Automating Timed Up and Go Phase Segmentation and Gait Analysis via the tugturn Markerless 3D Pipeline

Each language version is independently generated for its own context, not a direct translation.

¡Hola! Imagina que quieres medir qué tan bien se mueve una persona, pero en lugar de usar un cronómetro simple y un ojo humano, usamos una "caja mágica" de inteligencia artificial.

Este artículo presenta una herramienta llamada tugturn.py. Para entenderla, vamos a usar una analogía sencilla: el "Guía de Viaje Digital".

1. El Problema: El "Cronómetro Ciego"

Imagina que le pides a alguien que se levante de una silla, camine 3 metros, dé la vuelta y vuelva a sentarse. Esta prueba se llama "Timed Up and Go" (Levantarse, Caminar y Volver).

La forma antigua: Un médico usa un cronómetro y dice: "Tardaste 10 segundos". ¡Listo! Pero el cronómetro es "ciego". No sabe si la persona tropezó, si giró muy rápido, o si se tambaleó. Solo ve el tiempo total.
El problema real: Para saber por qué alguien tardó más, necesitamos ver los detalles. ¿Fue el giro? ¿Fue el paso? ¿Fue el levantarse? Antes, para ver esos detalles, necesitabas cámaras costosas y miles de pegatinas (marcadores) en el cuerpo de la persona, como si fuera un robot de película.

2. La Solución: tugturn.py (El "Guía de Viaje")

Los autores crearon un programa de computadora (un script de Python) que actúa como un guía de viaje muy detallado que solo necesita una cámara de video normal (sin pegatinas).

Aquí te explico cómo funciona este guía, paso a paso, con analogías:

A. El Cortador de Pastel Espacial (Segmentación de Fases)

Imagina que el movimiento de la persona es una larga cinta de película. El programa no la ve como una sola pieza aburrida.

Cómo lo hace: El programa dibuja líneas invisibles en el suelo.
- Si la persona está cerca de la silla (zona de "silla"), el programa dice: "¡Ahora está sentándose/levantándose!".
- Si la persona avanza hacia el frente (zona de "caminar"), dice: "¡Ahora es la primera caminata!".
- Si llega al final y gira, dice: "¡Ahora es el giro!".
La magia: En lugar de adivinar, el programa usa coordenadas matemáticas (como un GPS) para cortar la película en 5 capítulos perfectos: Levantarse, Caminar 1, Girar, Caminar 2, Sentarse.

B. El Detective de Pasos (Detección de Eventos)

Dentro de esos capítulos de "caminar", el programa actúa como un detective que busca los momentos exactos de cada paso.

El truco: A veces, al girar, la gente mueve los pies de forma rara. Un programa tonto pensaría que eso es un paso.
La solución: tugturn usa una regla inteligente (basada en la distancia relativa entre el pie y la cadera). Es como si el programa dijera: "Espera, si no estás avanzando hacia adelante, no es un paso válido". Así, ignora los movimientos extraños durante el giro y solo cuenta los pasos reales.

C. El Analista de Equilibrio (Estabilidad y Coordinación)

El programa no solo cuenta pasos; también mira cómo se mueve el cuerpo en conjunto.

La analogía del "Bailarín": Imagina que la cadera y el tronco son dos bailarines.
- Si se mueven juntos perfectamente, es una danza armoniosa.
- Si uno se mueve y el otro se queda quieto (como en la enfermedad de Parkinson), el programa lo detecta.
Usa una técnica llamada "Vector Coding" (como medir el ángulo entre dos varitas) para ver si la persona gira como un bloque rígido (malo) o si gira fluidamente (bueno). También calcula dónde estaría el centro de gravedad si la persona se cayera (XCoM), como un "alerta de caída" en tiempo real.

3. ¿Qué te entrega este programa?

