Pesquisa da Universidade Federal Fluminense investigou o nível de ansiedade de alunos com auxílio de smartwatches

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 nos levou, pesquisadores do Instituto de Computação da Universidade Federal Fluminense (UFF), a investigar técnicas de inteligência artificial. Será que poderiam estimar níveis de ansiedade a partir de dados de movimento coletados durante a vida cotidiana?

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 desse cenário, fomos investigar formas de acompanhar os níveis de ansiedade de maneira contínua e pouco invasiva. E 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.

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 İncel, 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.

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.

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.