A Multi-Modal Dataset for Ground Reaction Force Estimation Using Consumer Wearable Sensors

Este artigo apresenta um conjunto de dados multimodal e aberto que permite estimar a força de reação vertical do solo (vGRF) a partir de sensores de Apple Watch, fornecendo dados sincronizados de IMU e força de placa de laboratório para apoiar pesquisas reprodutíveis em biomecânica vestível.

O essencial

Imagine que você quer descobrir o quanto o chão "empurra" de volta quando você pisa, corre ou pula. Na ciência, chamamos isso de Força de Reação do Solo. Antigamente, para medir isso com precisão, você precisava de uma balança gigante e supercara escondida no chão de um laboratório. Era como tentar medir o peso de um pássaro usando um elevador industrial: funciona, mas é caro, grande e você não pode levá-lo para o parque.

Este artigo apresenta uma solução inteligente: um conjunto de dados (dataset) que ensina computadores a "adivinhar" essa força usando apenas um relógio inteligente comum (o Apple Watch), como os que muita gente usa no pulso.

Aqui está a explicação do que os pesquisadores fizeram, usando analogias simples:

1. O Grande Experimento: A "Orquestra" de Dados

Os pesquisadores reuniram 10 pessoas saudáveis e pediram que elas fizessem cinco coisas diferentes:

• Caminhar.
• Trotar.
• Correr.
• Pular de um degrau baixo (como descer um lance de escada).
• Cair de calcanhar (como um pequeno salto de impacto).

Enquanto faziam isso, os participantes usavam dois relógios Apple Watch: um no pulso e outro na cintura (preso por um cinto elástico). Ao mesmo tempo, eles pisavam em uma placa de força no chão (o "padrão ouro" da ciência).

A Analogia: Pense na placa de força como um professor rigoroso que sabe a resposta exata da prova. Os relógios Apple Watch são como alunos tentando adivinhar a resposta. O objetivo deste estudo foi criar um "livro de respostas" que mostra exatamente o que o professor disse (a força real) e o que os alunos sentiram (os dados do relógio) ao mesmo tempo.

2. O Desafio do "Sincronismo"

Um dos maiores problemas em usar relógios e placas de força juntos é o tempo. O relógio começa a contar o tempo um milésimo de segundo depois da placa, ou vice-versa. É como tentar cantar uma música em dueto onde um começa a cantar "A" e o outro começa no "B".

Os pesquisadores criaram um sistema inteligente para alinhar esses tempos. Eles usaram um truque: pediram para os participantes darem um "piscadinha" (um toque rápido no chão) antes de começar a atividade. Esse toque criou um sinal claro tanto no relógio quanto na placa, permitindo que os computadores dissessem: "Ok, agora os dois estão cantando a mesma nota ao mesmo tempo".

3. O Que Eles Entregaram ao Mundo?

Eles não guardaram esses dados para si. Eles criaram um arquivo público e gratuito (como uma biblioteca digital) com:

• 492 "tentativas" (trials) de dados validados.
• Gravações de como o relógio no pulso e na cintura se comportou.
• A força real medida pela placa.
• Metadados (informações sobre a pessoa, o sapato, a velocidade, etc.).

A Analogia: É como se eles tivessem filmado 492 cenas de um filme de ação, onde cada cena mostra o que o herói sentiu (relógio) e o que realmente aconteceu no mundo real (placa), e agora qualquer pessoa pode baixar esse filme para estudar como os heróis se movem.

4. Por que isso é importante? (O "Superpoder" do Relógio)

Antes disso, para saber se um relógio inteligente conseguia medir a força do impacto na corrida, você precisava ir a um laboratório caro. Agora, com esses dados, os cientistas podem:

• Treinar Inteligência Artificial: Ensinar computadores a lerem o relógio e dizerem: "Ei, você acabou de dar um pulo e o impacto foi forte, cuidado com seus joelhos!"
• Melhorar a Saúde: Criar apps que ajudam pessoas com problemas nas pernas a monitorar seus passos em casa, sem precisar de equipamentos caros.
• Entender o Corpo: Descobrir se é melhor ter o sensor no pulso ou na cintura para medir certos movimentos.