Al final del análisis, en lugar de darte solo un número, te entrega un reporte completo (como un menú de restaurante):

Un informe HTML: Un documento web bonito con gráficos y animaciones que puedes abrir en tu navegador.
Tablas de datos: Listas con todos los números (velocidad, longitud del paso, tiempo de cada fase) listos para que los científicos los estudien.
GIFs: Pequeños videos que muestran exactamente dónde el programa cortó la película, para que puedas verificar que todo está bien.

4. ¿Por qué es importante?

Antes, si querías hacer este análisis en un hospital o en la casa de un paciente, necesitabas un laboratorio caro y horas de trabajo manual.

Con tugturn: Puedes tomar un video con una cámara normal, ejecutar el programa (es como escribir un comando simple en la computadora) y en minutos tener un análisis de laboratorio de alta calidad.
El impacto: Ayuda a los médicos a entender mejor a pacientes con Parkinson, ancianos o personas en rehabilitación, detectando problemas pequeños que un cronómetro simple nunca vería.

En resumen:
tugturn.py es como un traductor automático que convierte un video simple de alguien caminando en un diagnóstico biomecánico detallado, sin necesidad de pegatinas costosas ni laboratorios gigantes. Hace que la tecnología avanzada sea accesible para todos.

Each language version is independently generated for its own context, not a direct translation.

Aquí tienes un resumen técnico detallado del artículo "Automating Timed Up and Go Phase Segmentation and Gait Analysis via the TUGTURN Markerless 3D Pipeline", presentado en español:

Resumen Técnico: TUGTURN

1. El Problema

El análisis del "Timed Up and Go" (TUG) es una herramienta clínica estándar para evaluar la movilidad y el rendimiento funcional. Sin embargo, existen limitaciones significativas en los enfoques actuales:

Dependencia de infraestructura: Los sistemas tradicionales de captura de movimiento (con marcadores) son precisos pero costosos, requieren instalaciones especializadas y procesos de análisis manuales intensivos.
Limitaciones de los enfoques "sin marcadores" (Markerless): Aunque la visión por computadora ha avanzado, muchas pipelines existentes se centran solo en la extracción de la postura o en resúmenes genéricos de la marcha. Carecen de un flujo de trabajo estructurado específico para el TUG que pueda segmentar automáticamente las fases del movimiento (levantarse, caminar, girar, volver, sentarse) y detectar eventos de marcha precisos sin errores.
Falta de automatización robusta: Sin herramientas especializadas, el análisis en entornos clínicos o no controlados a menudo requiere reconocimiento visual subjetivo o procesamiento manual cuadro por cuadro, lo que introduce sesgos y reduce la reproducibilidad.

2. Metodología

El artículo presenta tugturn.py, un flujo de trabajo en Python diseñado para procesar series temporales de coordenadas 3D (generalmente derivadas de MediaPipe y procesadas mediante el framework vailá). La arquitectura se basa en una interfaz de línea de comandos (CLI) y archivos de configuración .toml, permitiendo un procesamiento por lotes escalable.

Los pilares metodológicos son:

Segmentación Espacial de Fases (Lógica del Eje Y):
- En lugar de tratar el TUG como una "caja negra" temporal, el algoritmo utiliza umbrales espaciales estrictos basados en la posición del centro de masa (pelvis) a lo largo del eje anteroposterior (eje Y).
- Define automáticamente cinco sub-fases funcionales discretas: Sentado a de pie, Primera marcha, Giro, Segunda marcha y De pie a sentado.
- Umbrales clave: Zona de silla ( $Y \le 1.125$ m) y zona de giro ( $Y \approx 4.5$ m).
Detección de Eventos de Marcha (Algoritmo Zeni Dinámico):
- Se adapta el algoritmo de distancia relativa de Zeni Jr. et al. (2008) para manejar la naturaleza bidireccional del TUG.
- Filtros de enmascaramiento: Verifica que el sujeto esté de pie y en movimiento antes de detectar pasos para evitar falsos positivos durante giros o transiciones.
- Vector de Progresión Dinámico: Calcula la derivada suavizada del centro de la pelvis para adaptar la detección a la dirección real de caminata del paciente en tiempo real.
- Detección de Contacto (Heel Strike) y Despegue (Toe-Off): Utiliza la proyección de vectores y la detección de picos locales, con restricciones fisiológicas (ej. evitar dos golpes de talón consecutivos en <300 ms).
- Restricción Espacial: Los eventos detectados se validan cruzándolos con las zonas de fase definidas; cualquier evento fuera de las ventanas de "Primera" o "Segunda" marcha se descarta.
Cinemática Avanzada y Coordinación:
- Incluye el módulo Vector Coding para cuantificar la coordinación intersegmental entre el tronco y la pelvis durante el giro. Clasifica el comportamiento en En fase (indicativo de giros "en bloque" tipo Parkinson) o Anti-fase.
- Calcula métricas de estabilidad dinámica basadas en el Centro de Masa Extrapolado (XCoM).

