Un reciente estudio publicado en la revista Expert Systems With Applications demostró que combinar entrenadores virtuales con la supervisión de ejercicios terapéuticos es viable y alcanza altos niveles de acierto. Esta investigación abre la puerta al desarrollo de asistentes digitales que ayuden a personas mayores a realizar actividad física en casa, asegurando que ejecuten correctamente los movimientos indicados por los terapeutas.
El trabajo analizó ocho ejercicios de miembros superiores e inferiores, pensados para mantener la salud de adultos mayores. Para ello, contó con la participación de 30 voluntarios y utilizó cuatro unidades de medición inercial (IMU) colocadas en brazos, antebrazos, muslos o piernas, según la actividad. En el mejor escenario, el sistema de doble etapa alcanzó un 96,2% de precisión para reconocer el ejercicio, mientras que la evaluación de si estaba bien o mal ejecutado osciló entre 93,6% y 100,0%, según el movimiento.
El problema de fondo es práctico: las terapias físicas en el hogar solo funcionan si el paciente cumple la rutina y realiza cada movimiento de forma correcta. Esta necesidad se acentúa en la población mayor, que puede olvidar las indicaciones del terapeuta y perder supervisión cuando deja de acudir a centros de salud.
Según el artículo, los entrenadores virtuales deben cumplir tres funciones: captar información del movimiento humano, vigilar la actividad física y valorar su desempeño, y luego devolver retroalimentación al usuario. Los autores optaron por sensores inerciales en lugar de sistemas ópticos, debido a su menor costo y mayor facilidad de uso fuera de un entorno clínico.
Dos tareas combinadas en un solo marco
El eje central del estudio fue unir en un mismo sistema dos objetivos que la literatura solía tratar por separado: identificar qué ejercicio realiza una persona y determinar si lo ejecuta de manera correcta o incorrecta. Los investigadores señalaron que, hasta donde saben, esa combinación no se había abordado antes como un único problema complejo.
El equipo estuvo conformado por Sara García-de-Villa, David Casillas-Pérez, Ana Jiménez-Martín y Juan Jesús García-Domínguez, de la Universidad de Alcalá y la Universidad Rey Juan Carlos. Se evaluaron seis clasificadores de aprendizaje automático: máquinas de vectores de soporte, árboles de decisión, bosques aleatorios, k vecinos más próximos, máquinas de aprendizaje extremo y perceptrón multicapa.
La base experimental incluyó a 13 mujeres y 17 hombres sanos, con edades entre 22 y 70 años. El protocolo fue aprobado por el Hospital Universitario de Guadalajara, y cada participante firmó un consentimiento informado.
Ejercicios analizados y metodología de ejecución
Los movimientos estudiados fueron: flexoextensión de rodilla derecha e izquierda, sentadillas, abducción de cadera derecha e izquierda, marcha natural, marcha talón-punta, compresión de una prenda con las manos, flexoextensión de codos y elevación de brazos por encima de la cabeza. Como dos ejercicios se realizaban por lado derecho o izquierdo, el análisis distinguió 10 tipos de movimiento.
Cada voluntario repitió las series entre 10 y 20 veces, excepto las sentadillas, que se hicieron de 7 a 15 veces para evitar fatiga. Se ejecutaron dos series de forma correcta y dos de forma incorrecta, permitiendo alterar libremente el movimiento original; en la marcha errónea se simuló un paso cansado o con bloqueo articular.
Tres enfoques comparados: el de dos etapas lidera
El estudio contrastó tres estrategias. La primera, llamada ReEv, resolvía el reconocimiento y la evaluación en un solo paso y logró una exactitud del 88,4%. La segunda, ReC-W, reconocía solo los ejercicios bien hechos y agrupaba los mal realizados en dos categorías generales (miembros superiores o inferiores), alcanzando un 91,4%. La tercera, denominada 1Re-2Ev, separaba el proceso en dos etapas: primero reconocía el ejercicio y luego juzgaba su calidad. Este enfoque alcanzó 96,2% en el reconocimiento inicial y entre 93,6% y 100,0% en la evaluación posterior, según el ejercicio.
Para el procesamiento de señales se usaron ventanas deslizantes de 1, 2 y 3 segundos con solapamiento del 50%. En cada ventana se extrajeron 96 características a partir de la media, desviación estándar, máximo y mínimo de seis señales por sensor en cuatro dispositivos. La configuración más efectiva fue la ventana de 3 segundos, equivalente a 300 muestras.
El algoritmo con mejor desempeño global fue la máquina de vectores de soporte, aunque no siempre con el mismo núcleo matemático. En ReEv, ReC-W y la primera fase de 1Re-2Ev el núcleo lineal fue el más adecuado; en la evaluación de la segunda fase, los núcleos gaussiano y polinómico rindieron mejor.
Puntos débiles y confusiones del sistema
El artículo también detalla las principales fuentes de error. La marcha natural y la marcha talón-punta tendieron a confundirse entre sí. Los ejercicios de miembros superiores mal ejecutados generaron más fallos que los de miembros inferiores, debido a que los brazos tienen mayor libertad de movimiento en el espacio. La evaluación de movimientos simples, como la flexoextensión de codo o rodilla, obtuvo resultados más altos que la de movimientos más complejos como la marcha, las sentadillas o la compresión manual.
Hacia sistemas domésticos de seguimiento físico
Según Expert Systems With Applications, el trabajo sostiene que los resultados son comparables con investigaciones previas que abordaban el reconocimiento o la evaluación por separado, aunque aquí ambas tareas se integraron. Las pruebas se realizaron con validación leave-one-subject-out, un criterio exigente que entrena con los datos de 29 personas y prueba con la restante, repitiendo el proceso 30 veces.
Los autores destacaron que el sistema depende de mantener la misma ubicación de los sensores sobre el cuerpo, ya que el entrenamiento solo cubrió esa configuración. Las señales se registraron a 100 Hz con dispositivos NGIMU, que cuentan con giroscopio, acelerómetro y magnetómetro, aunque en este trabajo solo se usaron el giroscopio y el acelerómetro.
La investigación concluye que los métodos de una sola etapa son menos adecuados que la alternativa de dos etapas, que además permite asignar un clasificador distinto a cada ejercicio tras reconocerlo. Ese esquema ofrece más información que la estrategia que agrupa todos los errores y reduce mejor las limitaciones de evaluar movimientos complejos.
Fuente: Infobae