Un conjunto de datos IMU exhaustivo para evaluar disposiciones de sensores en el reconocimiento de actividad humana e intensidad

Por qué a tu pulsera de actividad le importa dónde se sitúa

Los relojes de fitness y los podómetros prometen rastrear desde tu paseo diario hasta tu entrenamiento en el gimnasio. Pero bajo esas correas elegantes se esconde una pregunta de diseño sorprendentemente compleja: ¿dónde en el cuerpo debemos colocar los sensores para que detecten suficiente movimiento sin convertirnos en dispositivos cableados? Este estudio presenta un nuevo y rico conjunto de datos que ayuda a los científicos a responder precisamente eso, mostrando cómo distintas disposiciones de sensores pueden captar qué hacemos y cuán duro trabajamos.

Muchos rastreadores, un gran punto ciego

El reconocimiento de actividad humana es la tecnología que permite a los dispositivos inferir si estás sentado, caminando, corriendo o montando en bicicleta a partir de datos de movimiento. Las cámaras también pueden hacerlo, pero los sensores colocados en el cuerpo son mejores para un uso prolongado y respetuoso con la privacidad en hogares, clínicas y la vida cotidiana. Sin embargo, la mayoría de los conjuntos de datos existentes para esta investigación solo sitúan unos pocos sensores en partes seleccionadas del cuerpo—como un teléfono en el bolsillo o una sola banda en la muñeca. Esa visión limitada dificulta estudiar un intercambio importante: ¿cuántos sensores, y dónde, son realmente necesarios para reconocer actividades y su intensidad con precisión, sin dejar de ser cómodos y prácticos de llevar?

Construyendo un mapa de movimiento de todo el cuerpo

Para cerrar esta brecha, los investigadores recopilaron datos de movimiento de 30 adultos jóvenes sanos mientras realizaban 12 actividades comunes, incluyendo acostarse, sentarse, estar de pie, varias velocidades de marcha, subir escaleras, ciclismo, carrera, salto y remo. Cada persona llevaba 17 pequeñas unidades de movimiento distribuidas desde la cabeza hasta los pies: en la cabeza, parte superior de la espalda, parte baja de la espalda, hombros, brazos, muñecas, muslos, espinillas y pies. Estas unidades registraron cómo se movía cada segmento corporal en tres dimensiones, 60 veces por segundo, en un sistema de coordenadas global consistente. El equipo también anotó medidas corporales básicas, como la altura y las longitudes de las extremidades, y etiquetó cuidadosamente tanto el tipo de actividad como su nivel de esfuerzo, desde sedentario hasta vigoroso, basándose en tablas estándar de gasto energético.

Del movimiento crudo a patrones reconocibles

Una vez recopilados los datos, las señales se dividieron en ventanas temporales cortas y solapadas que iban desde medio segundo hasta 10 segundos. Para los modelos tradicionales de aprendizaje automático, el equipo destiló cada ventana en conjuntos de características manuales que describen cómo se comportan las señales en el tiempo y en frecuencia, como sus promedios, variabilidad y ritmos dominantes. Luego entrenaron cuatro modelos ampliamente usados—dos enfoques clásicos y dos redes de aprendizaje profundo—en dos tareas: distinguir las 12 actividades y agruparlas en cuatro niveles de esfuerzo. Todo el entrenamiento y las pruebas se realizaron de forma por sujeto: los datos de cada persona aparecieron en un único papel, garantizando que los modelos aprendieran patrones generales y no memorizaran el estilo de movimiento de un individuo.

Lo que realmente importa: tiempo y colocación

Los resultados muestran que, con características bien seleccionadas, los modelos clásicos pueden reconocer actividades con alrededor de un 96–97% de precisión y los niveles de esfuerzo incluso con mayor fiabilidad. Los modelos de aprendizaje profundo entrenados directamente con señales crudas rinden casi igual, especialmente en ventanas temporales más cortas. En todos los enfoques, las ventanas de aproximadamente 2–5 segundos ofrecen el mejor equilibrio entre respuesta rápida y clasificación fiable: lo bastante largas para captar el ritmo de la marcha o el remo, pero lo bastante cortas para ser útiles en retroalimentación en tiempo real. Al observar la colocación de los sensores, los hallazgos son llamativos. Una configuración centrada en la parte inferior del cuerpo—caderas, muslos, espinillas y pies—a menudo iguala o incluso supera el rendimiento de una cobertura de todo el cuerpo, particularmente para juzgar la intensidad. Una disposición mínima de tres sensores en la parte baja de la espalda, el muslo y la espinilla todavía supera el 90% de precisión, mientras que las configuraciones de un solo sensor, especialmente en la muñeca, rinden sensiblemente peor.

Diseñar wearables más inteligentes y eficientes

Este nuevo conjunto de datos sugiere que más sensores no siempre son mejores: para movimientos cotidianos dominados por las piernas, un grupo compacto y bien elegido de sensores puede rivalizar con sistemas mucho más complejos. Ese hallazgo puede guiar el diseño de futuros dispositivos vestibles que sean más ligeros, baratos y fáciles de usar, pero que sigan siendo capaces de rastrear con fiabilidad tanto qué hacen las personas como cuán intensamente lo hacen. Al hacer público el conjunto de datos completo y el código, los autores proporcionan un banco de pruebas para refinar disposiciones de sensores, explorar nuevos algoritmos y, finalmente, extender estas herramientas a adultos mayores, pacientes y entornos del mundo real más variados.

Cita: Feng, M., Zhang, Q. & Fang, H. A comprehensive IMU dataset for evaluating sensor layouts in human activity and intensity recognition. Sci Data 13, 317 (2026). https://doi.org/10.1038/s41597-026-06710-9

Palabras clave: sensores vestibles, reconocimiento de actividad humana, unidades de medición inercial, colocación de sensores, intensidad de la actividad física