Entrenadores virtuales para mayores en casa: la estrategia de dos etapas que cambia cómo se controlan los movimientos terapéuticos

Un estudio publicado en Expert Systems With Applications planteó que entrenadores virtuales y supervisar ejercicios terapéuticos en una misma rutina es viable con altos niveles de acierto, un paso para desarrollar entrenadores virtuales dirigidos a personas mayores que hacen actividad física en casa y necesitan ejecutar correctamente los movimientos prescritos.

El trabajo analizó ocho ejercicios de miembros superiores e inferiores diseñados para mantener el estado de salud en adultos mayores, con seguimiento de 30 voluntarios mediante cuatro IMU colocadas en brazos, antebrazos, muslos o piernas según la tarea. En el mejor escenario de doble etapa, el sistema alcanzó 96,2% de precisión en el reconocimiento del ejercicio, mientras la evaluación de si estaba bien o mal hecho osciló entre 93,6% y 100,0%.

La investigación partió de un problema práctico: las terapias físicas domiciliarias funcionan si el paciente cumple la rutina y ejecuta bien cada movimiento. Esa necesidad es mayor en la población mayor, porque puede olvidar las indicaciones del terapeuta y perder supervisión cuando deja de asistir a centros de salud.

Según el artículo, los llamados entrenadores virtuales deben cumplir tres funciones: obtener información del movimiento humano, vigilar la actividad física y valorar su desempeño, y devolver retroalimentación al usuario. Para eso, los autores descartaron sistemas ópticos por su dependencia de entornos controlados y centraron la propuesta en sensores inerciales, de menor costo y más fáciles de usar fuera de una clínica.

El estudio combinó dos tareas que antes se abordaban por separado

El punto central del trabajo fue unir en un mismo marco dos objetivos que la literatura solía tratar por separado: identificar qué ejercicio realiza una persona y determinar si lo ejecuta de forma correcta o incorrecta. Los autores señalaron que, hasta donde llega su conocimiento, esa combinación no había sido abordada antes como un único problema complejo.

El equipo estuvo integrado 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. Los investigadores 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 13 mujeres y 17 hombres sanos de entre 22 y 70 años. El protocolo fue aprobado por el Hospital Universitario de Guadalajara y cada participante firmó un consentimiento informado.

Qué ejercicios se analizaron y cómo se realizaron

Los ejercicios 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 hacían por lado derecho o izquierdo, el análisis distinguió 10 tipos de movimiento.

Cada voluntario repitió las series entre 10 y 20 veces, salvo las sentadillas, que se realizaron entre 7 y 15 veces para evitar fatiga. Dos series se ejecutaron correctamente y otras dos de forma incorrecta, con libertad para alterar el movimiento original; en la marcha errónea, en cambio, se simuló un paso cansado o con bloqueo articular.

La mejor estrategia fue reconocer primero el ejercicio y evaluarlo después

El estudio comparó tres enfoques. El primero, llamado ReEv, resolvía reconocimiento y evaluación en un solo paso; el segundo, ReC-W, reconocía solo los ejercicios bien hechos y agrupaba los mal realizados en dos categorías generales: miembros superiores o inferiores; el tercero, 1Re-2Ev, separaba el proceso en dos etapas, primero para reconocer el ejercicio y después para juzgar su calidad.

Con ReEv, la exactitud llegó a 88,4%. Con ReC-W, la cifra subió a 91,4%. El mejor rendimiento apareció en 1Re-2Ev: 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, los autores usaron ventanas deslizantes de uno, dos y tres segundos con solapamiento del 50%. En cada una extrajeron 96 características a partir de la media, desviación estándar, máximo y mínimo de seis señales por sensor en cuatro dispositivos. La mejor configuración común para los métodos fue la ventana de tres 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. El núcleo lineal fue el más adecuado en ReEv, ReC-W y la primera fase de 1Re-2Ev; en la evaluación de la segunda fase rindieron mejor los núcleos gaussiano y polinómico.

Dónde falló más el sistema

El artículo también describe dónde aparecieron más errores. La marcha natural y la talón-punta tendieron a confundirse entre sí, y los ejercicios de miembros superiores mal ejecutados generaron más fallos que los de miembros inferiores porque los brazos tienen más libertad de movimiento en el espacio. La evaluación de ejercicios simples, como flexoextensión de codo o rodilla, logró resultados más altos que la de movimientos más complejos como la marcha, las sentadillas o el ejercicio de compresión con las manos.

Los resultados apuntan a sistemas domésticos de seguimiento físico

Citado por Expert Systems With Applications, el trabajo sostiene que los resultados son comparables con los de investigaciones previas sobre reconocimiento o evaluación de ejercicios por separado, aunque aquí ambas tareas se combinaron. Además, las pruebas se hicieron con validación leave-one-subject-out, un criterio más exigente porque entrena con los datos de 29 personas y prueba con la restante, repitiendo el proceso 30 veces.

Los autores subrayaron que el sistema depende de mantener la misma ubicación de los sensores sobre el cuerpo, porque 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 giroscopio y acelerómetro.

La investigación concluyó 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.