5. As Limitações (O "Pé no Chão")

Os autores são honestos sobre as limitações:

• Poucas pessoas: Foram apenas 10 participantes. É como testar um novo carro apenas com 10 motoristas; é um bom começo, mas não prova que funciona para todos.
• Laboratório: Tudo foi feito em um chão liso e controlado. O mundo real tem buracos, areia e pisos escorregadios, o que pode confundir o relógio.
• Sapatos: As pessoas usaram seus próprios sapatos, o que adiciona variabilidade (assim como na vida real).

Resumo Final

Este artigo é como abrir as portas de uma fábrica de segredos. Eles pegaram dados de laboratório de alta tecnologia e os combinaram com dados de um relógio que você pode comprar na loja de departamento. Eles limparam, organizaram e entregaram tudo de graça para que qualquer pessoa (cientista, desenvolvedor de apps, estudante) possa usar esses dados para criar tecnologias que nos ajudam a andar, correr e viver de forma mais saudável e segura.

É a ponte entre o "mundo caro e complexo da ciência" e o "mundo acessível do seu pulso".

Resumo técnico

Título: Um Conjunto de Dados Multimodal para Estimativa de Força de Reação do Solo Usando Sensores Vestíveis de Consumo

1. Problema e Motivação

As Forças de Reação do Solo (GRF), especificamente a componente vertical (vGRF), são fundamentais para a análise da locomoção humana, avaliação de cargas musculoesqueléticas e aplicações em reabilitação e saúde digital. Atualmente, o padrão-ouro para medição de GRF são as placas de força laboratoriais, que, no entanto, são caras, volumosas e limitadas a ambientes estáticos.

Sensores vestíveis (como acelerômetros e giroscópios) oferecem uma alternativa acessível para coleta de dados no dia a dia. Embora existam estudos que estimam GRF a partir de sensores, há uma lacuna significativa em conjuntos de dados públicos que:

• Combinem dispositivos de consumo (ex: Apple Watch) com dados de referência de placas de força.
• Forneçam gravações temporais alinhadas em múltiplas localizações corporais (especificamente no pulso e na cintura).
• Incluam uma variedade de atividades, desde marcha cíclica até tarefas de impacto (quedas).

A maioria dos conjuntos de dados existentes foca em sensores proximais (perna, coxa, pelve) ou captura de movimento completa, negligenciando o uso ubíquo de dispositivos no pulso para inferência de GRF da parte inferior do corpo.

2. Metodologia

Coleta de Dados:

• Participantes: 10 adultos saudáveis (6 homens, 4 mulheres; idade 26–41 anos).
• Sensores: Dois dispositivos Apple Watch (Série 5 ou superior) por participante:
  • Um no pulso dominante (geralmente esquerdo).
  • Um na cintura (fixado por cinto elástico, próximo ao centro de massa).
• Referência (Ground Truth): Placa de força AMTI OR6-7 (taxa de amostragem de 1000 Hz).
• Atividades Realizadas:
  1. Caminhada (Walk)
  2. Trote (Jog)
  3. Corrida (Run)
  4. Queda de calcanhar (Heel drop)
  5. Queda de degrau (Step drop)
• Protocolo: Os participantes realizaram múltiplas repetições de cada atividade em uma passarela de 10 metros. A coleta incluiu segmentos de referência em pé para verificação de estabilidade.

Processamento e Alinhamento Temporal:

• Filtragem: Sinais de força filtrados com Butterworth de 4ª ordem (20 Hz); sinais IMU filtrados com Butterworth de 2ª ordem (10 Hz). Dados brutos também são fornecidos.
• Alinhamento Temporal: Como os dispositivos não compartilham um relógio de hardware, foi utilizada uma estratégia híbrida de alinhamento post-hoc:
  • Detecção de eventos (marcadores de "toque de calcanhar" intencionais).
  • Alinhamento baseado em características da fase de apoio (stance phase) usando correlação cruzada entre o gradiente da força vertical e a magnitude da aceleração.
  • O pipeline gerou 598 alinhamentos bem-sucedidos a partir de 678 trios correspondentes.

