📄 bioengineering

Edge-First Ground Reaction Force Estimation with Consumer Smartwatches

Este artículo presenta un sistema ponible de prioridad en el borde que utiliza relojes inteligentes de consumo y una red de convolución temporal compacta para estimar las fuerzas de reacción del suelo verticales localmente, logrando una fuerte correlación con las mediciones de laboratorio, particularmente para la locomoción cíclica.

Autores originales: Ghaffarzadeh, P., Chakraborty, D., Aslansefat, K., Dostan, A., Papadopoulos, Y.

Publicado 2026-07-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ghaffarzadeh, P., Chakraborty, D., Aslansefat, K., Dostan, A., Papadopoulos, Y.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina intentar comprender qué tan fuerte golpean tus pies el suelo cada vez que das un paso. Los científicos llaman a esto la "Fuerza de Reacción del Suelo" (GRF, por sus siglas en inglés). Es como un apretón de manos secreto entre tu cuerpo y la Tierra, que nos dice exactamente cuánto peso estás descargando y cómo están trabajando tus músculos para mantenerte erguido. Normalmente, para medir esto, tienes que visitar un laboratorio de alta tecnología y caminar sobre una gigante y costosa baldosa sensible a la presión. Es preciso, pero también está atrapado en un solo lugar, como una exhibición de museo que no puedes llevarte a casa.

Ahora, imagina si tu reloj inteligente pudiera hacer el mismo trabajo. Esa es la gran pregunta que aborda este artículo. Los investigadores se preguntan: ¿Podemos convertir los diminutos sensores dentro de un reloj convencional de consumo en una máquina portátil de medición de fuerza? No intentan reemplazar el laboratorio por completo; en su lugar, quieren ver si podemos obtener una lectura "suficientemente buena" directamente desde tu muñeca o cintura, sin necesidad de enviar tus datos a la nube o esperar a una supercomputadora. Se trata de reducir un complejo problema de física para que quepa en tu bolsillo, manteniendo al mismo tiempo seguros tus datos privados de movimiento en tu propio teléfono.

El equipo de detectives "Edge-First"

Los autores de este artículo construyeron un sistema que llaman "Edge-First" (Primero en el Borde), que es una forma elegante de decir que hicieron que el reloj inteligente y el teléfono hicieran todo el trabajo pesado ellos mismos, sin pedir ayuda a Internet. Piensa en esto como un escuadrón de detectives donde los dos Apple Watch son los espías que recolectan pistas, y el iPhone es la oficina del detective donde ocurre toda la resolución.

Así es como trabaja el equipo: Usas dos dispositivos Apple Watch Series 6, uno en tu muñeca y otro en tu cintura. Mientras caminas, trotas o corres, estos relojes actúan como cámaras de alta velocidad, tomando 100 fotos de tu movimiento cada segundo. No solo toman fotos; registran cómo te sacudes y giras en tres dimensiones. Luego, estos relojes le susurran estos datos a tu iPhone a través de un enlace de radio de corto alcance. El iPhone actúa como el cerebro, organizando los datos, limpiando la estática y ejecutando un modelo especial de IA llamado GRFNet-MultiScale, para adivinar cómo es la fuerza del suelo. ¿Lo mejor de todo? Todo el proceso ocurre allí mismo, en tu teléfono. Sin Wi-Fi, sin servidores en la nube, solo tú y tu dispositivo.

El Modelo Mágico: Una Máquina del Tiempo Multiescala

La salsa secreta es el modelo de IA, GRFNet-MultiScale. Imagina intentar entender una canción. Necesitas escuchar los golpes de tambor rápidos y secos (el momento en que el talón golpea el suelo) y también la melodía larga y fluida del resto del paso. Un modelo simple podría escuchar solo el tambor o solo la melodía, pero este modelo es como un súper-oyente que escucha ambos a la vez.

Los investigadores diseñaron este modelo para observar los datos en diferentes "escalas de tiempo". Tiene capas especiales que hacen zoom en impactos diminutos de una fracción de segundo y otras capas que hacen zoom hacia afuera para ver el panorama general de todo el paso. Al combinar estas vistas, el modelo puede reconstruir la curva de fuerza —la historia de qué tan fuerte empujas el suelo— partiendo solo de la sacudida de tu brazo y tu cintura.

Lo que Encontraron: La Muñeca es un Héroe Sorprendente

Cuando el equipo probó este sistema en 10 personas sanas, los resultados fueron bastante prometedores, aunque con algunos límites claros.

