El ejercicio físico regular es esencial para la salud general; sin embargo, también es crucial mitigar la probabilidad de lesiones debido a ejecuciones incorrectas de los ejercicios. Las aplicaciones de salud o fitness existentes a menudo descuidan el reconocimiento preciso del movimiento de cuerpo completo y se centran en una sola parte del cuerpo. Además, con frecuencia solo detectan errores específicos o proporcionan retroalimentación después de la ejecución. Esta carencia plantea la necesidad de la detección automatizada de errores de ejecución de cuerpo completo en tiempo real para ayudar a los usuarios a corregir sus habilidades motoras. Para abordar este desafío, proponemos un método para la evaluación del movimiento utilizando un traje de captura de movimiento háptico de cuerpo completo. Entrenamos modelos probabilísticos de movimiento utilizando los datos de 10 sensores inerciales para detectar errores de ejecución de ejercicios. Adicionalmente, proporcionamos retroalimentación háptica, empleando estimulación nerviosa eléctrica transcutánea inmediatamente, tan pronto como ocurre un error, para corregir los movimientos. Los resultados basados en un conjunto de datos recolectado de 15 sujetos muestran que nuestro enfoque puede detectar errores severos de ejecución de movimiento directamente durante el entrenamiento y proporcionar retroalimentación háptica en las ubicaciones corporales respectivas. Estos resultados sugieren que un traje de captura de movimiento háptico de cuerpo completo, como el Teslasuit, es prometedor para la evaluación del movimiento y puede proporcionar retroalimentación háptica apropiada a los usuarios para que puedan mejorar sus movimientos.
Autores y afiliaciones (países e instituciones involucradas):
- Polona Caserman*: Research Group Serious Games, Technical University of Darmstadt, Alemania.
- Clemens Krug: Research Group Serious Games, Technical University of Darmstadt, Alemania.
- Stefan Göbel: Research Group Serious Games, Technical University of Darmstadt, Alemania.
Objetivo del estudio:
El objetivo principal de este estudio fue abordar la falta de sistemas que puedan detectar automáticamente errores de ejecución de ejercicios de cuerpo completo en tiempo real y proporcionar retroalimentación inmediata para ayudar a los usuarios a corregir sus movimientos. Los investigadores señalan que las aplicaciones de fitness existentes a menudo se limitan al seguimiento de una sola parte del cuerpo o proporcionan retroalimentación solo después de que se ha cometido un error.
Para superar estas limitaciones, el propósito de esta investigación fue proponer y evaluar un método de evaluación del movimiento utilizando un traje de captura de movimiento háptico de cuerpo completo (el Teslasuit). La idea era utilizar datos de sensores inerciales para entrenar modelos probabilísticos de movimiento y, una vez detectado un error, proporcionar retroalimentación háptica directamente en la ubicación corporal relevante para facilitar la corrección de la ejecución.
Metodología del estudio:
Los investigadores emplearon el Teslasuit, un traje de captura de movimiento de cuerpo completo con retroalimentación háptica. Se utilizaron los datos de 10 unidades de medición inercial (IMUs) ubicadas en diferentes partes del cuerpo (piernas, caderas, torso y brazos) para capturar el movimiento.
La metodología incluyó varias etapas:
- Predicción del ejercicio: Se entrenaron modelos de máquinas de vectores de soporte (SVM) para clasificar los ejercicios basándose en la pose inicial.
- Segmentación: Se desarrolló un algoritmo basado en mediciones de giróscopo para detectar el inicio y el final de cada repetición del ejercicio.
- Evaluación del movimiento: Se entrenaron modelos probabilísticos de movimiento utilizando datos de ejecuciones correctas demostradas por expertos. Se compararon los movimientos de los usuarios con estos modelos para detectar desviaciones y, por lo tanto, errores de ejecución.
- Retroalimentación háptica: El sistema fue diseñado para proporcionar retroalimentación háptica mediante estimulación nerviosa eléctrica transcutánea (TENS) en las áreas relevantes del cuerpo tan pronto como se detectaba un error.
Recolección de datos: Se reclutaron 15 sujetos que realizaron tres ejercicios del Functional Movement Screen (sentadilla profunda, zancada en línea y flexión) tanto de forma «correcta» como simulando errores específicos.
Resultados principales:
- El sistema logró una precisión de hasta el 86.38% en la predicción de los ejercicios utilizando SVM.
- El algoritmo de segmentación de repeticiones alcanzó una precisión de entre el 96.98% y el 99.39% cuando se introducía una pausa corta (1-2 segundos) entre repeticiones. Sin pausas, la precisión disminuyó.
- La evaluación del movimiento, utilizando modelos probabilísticos, demostró la capacidad del sistema para detectar errores severos de ejecución, como inclinarse demasiado hacia adelante en sentadillas y zancadas, o arquear la espalda durante las flexiones.
- Errores más sutiles, como meter las rodillas hacia adentro en las sentadillas o ensanchar los codos en las flexiones, fueron detectados solo parcialmente, lo que sugiere la necesidad de modelos más precisos.
Conclusiones:
El estudio concluye que un traje de captura de movimiento háptico de cuerpo completo como el Teslasuit es prometedor para la evaluación del movimiento en tiempo real y la provisión de retroalimentación háptica para la corrección de errores de ejecución. El sistema demostró ser capaz de predecir ejercicios, segmentar repeticiones y detectar errores severos de movimiento directamente durante la ejecución. Sin embargo, se reconoce la necesidad de mejorar la precisión en la detección de errores menores mediante el entrenamiento de modelos más avanzados, posiblemente utilizando datos de atletas o especialistas deportivos, y la exploración de modelos personalizados.
Aplicaciones o implicancias prácticas:
Las posibles aplicaciones de este sistema incluyen:
- Entrenamiento individual en el hogar, permitiendo a los usuarios realizar ejercicios correctamente incluso sin la presencia de un entrenador personal.
- Rehabilitación a distancia, donde los pacientes podrían realizar ejercicios prescritos en casa, siendo monitorizados por terapeutas a través del reconocimiento de movimiento de cuerpo completo. Esto es especialmente relevante en situaciones como la pandemia de COVID-19.
- Soporte o complemento a entrenadores personales, proporcionando una herramienta automatizada para la evaluación de la calidad del ejercicio.
- Potencial para motivar a las personas a ser más activas físicamente al proporcionar retroalimentación en tiempo real sobre su técnica.
Créditos y derechos de autor:
Copyright: © 2021 por los autores. Licenciatario MDPI, Basel, Suiza. Este artículo es un artículo de acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons Attribution (CC BY) (https://creativecommons.org/licenses/by/4.0/).
Contribuciones de los autores: Conceptualización, P.C. y C.K.; análisis formal, P.C. y C.K.; investigación, P.C. y C.K.; metodología, P.C. y C.K.; recursos, C.K.; software, C.K.; supervisión, P.C. y S.G.; validación, C.K.; visualización, C.K.; Escritura—borrador original, P.C. Todos los autores han leído y acordado la versión publicada del manuscrito.
Financiación: Esta investigación no recibió financiación externa.
