AI-Powered Smart Physiotherapy Assistant

Resumen Técnico: Asistente de Fisioterapia Inteligente Impulsado por IA

Planteamiento del Problema
La fisioterapia es fundamental para la rehabilitación tras lesiones, cirugías o dolor musculoesquelético crónico; sin embargo, su eficacia depende en gran medida de la capacidad del paciente para ejecutar los ejercicios con una postura y forma precisas. La fisioterapia convencional depende de la supervisión constante y presencial de terapeutas capacitados, lo que crea barreras significativas relacionadas con el tiempo, la distancia y el costo económico. En consecuencia, los pacientes que realizan ejercicios en casa suelen carecer de supervisión experta, lo que conduce a posturas incorrectas, resultados de recuperación deficientes o el riesgo de sufrir nuevas lesiones. La escasez de fisioterapeutas y el aumento de los costos sanitarios exacerban aún más estas limitaciones, lo que hace necesario una solución escalable, accesible y rentable para el monitoreo y la guía remotos.

Metodología
El sistema propuesto es un asistente de IA basado en la web diseñado para realizar un análisis y corrección de postura en tiempo real mediante visión computacional y aprendizaje automático. La metodología sigue un flujo de trabajo estructurado:

1. Procesamiento de Datos de Referencia: El sistema utiliza un video de referencia de "estándar de oro" que demuestra la ejecución correcta de un ejercicio específico (por ejemplo, Sentadillas, Postura del Guerrero). Este video se procesa fotograma a fotograma para extraer un conjunto de datos de coordenadas 2D que representan los puntos clave del cuerpo (articulaciones). Estas poses extraídas sirven como el punto de referencia de la verdad absoluta (ground truth).
2. Adquisición de Datos en Tiempo Real: El sistema activa la transmisión de la cámara web del usuario para capturar video en vivo. Primero detecta la presencia de un usuario dentro del encuadre; si no se detecta a ningún usuario, le indica al usuario que se coloque frente a la pantalla para conservar recursos.
3. Estimación de Pose y Extracción de Puntos Clave: Utilizando el modelo MediaPipe Pose, el sistema extrae puntos clave esqueléticos tanto del video de referencia como de la transmisión en vivo del usuario. Identifica 17 articulaciones principales del cuerpo (incluyendo hombros, codos, caderas, rodillas, tobillos y muñecas). Estos puntos de referencia se convierten en coordenadas numéricas para calcular ángulos articulares, la orientación del cuerpo y la alineación de las extremidades. Las coordenadas se normalizan en relación con la resolución del fotograma para asegurar la independencia de escala entre diferentes distancias de cámara y tamaños corporales.
4. Análisis Comparativo de la Postura: El sistema realiza una comparación numérica entre los puntos clave en vivo del usuario y el referente de la base utilizando la biblioteca NumPy. Calcula ángulos entre las articulaciones clave y las distancias relativas entre puntos de referencia no adyacentes. Este análisis se ejecuta continuamente para derivar una puntuación de similitud en tiempo real e identificar articulaciones mal alineadas específicas.
5. Retroalimentación y Gestión de Sesiones: Al detectar una postura incorrecta, el sistema genera retroalimentación correctiva inmediata a través de una interfaz web construida con Flask y React. La retroalimentación se proporciona de forma visual (resaltando segmentos corporales) o auditiva, ofreciendo sugerencias específicas para el ajuste en lugar de comentarios generales. El sistema gestiona el flujo de la sesión, rastreando el número de rondas y repeticiones, y permite la pausa manual o la terminación.
6. Implementación del Modelo: El backend utiliza Python y TensorFlow. El conjunto de datos consiste en vectores de características aplanados que contienen las coordenadas x e y de todos los puntos clave. Los datos se dividen en 90:10 para entrenamiento y prueba. Se emplea una red neuronal de alimentación hacia adelante (feed-forward) con múltiples capas densas, activación ReLU y regularización por dropout para prevenir el sobreajuste (overfitting). El modelo se entrena utilizando el optimizador Adam y la función de pérdida de entropía cruzada binaria.

Contribuciones Clave

• Corrección en Tiempo Real: El sistema proporciona retroalimentación instantánea y accionable a los usuarios, imitando la guía de un entrenador personal sin requerir presencia física.
• Robustez al Entorno: Al depender de la extracción de puntos clave de la pose en lugar del análisis de imagen bruta, el sistema minimiza la dependencia de las condiciones de fondo e iluminación, lo que lo hace robusto para diversos entornos.
• Seguimiento del Desempeño: El sistema genera automáticamente informes de desempeño al final de cada sesión, detallando el total de repeticiones, porcentajes de precisión de la postura, errores comunes y tiempo transcurrido. Esto facilita el seguimiento del progreso a largo plazo y la mejora de la técnica.
• Escalabilidad: La solución permite la rehabilitación a ritmo propio y el monitoreo remoto, abordando la escasez de fisioterapeutas y reduciendo la necesidad de visitas frecuentes a la clínica.

Resultados
El sistema fue evaluado basándose en su capacidad para distinguir entre posturas de ejercicio correctas e incorrectas. El modelo de Red Neuronal propuesto fue comparado con otros cuatro enfoques de clasificación: Bosque Aleatorio (Random Forest), Regresión Logística, K-Vecinos más Cercanos (KNN) y Árbol de Decisión.

• Precisión: La Red Neuronal propuesta alcanzó la precisión más alta del 96%.
• Desempeño Comparativo:
  • Bosque Aleatorio (Random Forest): 90%
  • Regresión Logística: 89%
  • K-Vecinos más Cercanos (KNN): 87%
  • Árbol de Decisión: 84%
• Análisis: El desempeño superior de la Red Neuronal se atribuye a su capacidad para aprender patrones articulares no lineales requeridos para la evaluación de la postura en el mundo real y sus capacidades de generalización a través de diversas formas corporales y estilos de movimiento. La mejora del 90% reportado anteriormente al 96% se logró mediante la normalización de las coordenadas de los puntos clave y la adición de capas densas ocultas con regularización por dropout.

Significancia y Reivindicaciones
El artículo afirma que este marco impulsado por IA representa un avance significativo para hacer que la fisioterapia sea inteligente, accesible y rentable. Al permitir que los usuarios mantengan la forma adecuada sin supervisión profesional constante, el sistema tiene como objetivo prevenir lesiones y mejorar la efectividad de los entrenamientos en casa y en el gimnasio. Los autores postulan que esta solución puede servir como un factor de cambio en las prácticas de rehabilitación clínica, particularmente para principiantes que no pueden costear la supervisión experta. El estudio enfatiza que, si bien el sistema actualmente utiliza demostraciones de laboratorio simuladas y videos de referencia públicos (sin haber realizado ensayos clínicos humanos reales), demuestra el potencial para transformar la prestación de servicios en los entornos de salud modernos mediante la digitalización de registros y la habilitación de seguimientos remotos. Se propone como trabajo futuro expandir las categorías de ejercicios, integrar entradas de cámara de múltiples ángulos y adaptar el sistema para dispositivos móviles y dispositivos vestibles (wearables).