Pesquisadores da UFF utilizaram inteligência artificial e dados de movimentos do corpo para tentar medir a ansiedade no dia a dia, sem necessidade de laboratório.
Imagem ilustrativa sobre ansiedade e roer unhas. Foto: Freepik
Vida corrida, pressão diária e incertezas fazem parte da rotina de muitas pessoas. Mas será que movimentos do nosso corpo, registrados por um smartwatch, podem ajudar a identificar diferentes níveis de ansiedade
Foi justamente essa pergunta que levou pesquisadores do Instituto de Computação da Universidade Federal Fluminense (UFF) a investigar técnicas de inteligência artificial. A dúvida central era entender se seria possível estimar níveis de ansiedade a partir de dados de movimento coletados durante a vida cotidiana.
- Os estudos com dispositivos vestíveis para medir ansiedade na vida livre ainda são relativamente raros.
- A inteligência artificial aprende padrões de movimento que associam-se a diferentes estados emocionais ao longo do tempo.
- A rede LSTM funciona como um filme: usa memórias de cenas passadas para entender a cena atual.
- O estudo contou com 41 voluntários, mas apenas com níveis médios de ansiedade, o que limita a generalização dos dados.
- Smartwatches são vistos como uma ferramenta de apoio complementar, e não um substituto para o diagnóstico clínico.
A ansiedade pode envolver preocupação excessiva, inquietação, alterações na atenção e no sono, entre outros sintomas. Quando persistente e intensa, pode estar relacionada a transtornos de ansiedade. Estes estão entre os problemas de saúde mental mais comuns no mundo.
Segundo estimativas da Organização Mundial da Saúde (OMS) publicadas em 2017, o Brasil apresentava uma das maiores prevalências de transtornos de ansiedade do mundo. São cerca de 9,3% da população, o equivalente a aproximadamente 18,7 milhões de pessoas. Nas Américas, a prevalência estimada também era maior entre mulheres do que entre homens.
Diante do cenário global de saúde mental
Diante desse cenário, as equipes de pesquisa buscaram formas de acompanhar os níveis de ansiedade de maneira contínua e pouco invasiva. O objetivo é tentar abrir novas possibilidades para a pesquisa em saúde mental.
Em nosso estudo, o diferencial está na forma como os dados foram coletados. Em vez de manter os participantes em um ambiente controlado de laboratório, utilizamos smartwatches durante a vida cotidiana. Assim, eles puderam realizar suas atividades normalmente ao longo das 24 horas de coleta.
Essa característica é importante porque o comportamento humano pode mudar quando uma pessoa sabe que está sendo observada ou precisa permanecer em um ambiente controlado. Ao acompanhar os movimentos durante atividades habituais, buscamos obter uma representação mais próxima da rotina real.
Ainda são relativamente poucos os estudos que utilizam dispositivos vestíveis em condições de vida livre para investigar ansiedade a partir de dados de movimento.
Em 2021, um estudo liderado pelo pesquisador Nicholas Jacobson utilizou dados de actigrafia, obtidos por sensores usados no pulso, para prever a deterioração de sintomas de ansiedade ao longo de 17 a 18 anos.
O uso de dados de sensores no pulso na ciência
Mais recentemente, em 2025, Leqin Fang e colaboradores investigaram o uso de dados de acelerômetro para identificar ansiedade em pessoas com insônia. Outro trabalho, publicado por Berrenur Saylam e Durmaz Incel, utilizou uma arquitetura chamada LSTM (sigla em inglês de Long Short-Term Memory) para prever indicadores de bem-estar, incluindo ansiedade, em um ambiente corporativo real.
Nosso trabalho se diferencia por combinar a estimativa contínua dos níveis de ansiedade, o uso exclusivamente de dados de acelerômetro e a coleta realizada em condições de vida livre.
A participação dos voluntários no estudo
Nossa pesquisa contou com 41 voluntários universitários, com idades entre 17 e 60 anos e média de 26 anos. Do total, 18 eram mulheres e 23, homens.
Os níveis de ansiedade foram avaliados por meio do Inventário de Ansiedade Traço-Estado (IDATE), uma escala psicométrica utilizada para avaliar diferentes níveis de ansiedade.
É importante destacar que o IDATE não estabelece um único ponto de corte capaz de separar pessoas em ansiosas e não ansiosas, nem substitui uma avaliação clínica para o diagnóstico de um transtorno de ansiedade.
