aplicações móveis de saúde e fitness como a Fitbit, Samsung Heath, Health Mate, Apple Health, que não abordam a temática das doenças mentais nem permitem realizar testes psicológicos. Introdução 5 1.4 Objetivos O propósito fundamental desta dissertação é o de conceber e desenvolver uma aplicação móvel focada no tratamento de vários dados biométricos do utilizador assim como na sua personalidade. Para isso, será implementado um teste de personalidade, baseado no modelo de Saucier, que permite ao utilizador escolher de entre quarenta adjetivos, os que melhor se adequam a si. Aquando da realização do teste, que se repetirá ao longo do tempo, será tida em consideração a informação biométrica do utilizador e o seu histórico. Posto isto, os pontos a focar são os seguintes: • Conceção e criação da aplicação móvel capaz de recolher um vasto conjunto de dados biométricos; • Incorporação do teste de personalidade big five na aplicação móvel; • Criação de vistas que permitam perceber a evolução dos dados biométricos e de respostas ao teste de personalidade que são submetidas ao longo do tempo; • Tratar, limpar e extrair conhecimento dos dados colecionados; • Avaliar relações entre os dados psicológicos e os dados biométricos. 1.5 Estrutura do Documento A estrutura deste documento consiste em seis capítulos, cada um composto por diversas seções. O primeiro capítulo introduz o tema deste projeto, revelando as principais motivações para o seu desenvolvimento, bem como os objetivos a alcançar para o produto final. Termina com uma breve descrição da estrutura desta dissertação. No segundo Introdução 6 capítulo, encontra-se explorado o conceito de teste psicológico, dados biométricos e a sua relação com o estado psicológico de um indivíduo. No terceiro capítulo é feita uma análise do estado da arte de várias aplicações de fitness e saúde, sendo realizada uma comparação entre as mesmas. No quarto capítulo está descrito o processo de construção da aplicação, desde as mockups até ao protótipo final. No quinto capítulo aplica-se um caso de estudo, tendo a aplicação sido distribuída por um conjunto de indivíduos. Os dados são tratados e analisados. No sexto capítulo apresentam-se conclusões sobre o trabalho desenvolvido, analisando aspetos positivos e negativos que o tenham envolvido. Conclui-se o capítulo com uma breve análise relativamente ao futuro do método desenvolvido e da sua aplicação em ambientes reais. Estado da Arte 7 Capítulo 2 2Estado da Arte Este capítulo apresenta uma análise às áreas do domínio do projeto. A metodologia utilizada para elaborar a pesquisa dos conceitos relevantes discutidos neste capítulo, consistiu principalmente na análise de artigos científicos em conferências relevantes, revistas científicas, livros científicos e aplicações práticas. Os termos pesquisados foram Big Five Personality Test, dados biométricos, monitorização de saúde e atividade física, monitorização do sono e Machine Learning, tanto na língua portuguesa como inglesa. O objetivo desta análise não é apenas reunir informações relevantes, mas também refletir a fim de entender a área e os temas do projeto de dissertação. 2.1 As Cinco Dimensões da Personalidade Os testes de personalidade sofreram uma grande evolução ao longo dos anos. Inicialmente vários grupos independentes de cientista descobriram e definiram os cinco grandes traços baseados em pesquisas empíricas (Thiel, 2018). Ernest Tupes e Raymond Christal avançaram o modelo inicial, com base no trabalho realizado no final dos anos 50 (Thiel, 2018). Digman propôs o seu modelo de cinco fatores de personalidade em 1990, sendo que Goldberg o estendeu ao mais alto nível organizacional em 1992 (Goldberg, 1992). Na Figura 1 é possível encontrar os cinco traços de personalidade, nomeadamente extroversão, agradabilidade, abertura, consciencioso e estabilidade. Estado da Arte 8 Figura 1 - Os cinco traços de personalidade Big Five Inventory. • Extroversão - Este fator representa dois fins: extroversão e introversão. Diz respeito à forma como um indivíduo atrai energia e como interage com os outros. De uma forma geral, extrovertidos consomem energia ou “recarregam” ao interagir com os outros, enquanto os introvertidos se cansam de interagir com os outros e reabastecem a sua energia da solidão (Lebowitz, 2016). • Agradabilidade - Este fator diz respeito à forma como as pessoas se relacionam positivamente com os outros. É uma construção que assenta sobre como o indivíduo geralmente interage com os outros (Lebowitz, 2016) . Estado da Arte 9 • Consciencioso - É uma característica que pode ser descrita como a tendência de controlar impulsos e agir de formas socialmente aceitáveis, i.e., comportamentos que facilitam o comportamento direcionado por objetivos (John & Srivastava, 1999). As pessoas conscientes são excelentes na sua capacidade de retardar a gratificação, trabalhar dentro das regras e planear, e organizar de forma eficaz. • Estabilidade – Este traço é o único grande fator em que uma baixa pontuação indica um traço negativo superior. Não é um fator de maldade ou incompetência, mas de confiança e de estar confortável dentro da própria pele. Engloba a estabilidade emocional e o temperamento geral (Lebowitz, 2016). • Abertura - A abertura à experiência tem sido descrita como a profundidade e complexidade da vida mental e das experiências de um indivíduo (John & Srivastava, 1999). É também chamado de intelecto ou imaginação. A abertura à experiência diz respeito à disposição de um indivíduo em tentar coisas novas, ser vulnerável e ter capacidade de pensar fora da caixa (Ackerman, 2017). A designação dos traços de personalidade foi obtida segundo tradução para português de uma especialista, nomeadamente uma psicóloga da Escola de Psicologia da Universidade do Minho. Uma vez que os teste de personalidade são por norma extensos, houve várias tentativas de os abreviar como é o caso do Big-Five Inventory Short (BFI-2-S) (Soto & John, 2017) que é uma abreviação dos 60 item do Neo Five Factor Inventory (Neo FFI; Costa and McCrae, 1992) e dos 44 itens do Big Five Inventory (BFI; Jonh, Donahue, and Kentle, 1991). O BFI-S com 15 itens, 3 item para cada dimensão, revelou-se com baixa correlação em comparação com o NEO-PI-R em relação à amabilidade. Nessa mesma análise foi ainda concluído que existia uma média de estabilidade de coeficientes de 70% ao refazer o teste passados 18 meses. Outras Estado da Arte 16 física, além de fornecer alguns resumos meta-analíticos dos resultados, revelaram diferenças por características como a extroversão, sendo necessárias mais pesquisas para se poder tirar conclusões válidas. Um estudo mais recente que pretendia estimar as correlações populacionais entre os fatores de personalidade Big Five e a atividade física, examinou se elas variavam de acordo com as características da amostra e as características do estudo. Os resultados obtidos por Wilson & Dishman, permitiram concluir que variaram de acordo com as características da amostra (por exemplo, idade, sexo ou estado clínico) e/ou com as características do estudo (por exemplo, medir qualidade ou formato do item). Esta análise fornece um novo suporte para uma relação entre atividade física e a dimensão Abertura (Wilson & Dishman, 2015). 