Optimización de configuraciones de IMU vestibles para el análisis de la marcha al correr: un enfoque de fusión de...

Área de la Ciencia:

• Biomecánica
• Tecnología vestible
• Aprendizaje automático

Sus antecedentes:

• Las redes de sensores de alta dimensionalidad en dispositivos vestibles enfrentan limitaciones de hardware.
• La optimización de la ubicación de los sensores es crucial para obtener datos cinemáticos precisos.
• Los métodos existentes a menudo se centran en la clasificación de la actividad en lugar de la optimización de la fusión de sensores.

Objetivo del estudio:

• Determinar la viabilidad de reducir una red de 17 UIM a un subconjunto «mínimo-óptimo» utilizando aprendizaje automático.
• Cuantificar sistemáticamente la redundancia de información en las cadenas cinemáticas para la fusión de sensores.
• Desarrollar un diseño de matriz de sensores robusto y de bajo costo para dispositivos vestibles.

Principales métodos:

• Se aplicó aprendizaje automático (regresión de bosque aleatorio) para analizar datos de 17 UIM usadas por 25 corredores.
• Se subconjuntaron programáticamente las señales de los sensores para simular configuraciones mínimas.
• Se utilizó la eliminación recursiva de características (RFE) en características de dominio temporal y de frecuencia para identificar atributos críticos de los sensores.

Principales resultados:

• Una sola UIM lumbosacra reconstruyó con precisión los parámetros globales de la carrera (p. ej., Cadencia, Oscilación Vertical) con R² > 0,95.
• Esta configuración de un solo nodo no detectó la asimetría de la marcha (R² = 0,52).
• Una configuración de tres sensores (tobillos lumbosacros + bilaterales) logró resultados comparables al sistema completo (R² > 0,91) para todos los parámetros, resolviendo las limitaciones en la detección de asimetrías.

Conclusiones:

• Se validó un marco de aprendizaje automático para optimizar el diseño de la matriz de sensores en dispositivos vestibles.
• La fusión propuesta de tres sensores proporciona un plano robusto y de bajo costo para dispositivos de próxima generación.
• La ubicación optimizada de los sensores puede lograr una alta precisión sin modelos complejos de aprendizaje profundo.