Controle de Qualidade e Validação:

• Filtros de Qualidade: Verificação de detecção de fase de apoio, plausibilidade fisiológica das forças, detecção de dados ausentes e saturação do acelerômetro.
• Análise de Sensibilidade: Foi realizada uma análise de sensibilidade Monte Carlo para avaliar o impacto de perturbações de tempo de ±10 ms (1 amostra a 100 Hz) nas métricas de correlação.
• Validação Cruzada: Um framework de três fases foi utilizado para avaliar a plausibilidade e consistência entre sensores:
  1. Cintura → Placa de Força.
  2. Pulso → Cintura.
  3. Pulso → Placa de Força.

3. Contribuições Principais

1. Conjunto de Dados Aberto e Multimodal: Disponibilização de 492 ensaios validados, contendo dados de IMU (pulso e cintura) e força de reação do solo, com metadados ricos e dicionários de dados legíveis por máquina.
2. Foco em Dispositivos de Consumo: É um dos poucos conjuntos de dados que valida especificamente o uso de smartwatches (Apple Watch) para estimativa de GRF, explorando tanto a posição no pulso quanto na cintura.
3. Alinhamento Temporal Robusto: O artigo detalha um pipeline de alinhamento temporal que lida com a falta de sincronização de hardware, fornecendo logs de alinhamento e métricas de qualidade para cada ensaio.
4. Análise de Sensibilidade e Saturação: Inclui uma análise rigorosa sobre como pequenas variações de tempo afetam as métricas de validação e uma análise detalhada da saturação dos acelerômetros em atividades de alto impacto.
5. Reprodutibilidade: Scripts de análise (Python), notebooks Jupyter e manifesos de ensaio (CSV) são disponibilizados publicamente no GitHub e Zenodo.

4. Resultados e Estatísticas

• Volume de Dados:
  • Total de ensaios validados: 492.
  • Ensaios "triad-completos" (pulso + cintura + placa de força): 395 (80,3% do total).
  • Disponibilidade de sensores: Pulso (93,7%), Cintura (91,7%), Placa de força (91,3%).
• Repetibilidade:
  • Coeficientes de Correlação Intraclasses (ICC) para pico de vGRF variaram de 0,871 (Queda de calcanhar) a 0,990 (Corrida), indicando excelente repetibilidade.
• Correlação Cruzada (Validação de Plausibilidade):
  • Cintura → Placa: Correlação média $r = 0,550$.
  • Pulso → Cintura: Correlação média $r = 0,486$.
  • Pulso → Placa: Correlação média $r = 0,486$.
  • Nota: As tarefas cíclicas (caminhada/corrida) apresentaram correlações mais fortes do que as tarefas de impacto.
• Robustez Temporal: A análise de sensibilidade mostrou que perturbações de tempo de ±10 ms resultam em mudanças médias na correlação de apenas 0,010 para comparações com $|r| \ge 0,2$, indicando que as métricas de validação são robustas a pequenos erros de alinhamento.
• Saturação: Observou-se saturação (clipping) em 3,5% dos ensaios no pulso e 14,6% na cintura, sendo mais prevalente em quedas de degrau na cintura.

5. Significado e Impacto

Este conjunto de dados é um recurso vital para a comunidade de biomecânica e aprendizado de máquina, pois:

• Permite o Desenvolvimento de Modelos ML: Facilita a criação e o benchmarking de modelos de aprendizado de máquina para estimar GRF a partir de sensores vestíveis acessíveis.
• Investiga Efeitos de Posicionamento: Permite estudos sistemáticos sobre como a localização do sensor (pulso vs. cintura) afeta a inferência de forças, crucial para o design de algoritmos em dispositivos comerciais.
• Promove Pesquisa Reprodutível: Ao fornecer dados brutos, processados, metadados detalhados e scripts de código aberto, o trabalho estabelece um padrão para a transparência em estudos de sensores vestíveis.
• Ponte entre Laboratório e Mundo Real: Embora coletado em laboratório, o uso de dispositivos de consumo e a inclusão de tarefas de impacto preparam o terreno para futuras aplicações em monitoramento contínuo e reabilitação fora do ambiente clínico.

O conjunto de dados está disponível sob licença CC BY 4.0 no Zenodo, com DOI: 10.5281/zenodo.17376717.