2.2.4 Outras Informações Segundo a a Organização Mundial de Saúde as "Recomendações Globais sobre Atividade Física para a Saúde" abordam duas faixas etárias: 5 a 17 anos e 18 ou mais. Essas faixas etárias foram selecionadas levando em consideração a natureza e a disponibilidade de evidências científicas relevantes para a prevenção de doenças não transmissíveis por meio da atividade física (Global recommendations on physical activity for health, 2010)). De forma a melhorar a aptidão cardiorrespiratória e muscular, a saúde óssea e os biomarcadores de saúde cardiovascular e metabólica, crianças e jovens de 5 a 17 anos devem acumular diariamente pelo menos 60 minutos de atividade física de intensidade moderada a vigorosa. Já os adultos devem fazer pelo menos 150 minutos de atividade física aeróbica de intensidade moderada ao longo da semana ou pelo menos 75 minutos de atividade física aeróbica de intensidade vigorosa no mesmo período ou uma combinação equivalente de atividade de intensidade moderada e vigorosa. Desta forma permite melhorar a capacidade cardiorrespiratória e muscular, a saúde óssea reduz o risco de doenças crônicas não Estado da Arte 17 transmissíveis, depressão e declínio cognitivo (Global recommendations on physical activity for health, 2010). Outro indicador de saúde, o índice de massa corporal, ou IMC, é uma medida útil para a maioria das pessoas com mais de 18 anos de idade, sendo utilizada para determinar se o indivíduo está numa faixa de peso saudável para a sua altura. O IMC compara o peso com a altura e é calculado dividindo o peso pela altura. Desta forma, permite uma ideia de se a pessoa está 'abaixo do peso', 'saudável', 'acima do peso' ou 'obeso' para a sua altura. O IMC é um tipo de ferramenta para ajudar os profissionais de saúde a avaliar o risco de doença crônica (“BMI Calculator | The Heart Foundation,” n.d.). Os resultados do IMC, segundo o ministério da saúde do Brasil (Pinheiro, 2019) deverão interpretados a partir da Tabela 1 seguinte forma: Estado IMC por kg/m² Baixo peso muito grave < de 16 Baixo peso grave 16 e 16,99 Baixo peso entre 17 e 18,49 Peso normal entre 18,50 e 24,99 Sobrepeso entre 25 e 29,99 Obesidade grau I entre 30 e 34,99 Obesidade grau II Entre 35 e 39,99 Obesidade grau III (obesidade mórbida) > 40 Tabela 1 - Tabela interpretativa do resultado do IMC. Estado da Arte 18 Figura 3 - Tabela do Índice de Massa Corporal 2.3 Dispositivos de Monitorização Atualmente a facilidade com que o ser humano tem acesso a dispositivos móveis, como smartphones, smartwatches e smartbands induzem um aumento do interesse na monitorização da saúde pessoal. Esses dispositivos estão equipados com os sensores necessários, como acelerómetro e sensor de frequência cardíaca. Pessemier & Martens, em 2017 avaliaram a precisão de vários dispositivos como a chest strap, smartband, smartwatch e um smartphone na medição da frequência cardíaca. Todos estes dispositivos, com a exceção do smartphone, fazem a leitura do batimento cárdico através de um flash embutido com luz emissora de díodo (LED) como fonte de luz e a câmara CMOS (complementary metal oxide semiconductor) como sensor de luz que permite Estado da Arte 19 a leitura das ondas cardíacas. O flash do smartphone pode ser configurado como fotopletismógrafo, e deste modo, pode então ser usado como um gravador de ondas de pulso (Matsumura & Yamakoshi, 2013) que desta forma, permite medir a variação do ritmo cardíaco. Ao comparar valores detetados pelos vários monitores cardíacos referidos, os resultados mostram medições semelhantes para os quatro dispositivos no estado de repouso. Em contraste, durante atividades, como atividade física, a smartband, o smartwatch e o smartphone podem registar variações súbitas na frequência cardíaca com um atraso, devido a movimentos físicos do pulso ou da mão. O dispositivo especializado com cinta de peito (chest strap) mostra a frequência cardíaca mais precisa, altamente correlacionados com as medidas obtidas com o monitor de pressão arterial aprovado para fins médicos (Pessemier & Martens, 2017). Segundo um artigo da Digital Trends (Hill, 2019) que afirma que a medição de passos é bastante precisa nos dispositivos já referenciados acima. Salvo raros casos de pessoas que se deslocam muito lentamente ou de forma incomum ou então deteta movimentos involuntário, nestes casos os passos são subconta-dos. 2.3.1 Smartwatch e Smartband Os dispositivos de fitness continuam em expansão em termos de vendas, um exemplo disso é que em 2016 foi lançada uma notícia (SAPO, 2016), que defere que já há mais vendas de smartwatches do que relógios analógicos. No gráfico da Figura 4 é possível ver os dispositivos de monitorização mais vendidos até ao ano de 2017, sendo que a tendência é para aumentar: Estado da Arte 20 Figura 4 - Crescimento da venda de dispositivos. Além do crescimento comercial é possível verificar que em termos de dispositivos de monitorização as pulseiras e os relógios inteligentes são os mais populares. Desta forma, nesta secção vai ser dada mais importância aos dispositivos do tipo smartbands e smartwatches, uma vez que são os mais práticos e mais usados. Tal como o nome indica, smartwatches são relógios inteligentes, também conhecidos, como uma espécie de smartphone de pulso. O dispositivo é capaz de se conectar aos telemóveis de última geração e usar aplicações como WhatsApp, Facebook, determinados jogos e ainda receber chamadas e tirar fotos. As funções de contagem de passos, acompanhamento cardíaco e do sono são apenas alguma opções oferecidas (Tecnologia - ig, 2018). De forma a obter mais informação sobre estes aparelhos, foi realizada uma tabela comparativa sobre os dispositivos mais conhecidos evidenciando as características técnicas, Estado da Arte 21 os tipos de monitorização que permitem, entre outras características, que é possível verificar na Tabela 2. Amazfit Bip Apple Watch Series 4 Fitbit Charge 3 Fitbit. Versa Huawei Band 3 Pro Huawei Watch 2 Samsung Gear Fit 2 Samsung Gear Sport Xiaomi Mi Band 3 Especificações Técnicas Vida da Bateria 30-45 dias 18+ horas +7 dias +4 dias 20 dias 3-25 dias 3-4 dias 4 dias 20 dias Tipo SW SW SB SW SB SW SW SW SB Resistência a água IP68 5 ATM 5 ATM 5 ATM 5 ATM IP68 IP68 5 ATM 5 ATM Sensores Acelerómetro √ √ √ √ √ √ √ √ √ Luminosidade √ √ X X X √ X √ X Barómetro √ √ X X X √ √ √ X Oxímetro √ √ √ √ √ √ √ √ √ GPS √ √ X X √ √ √ √ X GLONASS √ √ X X X √ √ X X Altímetro X √ √ √ X X X X X Bluetooth √ √ √ √ √ √ √ √ √ Giroscópio X √ X X X √ √ √ X Monitorização de atividade Passos √ √ √ √ √ √ √ √ √ Distancia √ √ √ √ √ √ √ √ √ Calorias √ √ √ √ √ √ √ √ √ Atividade √ √ √ √ √ √ √ √ √ Piso X √ √ √ √ √ √ √ X Batimento Cardíaco √ √ 24/7 24/7 √ 24/7 √ √ √ Estado da Arte 22 Vo2Max √ X √ √ √ √ X X X GPS √ √ X X √ √ √ √ X Outras Funções Notificações √ √ √ √ √ √ √ √ √ Música em Memoria X X √ √ X X X √ X Pagamento NFC X √ √ √ X X X X √ SO Android Wear Watch OS Fitbit OS Fitbit OS Android Wear SO Produtor Tizen Tizen SO Produtor Apps Mi Fit Health Fitbit Fitbit Huawei Health Huawei Health Samsung Health Samsung Health Mi Fit Tabela 2 - Tabela comparativa entre diferentes smartbands e smartwatches. A partir Tabela 2 foi possível concluir que os dispositivos mais usados, mesmo os de mais baixa gama, contêm sensores que permitem monitorizar a atividade, como a contagem das calorias, número de passos e distância, a qualidade e a duração do ciclo de sono, a monitorização do batimento cardíaco, sendo que neste último existem dispositivos como a Fitbit que monitorizam 24h por dia e outros que só verificam a pulsação quando são invocados como é o caso da Xiaomi Amazfit Bip. A qualidade da monitorização depende sempre da qualidade dos sensores e do tipo. Por exemplo, o Apple Watch tem sensor ótico e elétrico, sendo que existem ainda outros dispositivos que permitem a medição da pressão arterial como é o caso da Fitbit Charge 3. 2.3.2 Sensores Da grande variedade de sensores usados por smartbands, smartwatches e smartphones pode-se definir os mais importantes como sendo: • Acelerómetro - serve para medir a aceleração de um corpo em relação à gravidade. Este sensor controla a deteção de movimento baseada em eixos e podem ser Estado da Arte 23 encontrados tanto em monitores fitness como no smartphone sendo por causa deles que é possível registar os passos e a velocidade do carro quando usamos aplicações como Google Maps ou SnapChat. • Altímetro - aparelho responsável pela medição de altitude em relação nível do mar, é especialmente útil a utilizadores que pratiquem exercício físico ao ar livre. Com ele é possível, por exemplo, medir com exatidão a altura alcançada durante o percurso de uma corrida, ou então saber precisamente o momento mais alto durante um passeio de bicicleta. • Giroscópio – este dispositivo complementa o acelerómetro, ajudando a entender de que forma o smartphone ou um monitor de fitness está orientado, desta forma adiciona uma camada extra de precisão. • Sensor de luminosidade - este sensor, permite medir a luz do ambiente e deste modo ajustar o brilho do ecrã em conformidade com a luz atual. • Barómetro - Responsável por indicar a pressão atmosférica na tela do relógio, ele transmite informações importantes, como variações abruptas na pressão atmosférica que levam a mudanças climáticas. • Oxímetro - Sensor responsável por medir a pulsação, determina a quantidade de oxigénio no sangue, e permite a classificação da condição arterial. • GPS - sistema de posicionamento global é um sistema de satélites e outros dispositivos que tem como função básica prestar informações precisas sobre o posicionamento individual no globo terrestre. • GLONASS - Sistema de Navegação Global via Satélite é o equivalente russo do GPS. Praticamente todos os dispositivos que são compatíveis com o GPS também o são com GLONASS. • Bluetooth - tecnologia de comunicação sem fios que permite que computadores, smartphones, tablets, smartwatches e smartbands troquem dados entre si e se Estado da Arte 24 conectem a ratos, teclados, fones, impressoras, colunas e outros acessórios a partir de ondas de rádio. O conceito permite que os dispositivos se interliguem de forma rápida sem a necessidade de usar cabos, sendo suficiente que estejam próximos um do outro. 