Na nossa amostra, a média dos escores foi de 53 pontos, indicando um nível médio de ansiedade. Não tivemos participantes com níveis baixos de ansiedade. O que significa que a distribuição dos escores foi limitada. Essa característica precisa ser considerada ao interpretar os resultados.
Sabemos que uma amostra formada por estudantes universitários não representa toda a população. O objetivo desta primeira etapa foi avaliar a viabilidade da metodologia. A intenção é ampliar progressivamente o número e a diversidade dos participantes nas próximas etapas.
Também queremos disponibilizar um banco de dados de movimento que possa contribuir para outros pesquisadores interessados em estudar a relação entre comportamento, movimento e saúde mental.
O papel da inteligência artificial na análise de dados
Para analisar os dados, utilizamos redes neurais profundas, um tipo de inteligência artificial capaz de aprender padrões complexos a partir de grandes volumes de informações.
No nosso estudo, o modelo recebeu os dados de movimento registrados pelo smartwatch e aprendeu quais padrões estavam associados aos diferentes níveis de ansiedade.
Uma das técnicas utilizadas foi a LSTM. Trata-se de um tipo de rede neural desenvolvido para trabalhar com dados que acontecem ao longo do tempo.
Isso é importante porque o movimento de uma pessoa não é apenas uma coleção de eventos isolados. Existe uma sequência: o que aconteceu anteriormente pode ajudar a interpretar o que está acontecendo agora.
Podemos imaginar a LSTM como alguém assistindo a um filme. Para compreender uma cena, não é necessário lembrar de todos os detalhes anteriores, mas algumas informações das cenas passadas são importantes para entender o momento atual.
A LSTM funciona de maneira semelhante: preserva informações anteriores que podem ser relevantes e descarta aquelas que deixam de ser úteis.
O sensor utilizado foi o acelerômetro, capaz de medir variações de aceleração em três eixos. Essas informações permitiram registrar como os movimentos dos participantes variavam ao longo do tempo.
Reunimos os dados coletados durante 24 horas e fornecemos essa série temporal ao modelo. Assim, em vez de determinar previamente quais características do movimento seriam importantes, deixamos que a rede aprendesse padrões associados aos diferentes escores de ansiedade.
Limitações e desafios da pesquisa atual
Por enquanto, portanto, não podemos dizer que determinado movimento específico significa que uma pessoa está mais ou menos ansiosa. Esse é um dos próximos passos da pesquisa: investigar, por meio de técnicas de explicabilidade, quais características dos dados de movimento estão contribuindo para as previsões do modelo.
Como toda pesquisa inicial, nosso estudo apresenta limitações. A principal está relacionada à própria amostra. Não tivemos participantes com níveis baixos de ansiedade. Isso significa que o modelo não foi treinado com toda a amplitude possível de escores, desde níveis muito baixos até níveis elevados.
Essa distribuição limitada pode dificultar a generalização dos resultados para pessoas com características diferentes das observadas no estudo.
Por isso, ampliar a amostra e incluir participantes com diferentes níveis de ansiedade será fundamental nas próximas etapas. Também será necessário avaliar se os padrões aprendidos pelo modelo continuam funcionando em grupos maiores e mais diversos.
As perspectivas futuras da tecnologia vestível
Apesar dessas limitações, os resultados abrem uma perspectiva interessante: a possibilidade de utilizar dispositivos vestíveis para acompanhar mudanças comportamentais durante longos períodos, sem a necessidade de manter a pessoa em um ambiente de laboratório.
Isso não significa que um smartwatch possa substituir a avaliação de um profissional de saúde. A proposta é fornecer informações complementares sobre mudanças que acontecem ao longo do tempo e que eventualmente possam auxiliar uma avaliação mais aprofundada.
Com o avanço da inteligência artificial e dos dispositivos vestíveis, é possível imaginar sistemas de apoio à avaliação em saúde mental cada vez mais personalizados, capazes de acompanhar variações individuais ao longo do tempo.
Nossa hipótese é que essa abordagem também possa ser aplicada a outras condições associadas a alterações de rotina, comportamento ou padrões de movimento.
Atualmente, estamos desenvolvendo um modelo voltado à identificação de padrões relacionados à depressão e também iniciamos a coleta de dados de pessoas com Alzheimer utilizando smartwatches.
O desafio, agora, é transformar grandes volumes de dados de movimento em informações que ajudem a compreender melhor o comportamento humano. Mas não devemos perder de vista que, quando falamos de saúde mental, a tecnologia deve ser uma ferramenta de apoio, e não um substituto para a avaliação humana.
