Markerless Pose Estimation for Resistance Training Technique Assessment

En el mundo del entrenamiento físico, la diferencia entre desarrollar fuerza y sufrir una lesión suele depender de un solo detalle: cómo se mueve un cuerpo. Durante décadas, los expertos han dependido de dos formas principales para juzgar este movimiento. La primera es el ojo humano, donde un entrenador observa a un atleta y ofrece retroalimentación basada en su experiencia. La segunda es el laboratorio, donde los científicos utilizan cámaras costosas y diminutos adhesivos reflectantes colocados en la piel de una persona para medir cada articulación con extrema precisión. Si bien el método de laboratorio proporciona una exactitud innegable, está encerrado en centros de investigación, lejos de las salas de pesas donde la mayoría de la gente entrena. Esto deja un vacío entre la ciencia de alta tecnología del movimiento y la realidad cotidiana de levantar pesas.

Un nuevo estudio de la Universidad de Bristol busca cerrar esta brecha planteando una pregunta sencilla: ¿puede la cámara de un smartphone estándar, sin adhesivos ni equipo especial, decirnos si una persona está levantando de forma segura? Los investigadores se centraron en tres ejercicios fundamentales —la sentadilla, el press de banca y el peso muerto— porque estos movimientos involucran múltiples articulaciones y conllevan un alto riesgo de lesión si se realizan incorrectamente. Querían saber si la visión computacional moderna, que permite a las máquinas "ver" y mapear el cuerpo humano a partir de un video, podría reemplazar la necesidad de una visita al laboratorio. El objetivo no era crear una herramienta médica perfecta, sino ver si un sistema práctico y accesible podía capturar la forma esencial de un movimiento y compararla con un ejemplo bueno conocido.

Para probar esta idea, el equipo construyó un marco digital que toma metraje de video ordinario y lo convierte en una historia de movimiento. Utilizaron un programa informático ligero capaz de detectar treinta y tres puntos clave en el cuerpo humano, como los homos, los codos y las rodillas, en cada fotograma de un video. Una vez identificados estos puntos, el sistema los conectaba para calcular los ángulos de las articulaciones mientras la persona se movía. Para la sentadilla, por ejemplo, el programa observaba cómo se doblaba la rodilla y cómo se inclinaba el torso hacia adelante. Los investigadores crearon entonces una referencia de "estándar de oro" seleccionando un video de una repetición perfecta de una colección de clips instructivos. Este movimiento perfecto servía como el objetivo, una plantilla contra la cual se podían medir todos los demás intentos.

Los investigadores introdujeron cientos de videos en su sistema, filtrando aquellos con mala iluminación o cuerpos que estaban demasiado ocultos de la vista. Se centraron en un conjunto de datos de ochenta y nueve grabaciones de alta calidad. Cuando analizaron los videos de la sentadilla, el sistema funcionó notablemente bien. Rastreó con éxito el movimiento en casi todos los fotogramas, capturando la curva suave de la flexión y extensión de la rodilla. La computadora podía ver la diferencia entre una sentadilla profunda y controlada y una superficial o inestable. Al comparar el ángulo de la rodilla en un video de prueba contra el ángulo en el video de referencia perfecto, el sistema asignaba una puntuación. Una puntuación de cien significaba que el movimiento coincidía perfectamente con el ideal, mientras que una puntuación más baja indicaba una desviación. En una prueba que involucró diez repeticiones de una sentadilla, el sistema identificó que la primera repetición era la más diferente del ideal, mientras que la octava era la que más se acercaba al modelo, demostrando que la tecnología podía detectar cambios sutiles en la técnica incluso dentro de una sola serie de ejercicios.

Sin embargo, el estudio también reveló una limitación significativa que cualquier usuario de tal tecnología debe respetar: el ángulo de la cámara importa más que casi cualquier otra cosa. Los investigadores probaron esto haciendo que una persona mantuviera una posición de sentadilla estática mientras caminaban alrededor de ella, filmando desde el lado, la espalda y el frente. Cuando la cámara se posicionaba directamente al lado, capturando el movimiento en un perfil bidimensional plano, el ángulo de la rodilla parecía correcto. Pero tan pronto como la cámara se movía hacia el frente o la parte trasera, la estimación de la computadora sobre el ángulo de la rodilla cambiaba drásticamente, a pesar de que la pierna de la persona no se había movido en absoluto. Esta distorsión se veía agravada cuando el levantador estaba dentro de un rack de pesas metálico, donde las barras bloqueaban partes del cuerpo de la vista. El sistema tenía dificultades para adivinar dónde estaban las articulaciones ocultas, lo que conducía a datos confusos e inexactos. Este hallazgo descartó la idea de que una cámara pudiera colocarse en cualquier lugar; para que la tecnología funcione, el video debe tomarse desde una vista lateral específica.

La tecnología también mostró que funciona mejor para algunos ejercicios que para otros. Mientras que la sentadilla y el peso muerto fueron rastreados con alta fiabilidad, el press de banca resultó difícil. En el press de banca, la persona se tumba sobre su espalda y la barra pesada a menudo bloquea la vista de los brazos y los hombros. Debido a que la computadora no podía ver claramente las articulaciones clave, no pudo rastrear el movimiento en una gran parte de los videos. Esto sugiere que, si bien el método es poderoso para movimientos verticales donde el cuerpo es totalmente visible, aún no está listo para todo tipo de ejercicios. Los investigadores concluyeron que su sistema es un paso prometedor hacia la biomecánica accesible, capaz de proporcionar retroalimentación útil para la sentadilla y el peso muerto, pero no es una solución mágica que funcione en todas las situaciones.

En última instancia, este trabajo demuestra que nos acercamos a un futuro donde el análisis de movimiento de alta calidad esté disponible para todos, no solo para aquellos con un presupuesto de laboratorio. El sistema puede extraer con éxito la historia de un levantamiento de un simple video, identificando cuándo una técnica es consistente y cuándo se desvía del ideal. Puede decirle a un atleta que sus primeras repeticiones fueron inestables y que encontró su ritmo más tarde en la serie. Sin embargo, el camino a seguir requiere disciplina. Para sacar el máximo provecho de esta herramienta, los usuarios deben ser cuidadosos con respecto a dónde se colocan con su cámara y qué es lo que están filmando. La tecnología no es un reemplazo para un entrenador, sino un nuevo tipo de espejo, uno que puede mostrarnos la geometría de nuestra propia fuerza, siempre que sepamos cómo mirarla.