2.4 Machine Learning É um ramo da inteligência artificial baseado na ideia de que os sistemas podem aprender com dados, identificar padrões e tomar decisões com mínima intervenção humana. É um ingrediente crítico para aplicações inteligentes e oferece a oportunidade de acelerar ainda mais os processos de descoberta, bem como aprimorar os processos de tomada de decisão (Bari, 2018). Os três métodos mais adotados de Machine Learning são a aprendizagem supervisionada, a aprendizagem não-supervisionada e aprendizagem por reforço. 2.4.1 Aprendizagem Supervisionada Na aprendizagem supervisionada um conjunto de dados de treino contém dados de entrada e o valor que que se pretende prever (que pode ser numérico ou não). O modelo a desenvolver usa os dados de treino para aprender ligações entre as entradas e as saídas. A ideia subjacente é que os dados de treino podem ser generalizados e que o modelo pode ser usado em novos dados com alguma precisão. Alguns exemplos de algoritmos de aprendizagem supervisionada incluem: • Support Vector Machine (SVM) é um algoritmo de machine learning supervisionado que pode ser usado para desafios de classificação ou regressão. No entanto, é usado principalmente em problemas de classificação. Neste algoritmo, alocamos cada item de dados como um ponto no espaço n-dimensional, sendo que o valor de cada recurso corresponde ao valor de uma determinada coordenada. Os Vetores de Suporte são Estado da Arte 25 simplesmente as coordenadas da observação individual. SVM é a fronteira que melhor separa as duas classes (hiperplano/linha). • Classificador de Naive Bayes é baseado no teorema de Bayes. A abordagem probabilística seguida pelo Classificador Naive Bayes determina a probabilidade da classificação e ajuda a encontrar a incerteza sobre o modelo. É um algoritmo eficiente que usa o conhecimento prévio dos dados observados (Sahu, Nautiyal, & Prasad, 2017). • Árvores de decisão é um algoritmo que gera árvores de decisão a partir dos dados de treino para resolver problemas de classificação e regressão. O modelo de árvore de decisão é bom para manipular dados tabulares com recursos numéricos ou recursos categóricos com poucas centenas de categorias. Ao contrário dos modelos lineares, as árvores de decisão são capazes de capturar interação não-linear. 2.4.2 Aprendizagem Não-Supervisionada Ao contrário do que acontece na aprendizagem supervisionada, estes paradigmas não possuem dados de entrada correspondentes com as variáveis de saída. A aprendizagem nãosupervisionada é um tipo de Machine Learning que visa descobrir padrões em grandes conjuntos de dados ou classificar os dados em várias categorias sem ser explicitamente treinado (Wang, 2016).Este tipo de aprendizagem está dividido em dois grandes grupos, nomeadamente clustering e dimensionally reduction. A análise de clustering é utilizada para análise exploratória de dados, com o objetivo de encontrar padrões ou agrupamentos ocultos nos dados, de que é exemplo: • K-Means é um método em que clustering requer pouco esforço. Ferramentas e Tecnologias 32 Figura 5 - Menu inicial das aplicações Samsung Health, Mi Fit, Huawei Health, Google Fit, Fitbit, Apple Health, respectivamente. 3.2 APIs de Saúde e Fitness As APIs (Application Programming Interface) são a maneira mais eficaz de enviar dados de um sensor para uma equipa de desenvolvimento que precisam das informações para criar uma aplicação. A API atua como o veículo para os fabricantes de dispositivos gerarem negócios em torno de smartwatches, headsets de realidade virtual ou smartbands que medem frequência cardíaca. Sem eles, os wearables não fariam muito sentido uma vez que é incoerente colecionar dados sem lhes dar uma forma. Para este estudo foi feita uma pesquisa de forma a conhecer as diversas APIs usadas pelas aplicações móveis pesquisadas no capítulo anterior. A Google disponibiliza várias APIs conectadas a wearables. A primeiro é a API REST da Google Fit, a interface de programação de aplicações do Google Fit, a plataforma para a atividade física dos utilizadores, o segundo é o antigo Android Wear APIS agora designado por Wear OS para o sistema operacional da empresa para wearables: Ferramentas e Tecnologias 33 • API REST da Google Fit: API REST, que permite armazenar e ter acesso a dados da Google Fitness Store. Esta API oferece a possibilidade de realizar operações (criação, agregação ou exclusão) usando as fontes/conjuntos de dados colecionados pelo sensor. A API da Google funciona com três tipos de dados: completamente públicos (dados padrão fornecidos pela plataforma para qualquer aplicação), dados privados e informações que podem ser partilhadas com outras pessoas. Esta API opera sob o protocolo OAuth2. Por este motivo, os developers precisam ter uma Conta Google, ter acesso a consola do Google Developers e solicitar as credenciais por meio de um token de acesso. • Wear OS API: o Android oferece uma série de APIs para o desenvolvimento de aplicações e jogos para os dispositivos da Google. Desenvolvido sempre num ambiente de desenvolvimento na linguagem de programação Java. • Fitbit API: assim como todas as outras APIs, a API da Fitbit permite aos desenvolvedores conectar e desenvolver aplicações e serviços a partir dos dados capturados pelos wearables da marca (pulseiras ou smartwatches). Os protocolos de autorização usados são OAuth2 e OAuth1. É capaz de interpretar vários idiomas: espanhol, francês, alemão, japonês e inglês (“Wearables based on APIs, an excellent business opportunity,” 2018). • Tizen APIs: O sistema operacional baseado em Linux para dispositivos móveis possui todos os tipos de APIs - funções de autenticação, ligadas ao framework, conteúdo, desenvolvimento gráfico, experiência do utilizador, interface, entre outros. • Health API: A API da Apple permite que aplicações de saúde e fitness compartilhem dados, tanto com o novo iOS 8 Health como entre si. O Health pode servir como um hub para todas as aplicações de saúde e fitness num dispositivo Ferramentas e Tecnologias 34 IOS. Isto permite que os consumidores tenham mais supervisão de sua saúde e condicionamento físico. 3.3 Ferramentas e Tecnologias Utilizadas No desenvolvimento deste projeto de dissertação, foram várias as ferramentas utilizadas, de entre as quais se podem destacar a plataforma Web Big Five, o Android Studio para a criação da aplicação móvel e o Firebase para modelação da base de dados. 3.3.1 Plataforma Web Big Five Plataforma desenvolvida para ambiente Web, que se encontra no seguinte endereço web http://crowdsensing.di.uminho.pt/main. Figura 6 - Vista inicial da plataforma web. Ferramentas e Tecnologias 35 Nesta plataforma é possível realizar o teste de personalidade BFI com mini-markers desenvolvidos por (Saucier, 1994) em três línguas diferentes, designadamente português, inglês e espanhol. Além do utilizador avaliar de 1 a 9 os adjetivos, ainda possível selecionar os marcadores que mais caracterizam o indivíduo que está a realizar o teste. São ainda pedidas informações relativas a idade e ao sexo do mesmo. No final, o indivíduo obtém o resultado do teste que efetuou. Figura 7 - Resultado da realização do teste de personalidade na plataforma web. Na Figura 7 é possível ver o resultado de um teste realizado na plataforma, onde é possível observar a expressão de cada traço de personalidade e de que forma essa informação se distribui graficamente no pentágono. Ferramentas e Tecnologias 36 3.3.2 Android Android é o sistema operativo (SO) móvel do Google baseado em Linux desenvolvido pela Open Handset Alliance (OHA). Este SO está presente em diversos aparelhos de diversas fabricantes, como Samsung, Motorola, LG, e Sony, Huawei, Xiaomi, sendo atualmente a plataforma mobile mais popular do mundo. As razões que levaram à escolha da aplicação para este software foram, para além da sua popularidade por todo o mundo, com cerca de 80% da quota de mercado, a ampla gama de marcas que o utilizam. A Play Store, do Android, permite que qualquer programador possa publicar os seus conteúdos, tendo um custo reduzido, o que possibilita que milhares de apps de programadores independentes, estejam presentes não só na PlayStore, como também em plataformas dedicadas (Bacelar, 2019). 