Previsión de la estabilidad de la marcha mediante series temporales sintéticas y datos basados en la visión

Área de la Ciencia:

• Biomecánica
• Visión por computadora
• Gerontología

Sus antecedentes:

• Evaluar la estabilidad de la marcha en adultos mayores es difícil debido a los datos limitados y las mediciones complejas, especialmente en entornos con recursos limitados.
• Los métodos existentes a menudo requieren equipos especializados, lo que dificulta su aplicación generalizada entre las poblaciones vulnerables.

Objetivo del estudio:

• Investigar si los datos sintéticos pueden replicar con precisión los parámetros de la marcha en adultos mayores.
• Evaluar la eficacia de los modelos entrenados con datos sintéticos para predecir el Margen de Estabilidad (MoS).
• Identificar las características biomecánicas clave que influyen en las predicciones de MO en adultos mayores.

Principales métodos:

• Se empleó una metodología de generación de datos sintéticos basada en restricciones (ODS) utilizando un conjunto de datos públicos de adultos mayores sanos.
• El análisis de la marcha utilizó videos capturados por teléfonos inteligentes y el algoritmo MediaPipe para la extracción de puntos de referencia, asegurando una accesibilidad de bajo costo.
• El enfoque de los ODS preservó las relaciones biomecánicas a través de la configuración de metadatos y las restricciones de correlación de rango.

Principales resultados:

• Los datos sintéticos lograron una alta fidelidad (97,09%) en la replicación de los parámetros de la marcha y el mantenimiento de las relaciones biomecánicas.
• Los modelos entrenados únicamente con datos sintéticos (TSTR) demostraron un rendimiento superior al de los modelos entrenados con datos reales (TRTR), con reducciones significativas en los errores de predicción (RMSE, MAE, MSE) y una mejor explicación de la varianza (R2).
• El análisis SHAP confirmó que el enfoque de datos sintéticos alineó las atribuciones de características con los principios biomecánicos establecidos, destacando el ancho de paso, el IMC y el historial de caídas como predictores cruciales.

Conclusiones:

• La generación de datos sintéticos es un método viable para superar la escasez de datos en el análisis de la marcha de los adultos mayores.
• Los modelos entrenados con datos sintéticos mejoran significativamente la precisión de la predicción de la estabilidad de la marcha (MoS) en comparación con los modelos entrenados con datos reales.
• Este enfoque, que aprovecha la tecnología de visión por computadora accesible, ofrece una vía prometedora para mejorar la evaluación clínica de la marcha en entornos con recursos limitados.