Locomotor adaptation can persistently reorganize stride-to-stride regulation of centre of mass error dynamics

Resumen Técnico: Adaptación Locomotora y Dinámica del Error del CoM de Paso a Paso

Planteamiento del Problema
Aunque los seres humanos pueden adaptar su marcha a entornos novedosos (por ejemplo, cintas de correr de banda dividida o split-belt) para mantener la estabilidad, la comprensión actual de este proceso es limitada. Los estudios tradicionales dependen de métricas escalares, como la asimetría de la longitud del paso o el Margen de Estabilidad (MoS), que proporcionan instantáneas inmediatas de los resultados de la marcha. Estas métricas no logran capturar las reglas latentes que gobiernan cómo se regula la estabilidad de un paso a otro. Además, no está claro si la adaptación locomotora implica simplemente la reducción de los errores de estabilidad o una reorganización fundamental de la estructura dinámica subyacente que controla dichos errores. Asimismo, no se comprende bien hasta qué punto estas adaptaciones relacionadas con la estabilidad se retienen y se recuperan rápidamente (ahorro o savings) tras la reexposición a una perturbación.

Metodología
Los autores emplearon un enfoque de sistemas dinámicos multidimensional para modelar la dinámica del error del Centro de Masa (CoM) durante la marcha en una cinta de banda dividida.

• Marco del Modelo: Utilizaron un modelo simple de péndulo invertido en 3D para definir un mapa lineal de paso a paso de los estados de error del CoM en la fase de apoyo medio (midstance). El vector de estado incluye la posición mediolateral ($\delta x$), la velocidad mediolateral ($\delta \dot{x}$) y la velocidad anteroposterior ($\delta \dot{y}$). El sistema se modela como $\delta \mathbf{x}(n+1) = A \delta \mathbf{x}(n)$, donde la matriz $A$ representa la dinámica de regulación del error de paso a paso.
• Datos Experimentales: El estudio analizó datos de 14 participantes sometidos a un protocolo de banda dividida que consistía en bloques de línea base (banda unificada), aprendizaje (banda dividida), lavado (washout, banda unificada) y ahorro (savings, reexposición a la banda dividida).
• Análisis:
  1. Validación Escalar: Se utilizó un ANOVA de medidas repetidas para confirmar la reducción de la magnitud del error del CoM durante el aprendizaje y el lavado.
  2. Ajuste del Modelo: Se ajustaron mapas lineales ($A_{block}$) a los datos de estado estacionario para cada bloque y pierna. La validez del modelo se evaluó mediante el Error Cuadrático Medio Normalizado (NRMSE) y "puntuaciones de habilidad" (skill scores) comparando el modelo contra los referentes de persistencia y de predictor de la media.
  3. Análisis de la Estructura Propia (Eigenstructure): Para probar la reorganización estructural (Hipótesis H2), los autores compararon los autovalores y autovectores de las matrices $A$ entre los bloques. Analizaron específicamente la similitud de los autovectores dominantes entre las condiciones de aprendizaje, ahorro y línea base utilizando bootstrapping para determinar si las dinámicas de aprendizaje y ahorro se agrupan de forma distinta a la de la línea base.
  4. Análisis de Recuperación: Para probar la recuperación estructural (Hipótesis H3), compararon qué tan bien el modelo de aprendizaje de estado estacionario ($A_L$) frente al modelo de lavado ($A_W$) predecía las trayectorias de error del bloque de ahorro durante los primeros 30 pasos.

Resultos Clave

• Reducción del Error (H1): Los participantes redujeron significativamente la magnitud del error del CoM en las direcciones mediolateral y anteroposterior durante los bloques de aprendizaje y de lavado, confirmando el error del CoM como una señal de aprendizaje válida.
• Reorganización Estructural (H2): Las dinámicas de error lineales difirieron significativamente entre las condiciones de banda unificada (línea base/lavado) y de banda dividida (aprendizaje/ahorro). Específicamente, los autovectores dominantes (que representan la dirección de la decaimiento de error más lento) rotaron significativamente. En la marcha con banda unificada, la persistencia del error estuvo dominada por la velocidad mediolateral. En la marcha con banda dividida, la dirección dominante se desplazó lejos de la velocidad mediolateral, alineándose más estrechamente con la velocidad anteroposterior. Esto indica una reorganización de las prioridades de control.
• Recuperación Estructural (H3): El modelo de estado estacionario aprendido durante la exposición inicial a la banda dividida ($A_L$) predijo las trayectorias de error del bloque de ahorro temprano significativamente mejor que la dinámica de lavado ($A_W$). Crucialmente, $A_L$ también predijo mejor el ahorro temprano que el aprendizaje temprano, lo que sugiere que la similitud no es meramente un resultado de las restricciones mecánicas de la banda dividida, sino que refleja la rápida recuperación de una estructura dinámica previamente aprendida.
• Asimetría de la Pierna: Estos cambios estructurales se observaron principalmente en la pierna lenta, lo cual es consistente con hallazgos previos de que la cinética de la pierna lenta impulsa las medidas de asimetría.

Significación y Reivindicaciones
El artículo sostiene que la adaptación locomotora implica algo más que la simple reducción escalar del error; incluye una reorganización persistente de la estructura geométrica de la regulación del movimiento del CoM de paso a paso.

• Más allá de las Métricas Escalares: El estudio demuestra que las métricas escalares como el MoS o la asimetría de la longitud del paso son insuficientes para detectar estos cambios fundamentales en la estrategia de control. La reorganización se revela únicamente mediante el análisis de la estructura propia de las dinámicas de error.
• Recuperación Rápida: Los hallazgos sugieren que el sistema nervioso aprende una nueva estructura dinámica para regular la estabilidad en entornos novedosos, la cual no se sobrescribe inmediatamente durante el lavado y puede recuperarse rápidamente tras la reexposición.
• Información Mecanística: Al desplazar el enfoque de la reducción del resultado hacia la geometría de la regulación del error, los autores proporcionan una explicación mecanística de cómo se prioriza la estabilidad de manera diferente en la marcha con banda dividida frente a la de banda unificada (por ejemplo, despriorizando el error de velocidad anteroposterior en favor del error de velocidad mediolateral).

Los autores concluyen que su enfoque de sistemas dinámicos ofrece una parametrización novedosa para investigar el aprendizaje y la recuperación locomotora, revelando que las adaptaciones relevantes para la estabilidad son estructurales y persistentes, en lugar de ajustes transitorios de la magnitud del error.