3.3.3 Android Studio O Android Studio é o ambiente de desenvolvimento integrado (IDE) oficial para o desenvolvimento de aplicações Android e é baseado no IntelliJ IDEA. O Android Studio oferece vários recursos para criação de aplicações Android, tais como: • Editor de código e das ferramentas de desenvolvimento avançados do IntelliJ; • Sistema de compilação flexível baseado no Gradle; • Emulador rápido, um ambiente consolidado para todos os dispositivos Android; • Instant Run para aplicar alterações a aplicações em execução; • Integração com GitHub para ajudar a criar recursos comuns das aplicações e importar exemplos de código; • Ferramentas tanto de teste, como de verificação de código suspeito; • Compatibilidade embutida com o Google Cloud Platform (Android Developers, n.d.). Ferramentas e Tecnologias 37 3.3.4 Firebase O Firebase é um Baas (Backend as a Service) para aplicações Web e Mobile do Google, que foi lançado em 2004 e tem sofrido um grande crescimento ao longo dos anos.Esta ferramenta não é apenas uma base de dados NoSQL, uma vez que oferece um conjunto de produtos interligados entre si, como é o caso Realtime Database, Authentication, Cloud Firestore, Storage, Cloud Functions, entre outros. A Realtime Database, base de dados utilizada nesta dissertação, permite o armazenamento e sincronismo dos dados entre utilizadores e dispositivos em tempo real, com uma base de dados NoSQL hospedada na nuvem. Os dados atualizados são sincronizados em todos os dispositivos conectados em segundos. Também possibilita o acesso aos dados estando a aplicação off-line, o que é vantajoso uma vez que um utilizador pode ter acesso, independentemente da conectividade de rede. O Firebase é um sistema completo, robusto, adequado para prototipagens e de fácil uso. As principais vantagens desta ferramenta seguem-se por ser facilmente escalável, rápida implementação, segura, com um a estrutura pronta. No entanto, tal como qualquer outra ferramenta tem desvantagens, sendo que a principal é a limitação da plataforma, uma vez que o plano gratuito é limitado a 100 utilizadores em simultâneo e 1GB de armazenamento. Apesar desta desvantagem, esta ferramenta adequa-se a este projeto, uma vez que não se prevê um volume muito grande de dados, nem de utilizadores. 3.3.5 Google Fit A Google Fit é a aplicação de fitness que se centraliza na simplicidade e em executar algumas peças essenciais. Esta tem um design intuitivo, o que faz com que tenha uma baixa curva de aprendizagem. Existem três seções principais da aplicação Google Fit, designadamente Página inicial, Diário e Perfil. Ferramentas e Tecnologias 38 A Página inicial mostra uma visão geral das atividades e métricas de saúde do próprio dia, incluindo minutos de movimento e pontos cardíacos, calorias queimadas, distância percorrida, dados de frequência cardíaca e peso. Na secção Diário é apresentado uma lista de todas as atividades gravadas, caminhadas, voltas de bicicletas, treino de mergulho. Por último na página Perfil, o utilizador pode ajustar os minutos de movimento e pontos cardíacos que pretende alcançar, bem como as informações pessoais, como peso e a altura. O que torna o Google Fit diferente das outras aplicações são os Minutos ativos e os Pontos cardio, que resultaram do trabalho que a Google realizou com a American Heart Association para criar dois objetivos, com base nas recomendações de atividades da Heart Association (Google Commerce Ltd, 2019). A partir da versão 2.16.22, o Google Fit passou a ter um modo escuro que ajuda a reduzir o gasto da bateria. Esta aplicação é ainda compatível diversas aplicações, destacamos as seguintes: • Strava; • Instant; • Google Calendar; • 7 Minute Workout; • Glow; • Instant Heart Rate; • Withings Health Mate; • Mi Fit • Sleep as Android; • Calm; Ferramentas e Tecnologias 39 • Daily Yoga; • Lose it!. Além da compatibilidade com estas aplicações, todos os smartwatches com Wear OS funcionam com o Google Fit. Já com as smartbands, este tem baixa conexão, uma vez que apenas as pulseiras dos fabricantes Huawei e Xiaomi têm melhor compatibilidade de recursos, devido à partilha de dados com as sua aplicações de gestão de origem (Sumra, 2018). 3.3.6 KNIME O Konstanz Information Miner (KNIME) é um ambiente modular, que permite fácil montagem visual e execução interativa de um pipeline de dados. Este é projetado como uma plataforma de ensino, pesquisa e colaboração, que permite a integração simples de novos algoritmos e ferramentas, bem como manipulação de dados ou métodos de visualização na forma de novos módulos ou nós (Lartillot, Toiviainen, & Eerola, 2008). Algumas de suas principais características incluem a combinação de dados, uma poderosa análise, extensões de big data e vinculação de meta-nó, funções estatísticas, algoritmos de Machine Learning e algoritmos preditivos avançados. O KNIME é uma plataforma open source que auxilia o utilizador a descobrir o potencial de dados ocultos, extrair novos insights e prever com precisão novas regras (FinancesOnline, n.d.). 3.3.7 Python O Python é uma linguagem de programação interpretada de alto nível e open source que é adequada para código científico e de engenharia, uma vez que é rápida o suficiente para ser útil imediatamente, mas também flexível o suficiente para ser acelerada com extensões adicionais (Oliphant, 2007).Esta linguagem, possui muitas bibliotecas distintas e bem Ferramentas e Tecnologias 40 documentadas que facilitam as análises de computação científica de alto nível, como é o caso da análise de dados. Existem várias bibliotecas que permitem visualizar, processar e analisar de dados, alguns exemplos: • numpy, uma biblioteca de processamento numérico que suporta matrizes multidimensionais; • scipy, uma biblioteca de processamento científico fornecendo ferramentas avançadas para análise de dados, incluindo regressão, integradores e solucionadores de equações diferenciais ordinárias, álgebra linear e funções estatísticas; • pandas, dados e uma biblioteca de manipulação de dados e tabelas que oferece funcionalidade semelhante a spreadsheets como o ExcelTM; • matplotlib, uma biblioteca de plotagem com ferramentas para exibir dados de várias maneiras (Badenhorst et al., 2019). 3.3.8 Jupyter Notebook O Jupyter suporta computação científica e ciência de dados numa vasta diversidade de linguagens de programação (Python, Julia, R, etc.) e fornece ainda recursos básicos de reprodutibilidade e colaboração (Fernando Perez, 2015). O Jupyter Notebook é uma aplicação web open-source para computação exploratória, que permite criar e partilhar documentos que contém código ativo, equações, permite a visualização gráfica e descrição textual. As principais utilidades desta ferramenta são as seguintes: • Limpeza de dados e transformação; • Simulação numérica; • Modelos estatísticos; Ferramentas e Tecnologias 41 • Visualização de dados; • Machine Learning (Budkewicz, 2018). Design e Implementação 48 Figura 13 - Árvore da base de dados. Como é possível ver através da figura anterior (Figura 13), os dados estão organizados três categorias, denominadas por: UserBiometrics - Nesta secção são guardados os dados biométricos dos utilizadores, sendo que a informação é guardada sempre que o utilizador acede ao menu principal da Design e Implementação 49 aplicação. As informações que se encontram nesta categoria são: a distância percorrida, o batimento cardíaco, o valor do IMC, calorias consumidas, horas de sono, passos percorridos e peso atual. Tal como descrito, na Figura 14, é possível ver um exemplo no Firebase essas subcategorias