3. Contribuciones Clave

Pipeline Reproducible y Automatizado: tugturn.py es una herramienta de código abierto que transforma datos de video crudos en descriptores biomecánicos clínicos sin intervención manual.
Enfoque Específico para TUG: A diferencia de pipelines genéricas, este software entiende la topografía del movimiento TUG, separando correctamente las fases de ida y vuelta, lo cual es crucial para el análisis clínico.
Salidas Ricas y Estándar: Genera múltiples formatos de salida listos para el análisis:
- Informes HTML interactivos con visualizaciones y GIFs de calidad.
- Tablas CSV con métricas espaciotemporales, cinemáticas y de coordinación.
- Datos JSON estructurados.
Validación de Biomarcadores Digitales: Integra métricas de coordinación (Vector Coding) que estudios previos han identificado como predictores robustos de la severidad de enfermedades (ej. enfermedad de Parkinson).

4. Resultados

El artículo no presenta un nuevo ensayo clínico, sino la demostración del flujo de trabajo y las capacidades del software mediante un caso de prueba (s26_m1_t1):

Precisión en la Segmentación: El sistema dividió exitosamente una prueba de 26.93 segundos en las 5 fases correctas, identificando duraciones específicas para cada una (ej. 1.48s para levantarse, 2.79s para girar).
Extracción de Métricas: Se obtuvieron valores detallados como cadencia (67.91 pasos/min), velocidad (0.347 m/s), longitud de paso y desviación del XCoM.
Detección de Eventos: El algoritmo identificó correctamente los pasos dentro de las zonas válidas, generando secuencias de pasos (ej. 12 pasos en la primera marcha, 11 en la segunda) y diferenciando entre pie izquierdo y derecho.
Visualización: Se generaron reportes HTML que permiten la inspección visual interactiva de la segmentación y la calidad de los datos.

5. Significado e Impacto

Democratización del Análisis Biomecánico: tugturn.py reduce la barrera de entrada para el análisis biomecánico de alta fidelidad, permitiendo que clínicas y laboratorios sin equipos de captura de movimiento costosos realicen evaluaciones objetivas y cuantitativas.
Mejora en la Toma de Decisiones Clínicas: Al proporcionar métricas específicas por fase (no solo el tiempo total), permite identificar déficits específicos (ej. problemas en el giro vs. problemas en la marcha de retorno), lo cual es vital para el diagnóstico y seguimiento de patologías neurológicas y musculoesqueléticas.
Reproducibilidad Científica: La arquitectura basada en CLI y configuración .toml asegura que los análisis sean totalmente reproducibles, facilitando estudios multicéntricos y la comparación de datos a gran escala.
Futuro: El trabajo sienta las bases para la validación cruzada en múltiples conjuntos de datos y la cuantificación de la incertidumbre, posicionando al TUG como una prueba estandarizada con métricas digitales robustas.

En resumen, este artículo introduce una solución de software integral que cierra la brecha entre el seguimiento de video por visión artificial y los descriptores biomecánicos clínicos robustos, transformando el TUG de una prueba cronometrada subjetiva en un análisis topográfico y dinámico preciso.