Los algoritmos de equilibrio y marcha de un smartphone utilizan sensores inerciales integrados (acelerómetro y giroscopio) para recoger y analizar datos de movimiento:
- Mediante la aplicación de técnicas de procesamiento de señales y aprendizaje automático, los algoritmos pueden cuantificar la estabilidad durante la bipedestación y extraer métricas clave durante la marcha, como la longitud de la zancada, el tiempo de paso y la velocidad de marcha.
Los datos brutos para estos algoritmos se recogen de la Unidad de Medición Inercial (IMU) interna del smartphone, que incluye
- Acelerómetro: un sensor triaxial que mide la aceleración lineal a lo largo de los ejes x, y, y z
- durante el análisis de la marcha, puede detectar el impacto de las pisadas y el movimiento ascendente y descendente del centro de masa del cuerpo
- Giroscopio: un sensor triaxial que mide la velocidad angular, o velocidad de rotación, alrededor de los ejes x, y, y z
- estos datos son cruciales para analizar el balanceo del cuerpo durante las tareas de equilibrio y los movimientos de rotación durante los giros al caminar
Los datos brutos del sensor se filtran y procesan mediante algoritmos para obtener parámetros de la marcha y el equilibrio clínicamente relevantes. Algoritmos de análisis de la marcha
- filtrado de señales: los datos brutos del sensor contienen ruido procedente de los temblores del cuerpo y del movimiento del dispositivo; a menudo se utiliza un filtro Butterworth o Kalman para suavizar la señal y eliminar el ruido antes del análisis
- detección de eventos de la marcha: los algoritmos identifican eventos clave en el ciclo de la marcha, como el golpe de talón y el despegue de la punta del pie, mediante la detección de picos y valles específicos en las señales filtradas de aceleración y velocidad angular.
Extracción de parámetros: Una vez identificados los eventos de la marcha, el algoritmo calcula los parámetros espaciotemporales, que incluyen:
- Cadencia: El número de pasos por minuto
- Tiempo de paso: El tiempo entre pasos consecutivos
- Longitud del paso: Se calcula integrando dos veces los datos de aceleración.
- los algoritmos más sofisticados también pueden utilizar un modelo de doble péndulo para mejorar la precisión
- Velocidad de marcha: La distancia media recorrida durante un tiempo determinado
- Simetría y variabilidad: Métricas calculadas comparando los tiempos y longitudes de los pasos izquierdo y derecho, que pueden indicar anomalías en la marcha.
Las pruebas demuestran que la evaluación basada en teléfonos inteligentes es un método válido y fiable para evaluar el equilibrio en bipedestación (1).
Con respecto al Apple Health (Walking Steadiness) (2):
Esta función integrada en el iPhone 8 o posterior es la app más discutida y validada para el análisis de la marcha.
- Métricas clave seguidas: Cuando se lleva en un bolsillo o cerca de la cintura, la app Salud monitoriza una variedad de métricas de movilidad, incluyendo:
- Velocidad de la marcha
- Asimetría al caminar (equilibrio entre pasos)
- Tiempo de doble apoyo (tiempo que ambos pies están en el suelo)
- Longitud de los pasos
Proporciona una "Evaluación del riesgo de caídas"proporciona una puntuación predictiva de "Firmeza al caminar" (Alta, OK o Baja) que estima el riesgo de caídas durante los próximos 12 meses
- los usuarios pueden recibir notificaciones si su puntuación es baja
Con respecto a la validez del uso del indicador de "firmeza al caminar" en el iPhone (2):
- veintisiete niños, 28 adultos y 28 ancianos equipados con un iPhone completaron una prueba de marcha de 6 minutos (6MWT)
- la velocidad de la marcha (GS), la longitud del paso (SL) y el tiempo de doble apoyo (DST) se extrajeron de las grabaciones de la marcha de la aplicación Health
- los parámetros de la marcha se recogieron simultáneamente con un sistema de sensores inerciales (APDM Mobility Lab) para evaluar la validez concurrente
- se demostró que la concordancia entre la aplicación Health y el APDM Mobility Lab era buena para la GS en todos los grupos de edad y para la SL en adultos y ancianos, pero de mala a moderada para la DST en todos los grupos de edad y para la SL en niños
- la coherencia entre las mediciones repetidas fue de buena a excelente para todos los parámetros de la marcha en adultos y personas mayores, y de moderada a buena para GS y DST, pero deficiente para SL en niños
- los autores del estudio concluyeron que
- la aplicación Health del iPhone es fiable y válida para medir la GS y la SL en adultos y ancianos
- se requiere una interpretación cuidadosa al utilizar la aplicación Health en niños y al medir la DST en general, ya que ambas han mostrado una validez y/o fiabilidad limitadas
Uso del smartphone para evaluar la marcha en pacientes con enfermedad cerebral de pequeños vasos (ECVB)
- un estudio evaluó la capacidad de detectar eventos de la marcha utilizando un smartphone combinado con aprendizaje profundo y evaluar los efectos a distancia y la importancia clínica de este método en diferentes poblaciones de ancianos y pacientes con enfermedad cerebral de pequeños vasos (ECVB) (3):
- los autores del estudio demostraron que
- este método puede diferenciar eficazmente las diferencias de la marcha entre adultos mayores sanos, individuos con deterioro cognitivo leve, enfermedad de Parkinson y pacientes con enfermedad cerebral de pequeños vasos durante la marcha de una sola tarea y de doble tarea
- propusieron que el método de análisis de la marcha basado en teléfonos inteligentes propuesto en este estudio es fácil de utilizar, tiene un bajo coste y favorece la detección, por lo que resulta prometedor para aplicaciones en la gestión remota de la rehabilitación, la evaluación clínica y otros campos.
Referencia:
- Prato TA, Lynall RC, Howell DR, Lugade V. Validity and Reliability of an Integrated Smartphone Measurement Approach for Balance. J Sport Rehabil. 2024 Nov 18;34(2):177-183.
- Werner, C., Hezel, N., Dongus, F. et al. Validity and reliability of the Apple Health app on iPhone for measuring gait parameters in children, adults, and seniors. Sci Rep 2023;13: 5350.
- Xu, K.; Yu, W.; Yu, S.; Zheng, M.; Zhang, H. The Detection of Gait Events Based on Smartphones and Deep Learning. Bioingeniería;2025: 12(5):491.