referidas acima. Figura 14 - UserBiometrics com as suas subcategorias. UserInfo – Nesta secção são guardados os dados do perfil dos utilizadores. Esta informação é guardada quando o utilizador efetua o login ou quando atualiza as informações na atividade perfil, tal como é possível verificar na Figura 15, está categoria é composta pela idade, email, género, e nome do utilizador. Design e Implementação 50 Figura 15 - UserInfo com as respetivas subcategorias. UserPerso – Nesta categoria são guardados os resultados dos testes psicológicos, cada vez que este é efetuado e guardado. Verifica-se na Figura 16, que nesta categoria são guardados os valores 0 a 9 dos 40 adjetivos do teste psicológico, bem como nome dos botões selecionados e resultado de cada um dos 5 traços de personalidade. Design e Implementação 51 Figura 16 - UserPerso com algumas das suas subcategorias. Cada inserção na BD é alocada à categoria correspondente, com o identificador, estruturado da forma como se pode observar no exemplo: ”2019-07-28_23:37_helenafernandes2893@gmail,com“. Este identificador é composto por data (YYYY-MM-DD) separado por “_”, seguido de hora (00:00) novamente separado por “_”, e é finalizado com o email em que todos os pontos finais tiveram de ser substituídos por vírgulas, uma vez que o ponto é um caracter especial no Firebase. Design e Implementação 52 4.3 Aplicação Móvel (Path) A aplicação móvel criada para este projeto destina-se a dispositivos mobile Android, versão mínima especificada pelo identificador do nível da API da plataforma executado é a 23, e está projetada para o nível 28 da API, o que corresponde a versão do Android 6.0 até ao Android 9.0. A aplicação para recolha de dados biométricos, em conjunto com os dados dos testes psicológicos, foi desenvolvida em Java através da ferramenta Android Studio. Para o desenvolvimento foi usada a API do Google Fit, de forma a conseguir ler os dados relativos aos passos, batimento cardíaco, calorias, distância e os dados corporais relativos ao peso e altura. Uma vez que API do Google Fit não está suficientemente desenvolvida e com falta de documentação relativamente ao registo de sono, estes são inseridos manualmente pelo utilizador. Relativamente aos requisitos mínimos para a utilização desta aplicação, é necessário ter um smartphone Android com versão mínima 6 e ter já instalada a aplicação Google Fit, uma vez que a PaTH lê os dados registados a partir dessa aplicação. É ainda necessário ter uma smartwatch ou smartband que utilize o software Wear OS, ou então um dispositivo que use uma das aplicações associadas com o Google Fit, como é o caso da Mi Fit. A aplicação foi testada com vários smartphones e com dispositivos de monitorização da marca Xiaomi, como a Mi Band 2, Mi Band 4 e AMAZFIT e, como tal, requer a instalação da Mi Fit. De seguida, é necessário adicionar a conta Google à aplicação Mi Fit sendo que, para isso, é necessário ir à área de perfil do utilizador, tal como se pode ver na primeira imagem da Figura 17, e adicionar a conta Google Fit. Desta forma as aplicações já comunicam entre si. Design e Implementação 53 Figura 17 - Adicionar conta Google Fit a aplicação Mi Fit. Seguidamente, após todos os requisitos cumpridos, é possível aceder à aplicação. Ao iniciá-la, o utilizador depara-se com a vista da Figura 18, onde é efetuado o login através de uma conta Google, após autenticado e depois de ter aceite as permissões. Temos a acesso a página inicial (Figura 18). Design e Implementação 54 Figura 18 - Login Path e página inicial. Os dados relativos ao sono são inseridos pelo utilizador, tal como aparece na Figura 19. Figura 19 - Vista para inserção das horas de sono. Design e Implementação 55 A partir dos dados recolhidos da aplicação Google Fit relativos ao peso e à altura, é calculado o IMC do utilizador, este pode escolher quais as opções que quer ver no menu principal, além das 4 opções de base: os passos, o último registo do batimento cardíaco, o último registo de sono inserido e o teste de personalidade. As informações opcionais são o IMC, as calorias consumidas, a distância percorrida e o peso. Figura 20 - Vista das opções de visualização no menu principal. Na secção da realização do teste psicológico, o utilizador tem que escolher os botões com as caraterísticas que mais o caracterizam e ainda avaliá-las de 1 a 9, arrastando a seekbar consoante o valor mais adequado. Após ter clicado no botão salvar, é calculado e guardado em Shared Prefrence o valor dos 5 traços de personalidade: Agradabilidade, Extroversão, Estabilidade, Consciencioso e Abertura, consoante os valores escolhidos pelo utilizador. É também guardado numa String o nome da variável dos botões selecionados. Posteriormente, o utilizador vai ser redirecionado para o menu principal onde já será visível o resultado do teste realizado. Design e Implementação 56 Figura 21 - Realização do teste psicológico. Após ter sido realizado pelo menos um teste psicológico, o resultado vai aparecer no pentágono, expressando o ou os traços mais relevantes de entre 5 possíveis (Figura 22). O sistema vai efetuar o cálculo de um dos traços de personalidade, sendo que, para isso, é usada a formulação de Saucier. Abaixo encontra-se desmistificada a formulação para cada traço de personalidade. Para tal, é necessário ter em conta que cada adjetivo que aparece na fórmula é substituído pelo valor que o utilizador colocou para o mesmo ao realizar o teste, sendo que o valor pode ir de 0, caso não tenha avaliado esse adjetivo, a 9. • Cálculo da Extroversão Extroversão = Falador + Extrovertido+ Corajoso + Enérgico + (10 - Tímido) + (10Calado) + (10Envergonhado) + (10 - Discreto); • Cálculo da Agradabilidade Agradabilidade = Solidário + Caloroso + Amável+ Cooperativo+ (10Frio) + (10Distante) + (10Grosseiro) + (10Ríspido); Design e Implementação 57 • Cálculo da Consciencioso Consciencioso = Ordeiro + Eficiente + Sistemático + Prático + (10Desorganizado) + (10Desleixado) + (10 - Ineficiente) + (10 - Descuidado); • Cálculo da Estabilidade Estabilidade = Calmo + Descontraído + (10 - Mal-humorado) + (10 - Ciumento) + (10Temperamental) + (10 - Invejoso) + (10 - Melindroso) + (10 - Inquieto); • Cálculo da Abertura Abertura = Criativo + Imaginativo + Filosófico+ Intelectual+ Complexo + Profundo + (10 - Mediano) + (10 - Banal); Figura 22 - Página inicial após a realização do teste de personalidade. Caso de Estudo 64 • ordeiro – inteiro de 0 a 9; • pratico – inteiro de 0 a 9; • profundo – inteiro de 0 a 9; • ríspido – inteiro de 0 a 9; • selectButton – string composta pelo nome dos botões selecionadas na realização do teste psicológico separado por “_”; • sistemático – inteiro de 0 a 9; • solidário – inteiro de 0 a 9; • stable - inteiro com o resultado de estabilidade do teste psicológico; • temperamental - inteiro de 0 a 9; • tímido - inteiro de 0 a 9. DataBiometrics inclui os registos biométricos de cada utilizador composto pelas seguintes colunas. • id - o identificador é uma string composta por data, hora e email; • dist – float com a distância percorrida pelo utilizador; • heartbeat – registo do último batimento cardíaco; • imc – float com o valor calculado do IMC do utilizador; • kcal – inteiro com as calorias consumidas; • sleep – string com as horas de sono dormidas; Caso de Estudo 65 • steps – inteiro com os passos percorridos; • weight – float com o peso atual do utilizador. 