Video Experimental Relacionado
Updated: Sep 10, 2025
An Inertial Measurement Unit Based Method to Estimate Hip and Knee Joint Kinematics in Team Sport Athletes on the Field
Published on: May 26, 2020
Clasificación de los errores de sentadilla basados en las directrices de la Academia Nacional de Medicina del Deporte
Navideh Khalilipour1, Raheleh Tajik1, Ali Abbasi2
1Department of Biomechanics and Sports Injuries, Faculty of Physical Education and Sports Sciences, Kharazmi University, Tehran, Iran.
Este estudio introduce un método de aprendizaje profundo para la clasificación automatizada de errores de sentadilla utilizando datos de la unidad de medida inercial (IMU). Los modelos híbridos como CNN-GRU lograron una alta precisión, incluso con un solo IMU, ayudando a la ciencia deportiva y la rehabilitación.
Área de la Ciencia:
- Ciencias del deporte
- Biomecánica
- Aprendizaje automático
Sus antecedentes:
- La evaluación precisa de la sentadilla es crucial para la prevención de lesiones y la mejora del rendimiento.
- El análisis tradicional de cuclillas visuales carece de objetividad y consistencia.
- Se necesitan métodos automatizados para superar las limitaciones de las evaluaciones subjetivas.
Objetivo del estudio:
- Desarrollar y evaluar modelos de aprendizaje profundo para clasificar los errores de movimiento en cuclillas.
- Evaluar la eficacia de las distintas arquitecturas de modelos (CNN, GRU, híbridos de TabNet) utilizando los datos de la UMI.
- Para determinar la ubicación óptima del sensor para una detección precisa del error de sentadilla.
Principales métodos:
- Se utilizaron datos de cinco Unidades de Medición Inercial (IMU) colocadas en atletas.
- Entrenado y comparado varios modelos de aprendizaje profundo: CNN, CNN-TabNet, GRU, GRU-TabNet, CNN-GRU y CNN-GRU-TabNet.
- Modelos evaluados basados en la precisión, el recuerdo y la puntuación F1 para clasificar cinco variaciones de sentadilla (correcto, valgo de rodilla, varus de rodilla, arqueo de la espalda baja, redondeo de la espalda baja).
Principales resultados:
- El modelo CNN-GRU logró la mayor precisión de clasificación (0,997) utilizando datos de las cinco IMU.
- El rendimiento óptimo con una sola IMU se logró utilizando el sensor del muslo derecho, alcanzando una precisión de 0,988.
- Los modelos híbridos (CNN-TabNet, GRU-TabNet) mostraron una precisión mejorada en comparación con los modelos básicos CNN y GRU cuando se utilizaron todas las IMU.
Conclusiones:
- Los modelos híbridos de aprendizaje profundo, especialmente CNN-GRU, muestran un potencial significativo para la clasificación automatizada de errores de sentadilla.
- La alta precisión en la detección de errores de sentadilla es factible con una sola UMI colocada estratégicamente.
- Estos hallazgos apoyan el desarrollo de sistemas portátiles prácticos para aplicaciones de ciencia deportiva y rehabilitación.