El Poder del Sensor Dual: Cuando usaron los relojes de la muñeca y la cintura juntos, el sistema fue bastante bueno para adivinar la fuerza. Coincidió con las mediciones reales del laboratorio con una correlación de 0.798 (donde 1.0 es una coincidencia perfecta) y tuvo un margen de error de 257 N (Newtons, la unidad de fuerza).
La Sorpresa de Solo la Muñeca: Aquí está el giro divertido. ¡Incluso si solo usas el reloj en tu muñeca y olvidas el de la cintura, el sistema aún funciona! Retuvo el 82.5% de la precisión de la configuración de los dos relojes. Esto sugiere que el balanceo de tu brazo transporta mucha de la "huella" de tu caminata, incluso aunque tu pie esté lejos.
La Brecha de Actividad: El sistema es un campeón en actividades rítmicas como caminar, trotar y correr. Obtuvo las mejores puntuaciones allí. Sin embargo, tuvo dificultades con movimientos repentinos y bruscos. Si hacías un "golpe de talón" (saltar desde las puntas de los pies y aterrizar fuerte), el sistema se confundía. Es como si el modelo fuera excelente entendiendo un ritmo constante de tambores, pero se pierde cuando la música se detiene y arranca de repente con un estruendo.

Por qué Importa: Confiar en la Máquina

Una de las cosas más geniales que hicieron los investigadores fue preguntarle a la IA: "¿Cómo sabes esto?". Usualmente, la IA es una "caja negra": da una respuesta, pero no sabes por qué. Los autores utilizaron una técnica llamada "Atribución Temporal" para echar un vistazo dentro de la caja negra. Descubrieron que el modelo estaba observando la aceleración de la muñeca durante la parte inicial del paso (cuando el talón golpea el suelo) para hacer su suposición.

Es más, esto no fue una casualidad. Sin importar a qué persona probaran o cómo dividieran los datos, la IA seguía señalando el mismo punto: la muñeca moviéndose cuando el pie golpea. Esta consistencia hace que el sistema se sienta más confiable, como un detective que siempre encuentra la misma pista, en lugar de adivinar al azar.

La Conclusión

Este artículo no afirma que tu Apple Watch pueda reemplazar perfectamente una máquina de laboratorio de un millón de dólares. Dice explícitamente que para saltos repentinos y explosivos, la configuración actual aún no está lista. Pero para las cosas cotidianas —caminar, trotar y correr— demuestra que podemos obtener una estimación sólida y segura para la privacidad de cómo nuestros cuerpos se están cargando, directamente desde nuestras muñecas.

El estudio demuestra que el "borde" (tu teléfono y tu reloj) es lo suficientemente potente como para manejar la biomecánica compleja sin necesidad de la nube. Es un paso hacia un futuro donde podamos rastrear las tendencias de nuestra salud física durante meses y años, no solo en una única visita al laboratorio, utilizando los dispositivos que ya llevamos puestos. La puerta está abierta, pero los investigadores son cuidadosos al decir: "Podemos atravesarla para pasos constantes, pero necesitamos aprender a correr antes de intentar saltar".

Resumen Técnico: Estimación de la Fuerza de Reacción del Suelo mediante el Enfoque "Edge-First" con Relojes Inteligentes de Consumo

Planteamiento del Problema
La fuerza de reacción del suelo (GRF, por sus siglas en inglés) es una señal crítica para el análisis del movimiento, la evaluación de la marcha y el monitoreo de la rehabilitación. Sin embargo, la medición precisa de la GRF está actualmente limitada a placas de fuerza de laboratorio instrumentadas, las cuales son fijas, costosas y no aptas para el monitoreo longitudinal en la vida diaria. Si bien investigaciones previas han demostrado que los datos de las unidades de medida inercial (IMU) pueden estimar la GRF, persisten brechas significativas en la traducción de estas pruebas de concepto en sistemas portátiles desplegables. Específicamente, la literatura existente suele carecer de una evaluación riguro de la generalización independiente del sujeto, de arquitecturas detalladas de sistemas de borde (comunicación, almacenamiento en búfer, inferencia local) y de una explicabilidad resolutiva en el tiempo reproducible.

Metodología
Los autores proponen un sistema portátil de extremo a extremo, con un enfoque de borde primero (edge-first), utilizando hardware de consumo y procesamiento local:

Arquitectura de Hardware: El sistema utiliza dos dispositivos Apple Watch Series 6 (uno en la muñeca dominante y otro en la cintura) como nodos de sensores, y un iPhone como el nodo de borde. Los relojes transmiten datos inerciales de 12 canales (aceleración de 3 ejes y velocidad angular de 3 ejes por dispositivo) a 100 Hz.
Flujo de Datos (Data Pipeline): Los datos se transmiten vía WatchConnectivity en fragmentos de 5 segundos (500 muestras) hacia el iPhone. El iPhone gestiona el almacenamiento en búfer local, el reordenamiento de paquetes y el preprocesamiento (alineación, filtrado de paso bajo a 10 Hz para la IMU y a 20 Hz para la placa de fuerza, normalización z-score y segmentación en ventanas fijas de 198 muestras). Crucialmente, toda la ruta de inferencia se ejecuta localmente en el teléfono sin dependencia de la nube, preservando la privacidad y reduendo la sensibilidad a la latencia.
Arquitectura del Modelo (GRFNet-MultiScale): El modelo predictivo central es una red convolucional temporal de 1D compacta, diseñada para el despliegue en el borde. Cuenta con:
- Cuatro bloques residuales dilatados con tasas de dilatación $d \in \{1, 2, 4, 8\}$ y un tamaño de núcleo (kernel) de 3, creando un campo receptivo efectivo de 127 muestras (1.27 s).
- Una rama de contexto global mediante el uso de pooling promedio adaptativo para capturar la estructura a nivel de ventana.
- Un decodificador ligero para la predicción de la GRF vertical (vGRF) por cada paso de tiempo (timestep).
- El modelo de sensores duales contiene aproximadamente 1.2 millones de parámetros; la variante de solo muñeca contiene aproximadamente 605 mil parámetros.
Explicabilidad: Para garantizar la confiabilidad, el estudio emplea dos métodos complementarios de explicabilidad temporal:
- SMILE Temporal: Un método basado en enmascaramiento que perturba ventanas contiguas cortas para medir los cambios en la salida.
- Análisis de estilo TimeSHAP: Un método de atribución a nivel de segmento basado en valores de Shapley.
- Ambos métodos se evalúan según su estabilidad a través de las particiones de validación.

Contribuciones Clave

Flujo de Trabajo "Edge-First": Un sistema de extremo a extremo que demuestra el preprocesamiento, almacenamiento e inferencia local en dispositivos de consumo, eliminando la necesidad de conectividad a la nube durante la operación.
Modelo Multi-Escala Compacto: Introducción de GRFNet-MultiScale, que equilibra la precisión predictiva con las restricciones computacionales de los dispositivos móviles de borde.
Evaluación Estricta de Generalización: Evaluación exhaustiva bajo un protocolo de Leave-One-Subject-Out (LOSO) de 10 pliegues, probando la generalización a usuarios no vistos en lugar de un ajuste específico para cada sujeto.
Atribución Temporal Reproducible: Demostración de que los patrones de atribución temporal (identificar cuándo y dónde importan las señales) se mantienen estables a través de diferentes divisiones de validación, yendo más allá de las visualizaciones de una sola división.

Resultados

Desemño Predictivo: Bajo validación LOSO en 539 ventanas de apoyo de 10 participantes sanos, el sistema de sensores duales logró una correlación de Pearson ( $r$ ) media de 0.798 con un Error Cuadrático Medio (RMSE) de 257 N.
Configuración de Sensores: Una configuración de solo muñeca retuvo el 82.5% de la correlación del sistema de sensores duales ( $r=0.658$ ), validando la utilidad de las configuraciones estándar de solo reloj inteligente.
Dependencia de la Actividad: El desempeño varió significativamente según la actividad. El sistema funcionó mejor en locomoción cíclica: jogging ( $r=0.867$ ) y carrera ( $r=0.829$ ), seguidos de la marcha. El desempeño fue moderado para los descensos de escalón (step-downs) y bajo para los golpes de talón (heel drops) ( $r=0.301$ ), debido a la dificultad de reconstruir impactos breves e impulsivos a partir de señales de 100 Hz filtradas por paso bajo.
Métricas Derivadas: El sistema mostró una alta precisión para métricas integradas, donde el impulso ( $r=0.983$ ) y la duración del contacto efectivo ( $r=0.982$ ) correlacionaron fuertemente con la verdad de terreno (ground truth). La vGRF pico ( $r=0.741$ ) y la tasa de carga ( $r=0.588$ ) fueron menos precisas.
Explicabilidad: Tanto el SMILE Temporal como el TimeSHAP identificaron consistentemente la aceleración de la muñeca en la fase temprana del apoyo (early-stance) como la señal dominante y reproducible. Este patrón de atribución se mantuvo estable en las 45 comparaciones por pares de los pliegues LOSO (mediana de Spearman $\rho=0.755$ ).

Significancia y Reclamaciones
El artículo sostiene que los dispositivos portátiles de consumo pueden soportar una estimación significativa de la GRF vertical mediante un enfoque de borde primero bajo condiciones de detección controladas, siempre que las afirmaciones se alineen con las capacidades medidas. El sistema se posiciona no como un reemplazo de las placas de fuerza de laboratorio en todos los entornos, sino como una herramienta para el monitoreo longitudinal repetido durante la locomoción cíclica (marcha, jogging, carrera).

Los autores enfatizan que la contribución reside en la integración de pila completa (full-stack) de la detección, comunicación, ejecución en el borde y explicabilidad reproducible. Definen explícitamente los límites actuales: el sistema es más fuerte para tareas cíclicas, aún no soporta eventos impulsivos de golpe de talón, requiere de la sincronización con la placa de fuerza para la evaluación (lo que requiere futura detección de fase de apoyo basada en IMU para un despliegue completo) y no ha sido caracterizado para el consumo de energía en el dispositivo o la duración de la batería. Este trabajo establece un patrón de diseño para la IA portátil que prioriza la privacidad, la inferencia local y la interpretabilidad mecánica.

Más como este