5.1 Tratamento dos Dados Uma vez que os dados exportados do Firebase se encontram no formato JSON, estes tiveram de se convertidos para CSV. Seguidamente foi criado um script em Python através do Jupyter Notebook, para tratamento dos dados, para isso foi necessário exportar a três datasets. Após o carregamento dos dados, estes tiveram que ser formatados. Iniciou-se por alterar o nome de todas a colunas para remover os carateres especiais ”__|”. Seguidamente no primeiro, DataInfo, foram removidos os registos duplicados, mantendo apenas o último registo. Visto que apenas faz sentido manter um registo por utilizador, e como a idade pode alterar com o decorrer do tempo, decidiu-se manter apenas a última observação para cada utilizador. No seguinte, DataPerso, foi dividido o id, que é composto por data, hora e email, em mais duas colunas email e dia, desta forma é mais simples aceder aos dados por utilizador. A coluna selectButton também foi repartida em 40 colunas que representam os 40 adjetivos, onde estas foram preenchidas como 0 ou 1, de acordo se estavam presentes ou não na coluna selectButton. Os valores dos 5 traços de personalidade foram convertidos em percentagem, tendo em conta o máximo valor que cada um pode ter. Tendo em conta que que existiam dois testes psicológicos que não continham informação acerca dos botões clicados, estes dois registos foram eliminados. No dataset DataBiometrics, uma vez que existiam registos incompletos e muito próximos, estes foram agrupados por dia, tendo em conta o email do utilizador com batimento cardíaco igual. Desta forma, foi possível diminuir os registos de 241 para 91. Foram preenchidos todos os valores em falta, tendo sido substituída a string “Sem Registo Recente” por “0”, separado Caso de Estudo 66 as horas dos minutos, convertidas as horas em minutos e juntar na coluna sleepMinute, o total em minutos de sono. Seguidamente, preenchidos os valores em falta das colunas sleepMinute, heartbeat, steps, dist, kcal substituídos os pela média dos registos de cada utilizador. 5.2 Análise dos Resultados Iniciou-se a análise de dados através da criação de um workflow no KNIME (Figura 26) de forma a explorar melhor a visualização e análise dos dados. Para isso, foi configurado um metanode para cada ficheiro um dos datasets. Figura 26 - Workflow do KNIME. Caso de Estudo 67 Após o carregamento dos 3 datasets, iniciou-se o estudo utilizando o nodo Statistics para realizar uma análise estatística dos vários dados, visto que os dados tem muitas colunas, principalmente o DataPerso que tem cerca de 90, foi criado a Tabela 4, que concentra os principais dados estatísticos dos três dataset. Column Min Max Mean Std.Dev. Variance Skewness Kurtosis agree 32 62 44,69 8,35 69,79 -0,21 -0,83 extra 35 61 48,28 8,40 70,42 -0,17 -1,43 cons 29 59 42,17 7,32 53,58 0,75 -0,23 open 27 47 36,66 7,15 51,16 0,42 -1,47 stable 40 62 48,76 5,2281 27,33 0,52 0,93 age 13 81 30,75 19,59 383,66 1,75 3,264 dist 0 20305 2441,32 3510,30 1,23E7 2,43 7,83 heartbeat 55 219 85,46 22,21 493,36 2,86 14,93 imc 0 28 18,83 8,66 74,98 -1,64 1,07 kcal 5 3174 1306,96 702,34 493278,49 0,43 0,06 steps 0 26079 3509,43 4870,06 2,372E7 2,31 6,25 weight 45 75 66,38 6,43 41,40 -0,99 2,50 sleepMinutes 0 649 389,85 117,81 13879,14 -1,17 2,64 Tabela 4 - Tabela com os principais atributos de cada dataset. Ao explorar a tabela descobriu-se que distância percorrida pelos utilizadores em média é bastante baixa, cerca de 2 km, no entanto existe pelo menos um registo em que o utilizador percorreu 20km num só dia. Outra referência interessante que é possível ver na tabela é o grande intervalo de batimento cardíaco, mínimo 55 e máximo de 219. De seguida, explorando o metanode refrente a analise do dataset DataInfo (Figura 27), foi explorado o DataExplorer mas não foi obtida nenhuma informação adicional e foi criado um node String Manipulation para subtituir no campo email o “.” por “,” para juntar futuramente os dados de DataInfo com DataPerso. Ainda neste metanode foi gerado um Caso de Estudo 68 gráfico de barras para verificar a faixa etária e género dos participantes do estudo. (Figura 28). Figura 27 - Metanode expandido referente ao DataInfo. Como se pode ver na Figura 28, existem variações de idades que vão desde os 13 anos aos 81 e em termos de género estamos equilibrados com 5 pessoas do género feminino e 6 do masculino. Caso de Estudo 69 Figura 28 - Gráfico relativo a faixa etária e género. Redirecionando agora para o metanodo que se encontra relacionado com os dados relativos ao teste de personalidade (Figura 29). Figura 29 – Metanode referente ao dataset DataPerso. Caso de Estudo 70 Posteriormente e seguido a estrutura realizada no KNIME analisou-se o Data Perso, criando um BoxPlot com as entradas referentes aos cinco traços de personalidade, como se pode ver na Figura 30. Figura 30 - Boxplot referente aos cinco traços de personalidade. Nela é possível ver a variação entre o valor mínimo e máximo do resultado dos testes de personalidade de todos os participantes para os cinco traços de personalidade. É possível ver que o consciencioso tem bastante variação, mas que a maioria dos registos se concentram entre 36 e 47. A agradabilidade é a que tem mais variedade de valores, 35 e 50. Quanto a extroversão tem os seu valores mais centralizados entre o valor 42 e 57. A estabilidade é o traço que tem o intervalo de valores centralizados mais pequenos, entre 44 e 49. A abertura é a característica que tem valores mais baixo, e centralizados entre 30 e 42. Ainda foi verificado a que utilizadores pertenciam os outliers do traço estabilidade, para a averiguar uma possível relação entre eles, no entanto, este eram completamente aleatórios, tanto em idade como género. Caso de Estudo 71 Uma vez que maior parte da população era relativamente jovem entre os 13 e os 26, foi possível identificar que apesar da idade a abertura foi o traço com menos expressão entre a amostra. Seguidamente foi utilizado nodo Data Explorer para o dataset DataPerso, mas mais uma vez como esta tabela é muito extensa, teve que se selecionar a informação mais relevante. No caso deste dataset as entradas mais relevantes são os resultados do teste psicológico presente nos cinco traços no caso de variáveis numéricas. Na Figura 31 é possível observar em que valores cada um dos 5 traços é mais expresso e ainda verificar que os dados estão tratados, uma vez que não há valores em falta, nem nulos. Figura 31 - Gráfico de barras proveniente do nodo Data Explorer relativos aos 5 traços de personalidade estabilidade, abertura, extroversão, consciencioso e agradabilidade, por esta ordem. Caso de Estudo 72 Seguidamente e ainda no mesmo nodo, foram analisados os valores nominais, e com a tabela da Figura 32, foi possível perceber que dos 29 testes realizados por 9 utilizadores, estes foram realizados em 19 dias distintos, e que e dos 29 teste apenas dois tinham a mesma combinação de botões selecionados. Figura 32 - Tabela proveniente do nodo Data Explorer com informação estatista dos dados nominais. Continuamente foi criado uma matriz de correlação com o nodo Linear Correlation entre os traços de personalidade e os 40 adjetivos correspondestes aos botões clicados (1 caso tenha sido clicado e 0 caso contrário), a partir desta foi possível verificar que existiam botões que nunca tinham sido clicados, como é o caso dos botões Caloroso, Complexo, Energético, Invejoso, Mal-humorado, Melindroso, Ordeiro e Solidário, como se pode ver na Figura 33. Caso de Estudo 73 Figura 33 - Matriz de Correlação entre os 5 traços de personalidade e os 40 adjetivos clicáveis. Refez-se a matriz sem os casos que não tinham qualquer significância (removidos 8 adjetivos), e dando particular atenção apenas a correlação entre os traços e os adjetivos, e não adjetivos com adjetivos como é possível examinar na Figura 34. Caso de Estudo 80 Ao avaliar a segunda matriz de correlação tendo em conta os traços e os valores biométricos é possível ver que se encontra maior relação entre o imc e o consciencioso, o peso e abertura, e as calorias e a estabilidade. Pensamos, contudo, que essa que essa relação é tendenciosa, uma vez que esse atributo imc e peso são atributos constantes, não tiveram grande variação e visto que o volume de dados é pequeno, o imc acaba por ser único de pessoa para pessoa. Aparentemente os dados de sono, batimento cardíaco e passos não relevaram nenhuma correlação significativa. Este facto deve-se à falta de um volume significativo de dados. Outro facto, é que quando os utilizadores acedem a aplicação, muito vezes é no início ou meio do dia, daí também o facto de média total dos passos ser abaixo do esperado. Figura 42 - Matriz de correlação com os dados biométricos, de personalidade e informação. Conclusões e Trabalho Futuro 81 Capítulo 6 6Conclusões e Trabalho Futuro 6.1 Conclusões Atualmente, as pessoas utilizam cada vez mais sistemas inteligentes, consciente ou inconscientemente. Desde obter uma recomendação de um produto em compras online para simples pesquisas no Google. Tendo por base o primeiro capítulo, foi possível ter uma noção das principais motivações que se ligam a este projeto, uma vez que existe uma crescente preocupação global e pessoal em analisar as