Reconocimiento de la postura humana y detección automatizada de puntuación para la rehabilitación deportiva

Ayuda más inteligente para los ejercicios de recuperación

Cualquiera que haya pasado por fisioterapia sabe lo difícil que es repetir los mismos movimientos correctamente, día tras día, a menudo sin saber si son “suficientemente buenos”. Este estudio presenta un asistente informático que observa los ejercicios de rehabilitación mediante una cámara, interpreta la postura corporal en tiempo real y puntúa automáticamente hasta qué punto cada movimiento se ajusta a un estándar aprobado por el terapeuta. El objetivo es ofrecer a los pacientes una retroalimentación instantánea y objetiva y aligerar la carga del personal médico, al tiempo que se hace la rehabilitación más precisa y motivadora.

Por qué importa observar cada articulación

La rehabilitación deportiva moderna depende en gran medida de la precisión con la que podemos observar y medir los movimientos del cuerpo. Los métodos tradicionales de evaluación se basan en la mirada y la experiencia del terapeuta, que son valiosas pero también subjetivas y que consumen tiempo. Pequeños errores en la postura, como una rodilla ligeramente torcida o un ángulo de hombro limitado, pueden ralentizar la recuperación o incluso causar nuevos problemas, y sin embargo son fáciles de pasar por alto en consultas concurridas. Los autores sostienen que un “segundo par de ojos” digital que rastree las posiciones articulares fotograma a fotograma podría ofrecer juicios más consistentes, apoyar la atención remota y ayudar a adaptar los planes de ejercicio al progreso de cada persona.

Un entrenador digital en tres partes

El sistema que desarrollaron funciona como una canalización con tres etapas principales. Primero, una cámara graba a la persona realizando ejercicios de rehabilitación, como sentadillas, desplantes o elevaciones de brazo tras una cirugía lumbar. Una herramienta de seguimiento de la postura llamada BlazePose convierte cada fotograma del vídeo en un modelo esquelético formado por 33 puntos clave—caderas, rodillas, hombros, etc.—capturando cómo se dispone el cuerpo y cómo se mueve en el tiempo. A continuación, un método de aprendizaje automático conocido como random forest analiza patrones en estos puntos clave y decide qué tipo de movimiento se está realizando y si la postura parece normal o anómala. Esto ayuda al sistema a reconocer muchos tipos de ejercicios en condiciones reales, donde los fondos son desordenados y partes del cuerpo pueden quedar ocultas brevemente.

Cómo aprende el sistema a puntuar como un experto

Reconocer una postura es solo la mitad del problema; la otra mitad es calificar cuánto se ajusta a un movimiento “de referencia”. Para ello, los investigadores añaden un tipo especial de red neuronal emparejada que destaca en comparar elementos. La red se entrena con pares de ejemplos de movimiento: uno procedente de una plantilla estándar y otro de un paciente. Aprende a medir cuán similares son ambos observando posiciones y ángulos articulares a lo largo del tiempo. Una medida de similitud convierte luego esta comparación en una puntuación de calidad, algo así como una versión digital de un experto marcando una lista de verificación. Los movimientos que siguen de cerca la plantilla estándar obtienen puntuaciones altas, mientras que los que se desvían demasiado se señalan como deficientes, lo que permite al sistema indicar qué ejercicios necesitan corrección.

Poniendo a prueba al asistente digital

Para evaluar si su herramienta está lista para uso práctico, los autores la probaron en dos grandes colecciones de datos de movimiento: una con muchas posturas cotidianas y otra centrada en ejercicios de yoga y fitness. Compararon su sistema integrado con alternativas más simples que usaban un clasificador básico o únicamente una red neuronal temporal. En estas pruebas, el nuevo método reconoció posturas corporales con hasta un 98 % de precisión, mantuvo el error en la estimación de ángulos articulares por debajo de aproximadamente un 6 % y produjo puntuaciones de rehabilitación que concordaban fuertemente con las valoraciones de tipo experto. Además, funcionó con suficiente rapidez—del orden de unos pocos hasta unas pocas decenas de milisegundos por fotograma—para soportar retroalimentación en tiempo real durante las sesiones de entrenamiento.

Qué significa esto para pacientes y terapeutas

En términos sencillos, el estudio demuestra que una cámara más un software inteligente pueden “ver” de forma fiable cómo se mueven las personas, etiquetar cada ejercicio y juzgar su calidad de maneras que coinciden bien con expertos humanos. Aunque el sistema aún requiere pruebas en entornos más diversos y con distintos grupos de pacientes, ya muestra que el seguimiento y la puntuación automatizados de la postura pueden convertirse en un asistente poderoso en la rehabilitación deportiva. Si se refina y se despliega de forma amplia, herramientas como esta podrían dar a los pacientes una guía más clara, animarles con retroalimentación inmediata y liberar a los terapeutas para que se centren en decisiones de mayor nivel—mejorando en última instancia los resultados de la recuperación y la calidad de vida.

Cita: Peng, X., Mao, X. & Fang, X. Human pose recognition and automated scoring detection for sports rehabilitation. Sci Rep 16, 13545 (2026). https://doi.org/10.1038/s41598-026-43294-1

Palabras clave: rehabilitación deportiva, estimación de la postura humana, puntuación automatizada del movimiento, tecnología en fisioterapia, visión por ordenador en salud