alterações físicas e psicológicas que as pessoas vão sofrendo ao longo do tempo. Adicionalmente, a constante ascensão das tecnologias e a facilidade com que estas se podem alcançar, garante uma constante procura. Analisando a literatura referente a vários testes psicológicos foi possível examinar vários tipos de teste, aceites pela comunidade de psicologia. De entre os vários avaliados, seguiu-se o teste de Saucier, pela simplicidade de realização e pela enorme aceitação. Foram ainda avaliadas as várias perspetivas relativas à possível relação entre os testes psicológicos BFI e os aspetos físicos de um indivíduo. Desta avaliação, obtemos que existe uma possível relação entre a baixa variação da frequência cardíaca e baixa Estabilidade e, ainda, que a alta atividade física pode estar relacionada com o traço de Abertura mais expresso. Visto que para investigar os estados físicos de um indivíduo são necessários dispositivos de monitorização, foram avaliados essencialmente smartbands e smartwatches. Conclui-se que os dispositivos com Conclusões e Trabalho Futuro 82 mais aderência estão associados a grandes empresas fabricantes de smartphones, tais como, Samsung, Apple, Huawei e Xiaomi. Desta forma, a maioria dispõe de software próprio, o que tornou difícil a criação de uma aplicação móvel, que fosse compatível com todos os aparelhos. Seguidamente, foram examinadas as aplicações que por definição comunicam com os dispositivos referidos acima. Desta forma, foi possível verificar que muitas delas possuem a capacidade de transmitir informação entre elas, como é o caso Apple Health com Mi Fit e Huawei Health, entre outras. Foi ainda possível verificar que a Google Fit, apesar de não ser aplicação por definição de nenhum dos dispositivos mencionados, é a que mais comunica com outras aplicações. Assim, e após analisar APIs dos dispositivos de fitness, a API da Google Fit apresenta os atributos que se pretendem utilizar na aplicação, de forma mais simplificada, e alcança maior número de utilizadores. Tendo por base a utilização da API do Google Fit, foi implementada uma aplicação móvel dirigida para Android, uma vez que aloja maior volume de utilizadores e que concentra o teste psicológico com registo de dados de sono, de batimento cardíaco, número de passos, IMC, idade, género. Estes dados são recolhidos para a base de dados do Firebase. Realizou-se uma análise de resultados no KNIME, que permitiu concluir que de modo geral os testes psicológicos não se alteram ao longo do tempo, uma vez que 7 pessoas mantiveram os seus resultados inalterados mesmo refazendo o teste várias vezes, apenas 2 tiveram uma evolução psicológica. Foi também descoberto que existe uma correlação entre a seleção de botões realizada paralelamente a realização do teste psicológico. Os adjetivos mais significativos e mais invocados foram a criatividade que se correlaciona com alta abertura, o falador que se correlaciona com a alta extroversão e calmo que se correlaciona com alta estabilidade. No entanto, foi também possível verificar que cada vez que um utilizador realiza o teste psicológico tem tendência a selecionar um conjunto diferente de adjetivos. Quanto à Conclusões e Trabalho Futuro 83 correlação entre os dados psicológicos e biométricos, não se conseguiu provar que existe relação, mas com volume de dados maior e mais diversidade de população talvez o seja. Perante as etapas propostas inicialmente, pode dar-se por concluída a análise da literatura acerca de uma diversidade de testes psicológicos, de aplicações móveis no âmbito da saúde física, do planeamento visual da aplicação e a implementação e recolha de dados da mesma. No entanto, o projeto seguiu um curso diferente do estipulado inicialmente, dada a complexidade da aplicação desenvolvida e a insuficiência de dados. Posto isto, não se tornou viável proceder à conceção e implementação de modelos de machine learning que permitissem estimar e encontrar padrões na análise de dados biométricos e psicológicos. 6.2 Trabalho Futuro Como trabalho futuro, pretende-se aprimorar a aplicação de forma a que se torne mais apelativa, que os dados de sono sejam automaticamente lidos e até a possibilidade de recolher outro tipo de informações que se venham a julgar relevantes. Dever-se-á dar continuidade à recolha de dados biométricos e diversificar ainda mais essa recolha, distribuindo para isso a app por uma população maior. Posteriormente aplicar modelos de ML para tentar prever a personalidade de uma pessoa com base na informação obtida a partir da aplicação, especialmente os dados biométricos. Uma vez relacionados os dados biométricos, com os traços psicológicos pretende-se lançar sugestões de forma a por exemplo, incentivar a atividade física para benefício mental, ou a sugerir dicas para uma melhor ao qualidade do sono. 84 Bibliografia Ackerman, C. (2017). Big Five Personality Traits: The OCEAN Model Explained. Retrieved January 6, 2019, from positivepsychology.com website: https://positivepsychology.com/big-five-personality-theory/ American Heart Association. (n.d.). All About Heart Rate (Pulse). Retrieved January 12, 2019, from https://www.heart.org website: https://www.heart.org/en/health-topics/highblood-pressure/the-facts-about-high-blood-pressure/all-about-heart-rate-pulse Android Developers. (n.d.). Conheça o Android Studio. Retrieved January 3, 2019, from https://developer.android.com/studio/intro Bacelar, R. (2019). Android vs iOS: 10 anos depois, melhores apps são do mesmo sistema operativo. Retrieved September 16, 2019, from pplware website: https://pplware.sapo.pt/smartphones-tablets/ios/android-ios-apps-sistema-operativo/ Badenhorst, M., Barry, C. J., Swanepoel, C. J., van Staden, C. T., Wissing, J., & Rohwer, J. M. (2019). Workflow for Data Analysis in Experimental and Computational Systems Biology: Using Python as ‘Glue.’ Processes, 7(7), 460. https://doi.org/10.3390/pr7070460 Bari, A. (2018). Machine Learning at Work: Speeding Up Discovery. Retrieved from https://books.google.pt/books?id=3J5QuAEACAAJ BMI Calculator | The Heart Foundation. (n.d.). Retrieved September 16, 2019, from https://www.heartfoundation.org.au/your-heart/know-your-risks/healthy-weight/bmicalculator Brundtland, G. H. (2000). Mental health in the 21st century. Bulletin of the World Health Organization, 78, 411–411. https://doi.org/10.1590/S0042-96862000000400001 Budkewicz, M. (2018). Como instalar o Jupyter Notebook? (Windows e Linux). Retrieved October 14, 2019, from Medium website: https://medium.com/horadecodar/comoinstalar-o-jupyter-notebook-windows-e-linux-20701fc583c Digman, J. M. (1990). Personality Structure: Emergence of the Five-Factor Model. Annual Review of Psychology, 41(1), 417–440. https://doi.org/10.1146/annurev.ps.41.020190.002221 Duggan, K. A., Friedman, H. S., McDevitt, E. A., & Mednick, S. C. (2014). Personality and healthy sleep: The importance of conscientiousness and neuroticism. PLoS ONE, 9(3). 85 https://doi.org/10.1371/journal.pone.0090628 Eabon, M. F., & Abrahamson, D. (n.d.). Understanding psychological testing and assessment. Retrieved December 14, 2018, from American Psychological Association website: https://www.apa.org/helpcenter/assessment Fatisson, J., Oswald, V., & Lalonde, F. (2016). Influence diagram of physiological and environmental factors affecting heart rate variability: An extended literature overview. Heart International, Vol. 11, pp. e32–e40. https://doi.org/10.5301/heartint.5000232 Fernando Perez, B. E. G. (2015). Project Jupyter: Computational narratives as the engine of collaborative data science. Retrieved September, 11(207), 108. Retrieved from http://archive.ipython.org/JupyterGrantNarrative-2015.pdf FinancesOnline. (n.d.). KNIME Analytics Platform Reviews: Overview, Pricing and Features. Retrieved December 26, 2018, from https://reviews.financesonline.com/p/knimeanalytics-platform/ Gemalto. (n.d.). What is biometric data? Retrieved January 13, 2019, from https://www.justaskgemalto.com/en/what-is-biometric-data/ Global recommendations on physical activity for health. (2010). Geneva. Goldberg, L. R. (1992). The development of markers for the Big-Five factor structure. Psychological Assessment, 4(1), 26–42. https://doi.org/10.1037/1040-3590.4.1.26 Google Commerce Ltd. (2019). Google Fit. Retrieved October 1, 2019, from https://www.google.com/fit/ Hahn, E., Gottschling, J., & Spinath, F. M. (2012). Short measurements of personality – Validity and reliability of the GSOEP Big Five Inventory ( BFI-S ). Journal of Research in Personality, 46(3), 355–359. https://doi.org/10.1016/j.jrp.2012.03.008 Hill, S. (2019). How Accurate Are Fitness Trackers? We Asked an Expert | Digital Trends. Retrieved September 26, 2019, from Digital Trends website: https://www.digitaltrends.com/wearables/how-accurate-are-fitness-trackers/ Hintsanen, M., Puttonen, S., Smith, K., Törnroos, M., Jokela, M., Pulkki-Råback, L., … Keltikangas-Järvinen, L. (2014). Five-factor personality traits and sleep: evidence from two population-based cohort studies. Health Psychology : Official Journal of the Division of Health Psychology, American Psychological Association, 33(10), 1214–1223. https://doi.org/10.1037/hea0000105 John, O. P., & Srivastava, S. (1999). The Big-Five Trait Taxonomy: History, Measurement, and Theoretical Perspectives. 86 Johor Bahru, U., Darul Ta, J., Bin Mohamad, I., Usman, D., & Bahru, J. (2013). Standardization and Its Effects on K-Means Clustering Algorithm. Research Journal of Applied Sciences, Engineering and Technology, 6(17), 3299–3303. Jolliffe, I. (2011). Principal Component Analysis. In International Encyclopedia of Statistical Science (pp. 1094–1096). https://doi.org/10.1007/978-3-642-04898-2_455 Kenney, B. (2015). Why Biometric Tech Is the Wearable of the Future. Retrieved December 23, 2018, from https://smartwatches.org/learn/why-biometric-tech-is-the-wearable-ofthe-future/%0D Lartillot, O., Toiviainen, P., & Eerola, T. (2008). A Matlab Toolbox for Music Information Retrieval BT - Data Analysis, Machine Learning and Applications (C. Preisach, H. Burkhardt, L. Schmidt-Thieme, & R. Decker, Eds.). Springer Berlin Heidelberg. Lebowitz, S. (2016). Big 5 personality traits predict who will become a leader - Business Insider. Retrieved September 26, 2019, from Business Insider website: https://www.businessinsider.com/big-five-personality-traits-predict-leadership-201612 Matsumura, K., & Yamakoshi, T. (2013). iPhysioMeter: A new approach for measuring heart rate and normalized pulse volume using only a smartphone. Behavior Research Methods, 45(4), 1272–1278. https://doi.org/10.3758/s13428-012-0312-z McCraty, R., Atkinson, M., Tomasino, D., & Bradley, R. T. (2009). The Coherent Heart: Heart– Brain Interactions, Psychophysiological Coherence, and the Emergence of System-Wide Order | HeartMath Institute. Retrieved October 1, 2019, from https://www.heartmath.org/research/research-library/basic/coherent-heart-heartbrain-interactions-psychophysiological-coherence-emergence-system-wide-order/ Monteiro, S. T., & Ribeiro, C. H. C. (2004). Desempenho de algoritmos de aprendizagem por reforço sob condições de ambiguidade sensorial em robótica móvel. Sba: Controle & Automação Sociedade Brasileira de Automatica, 15, 320–338. Retrieved from http://www.scielo.br/scielo.php?script=sci_arttext&pid=S010317592004000300008&nrm=iso Oliphant, T. E. (2007). Python for scientific computing. Computing in Science and Engineering, 9(3), 10–20. https://doi.org/10.1109/MCSE.2007.58 Oliveira, V. K., & Filho, A. A. M. (2015). Testes de Personalidade: o que são? Qual a sua finalidade? Quais são os mais usados? - Psicologia e Psiquiatria > AbcMed. Retrieved January 16, 2019, from AbcMed website: https://www.abc.med.br/p/psicologia-epsiquiatria/799889/testes+de+personalidade+o+que+sao+qual+a+sua+finalidade+quais +sao+os+mais+usados.htm 87 Open-Source Psychometrics Project. (2019). Recommended test for scientific validity. Retrieved December 28, 2018, from https://openpsychometrics.org/ Pessemier, T. De, & Martens, L. (2017). Measuring Heart Rate with Mobile Devices for Personal Health Monitoring. (c), 19–24. Pinheiro, P. (2019). CALCULE O SEU PESO IDEAL E IMC » MD.Saúde. Retrieved September 16, 2019, from MD.Saúde website: https://www.mdsaude.com/obesidade/calcule-o-seupeso-ideal-e-imc/ Preventing Noncommunicable Diseases in the Workplace through Diet and Physical Activity. (2008). Geneva. Rhodes, R. E., & Smith, N. E. I. (2006, December). Personality correlates of physical activity: A review and meta-analysis. British Journal of Sports Medicine, Vol. 40, pp. 958–965. https://doi.org/10.1136/bjsm.2006.028860 Sahu, S., Nautiyal, A., & Prasad, M. (2017). Machine Learning Algorithms for Recommender System - a comparative analysis. International Journal of Computer Applications Technology and Research, 6, 97–100. https://doi.org/10.7753/IJCATR0602.1005 SAPO. (2016). Pela primeira vez foram vendidos mais relógios inteligentes do que relógios suíços. Retrieved November 30, 2018, from SAPO website: https://tek.sapo.pt/mobile/equipamentos/artigos/ pela-primeira-vez-foram-vendidosmais-relogios-inteligentes-do-que-relogios-suicos Saucier, G. (1994). Mini-Markers: A Brief Version of Goldberg’s Unipolar Big-Five Markers. Journal of Personality Assessment, 63(3), 506–516. https://doi.org/10.1207/s15327752jpa6303_8 Soto, C. J., & John, O. P. (2017). Short and extra-short forms of the Big Five Inventory–2: The BFI-2-S and BFI-2-XS. Journal of Research in Personality, 68, 69–81. https://doi.org/10.1016/j.jrp.2017.02.004 Sumra, H. (2018). Essential apps and devices that work with Google Fit. Retrieved October 1, 2019, from https://www.wareable.com website: https://www.wareable.com/sport/thebest-google-fit-compatible-apps-and-devices Sutton, R. S., & Barto, A. G. (1998). Reinforcement Learning An Introduction. https://doi.org/10.1145/1068009.1068322 Tecnologia - ig. (2018). Smartband ou smartwatch? conheça cada um e saiba qual combina mais com você. Retrieved January 2, 2019, from https://tecnologia.ig.com.br/dicas/2018-03-27/smartband-smartwatch.html Thayer, J. F., Yamamoto, S. S., & Brosschot, J. F. (2010). The relationship of autonomic 88 imbalance, heart rate variability and cardiovascular disease risk factors. International Journal of Cardiology, 141(2), 122–131. https://doi.org/10.1016/j.ijcard.2009.09.543 The Rise of mHealth Apps: A Market Snapshot. (2018). Retrieved December 27, 2019, from Digital Health website: https://liquid-state.com/mhealth-apps-market-snapshot/ Thiel, E. van. (2018). Big Five personality test traits. Retrieved January 15, 2019, from https://www.123test.com/big-five-personality-theory/ Thompson, E. R. (2008). Development and Validation of an International English Big-Five MiniMarkers q. 45, 542–548. https://doi.org/10.1016/j.paid.2008.06.013 Timo-Iaria, C., Negrào, N., Schmidek, W. R., Hoshino, K., de Menezes, C. E. L., & da Rocha, T. L. (1970). Phases and states of sleep in the rat. Physiology and Behavior, 5(9), 1057–1062. https://doi.org/10.1016/0031-9384(70)90162-9 Togo, F., & Takahashi, M. (2009). Heart rate variability in occupational health --a systematic review. Industrial Health, 47(6), 589–602. https://doi.org/10.2486/indhealth.47.589 Valentini, M., & Parati, G. (2009). Variables influencing heart rate. Progress in Cardiovascular Diseases, 52(1), 11–19. https://doi.org/10.1016/j.pcad.2009.05.004 van Ravenswaaij-Arts, C. M., Kollée, L. A., Hopman, J. C., Stoelinga, G. B., & van Geijn, H. P. (1993). Heart rate variability. Annals of Internal Medicine, 118(6), 436–447. https://doi.org/10.7326/0003-4819-118-6-199303150-00008 van Zyl, L. T., Hasegawa, T., & Nagata, K. (2008). Effects of antidepressant treatment on heart rate variability in major depression: a quantitative review. BioPsychoSocial Medicine, 2, 12. https://doi.org/10.1186/1751-0759-2-12 Wang, L. (2016). Discovering phase transitions with unsupervised learning. Physical Review B, 94(19). https://doi.org/10.1103/PhysRevB.94.195105 Wearables based on APIs, an excellent business opportunity. (2018). Retrieved December 20, 2018, from BBVAOpen4u.com website: https://bbvaopen4u.com/en/actualidad/wearables-based-apis-excellent-businessopportunity Wilson, K. E., & Dishman, R. K. (2015). Personality and physical activity: A systematic review and meta-analysis. Personality and Individual Differences, 72, 230–242. https://doi.org/10.1016/J.PAID.2014.08.023 Zohar, A., & McCraty, R. (2013). Personality and Heart Rate Variability: Exploring Pathways from Personality to Cardiac Coherence and Health. Open Journal of Social Sciences, 1, 32– 39. https://doi.org/10.4326/jss2013.16007