Sensores vestíveis e aprendizado de máquina ajudam a melhorar os dados de execução

Os smartwatches GPS e outros dispositivos vestíveis atuais fornecem a milhões de corredores uma grande quantidade de dados sobre ritmo, localização, frequência cardíaca e muito mais. Mas uma coisa que o seu Garmin não consegue medir é a velha física: quanta força está sendo gerada quando seu pé atinge o chão e decola novamente.

Essas forças para frente e para trás, de frenagem e de propulsão que um corredor gera a cada passada estão intimamente associadas ao desempenho e às lesões. Especialistas em biomecânica da Escola de Engenharia e Ciências Aplicadas (SEAS) de Harvard John A. Paulson acreditam que a tecnologia de sensores vestíveis está preparada para ajudar os corredores a compreender melhor essas forças e, em última análise, a permanecerem mais saudáveis.

Um estudo recente em PLOS Um do laboratório de Conor Walsh, professor Paul A. Maeder de Engenharia e Ciências Aplicadas no SEAS, mostra que sensores simples, disponíveis comercialmente, usados ​​no corpo podem fornecer dados úteis sobre o que os pesquisadores chamam de forças de reação do solo. Esses insights podem abrir caminhos para dispositivos e produtos que forneçam esses dados aos usuários em tempo real.

“Sensores vestíveis, combinados com aprendizado de máquina, podem estimar com precisão as forças que atuam no corpo de um corredor – não apenas no laboratório, mas no mundo real”, disse a autora principal Lauren Baker, recentemente Ph.D. graduada no laboratório de Walsh (e ela mesma uma corredora).

Ultrapassagem e frenagem

O estudo baseou-se no trabalho fundamental do coautor Daniel Lieberman, professor Edwin M. Lerner de Ciências Biológicas na Faculdade de Artes e Ciências de Harvard, que estuda corrida no contexto da evolução humana e é colaborador de longa data do laboratório Walsh. A equipe de Lieberman destacou a relação entre passadas excessivas – quando o pé de um corredor pousa bem à frente dos quadris e joelhos – e maiores forças de frenagem. As duas equipes também colaboraram em um estudo de 2024 que mostrou que sensores vestíveis poderiam capturar dados de frenagem e ultrapassagem, e se perguntaram: que outras forças relevantes poderiam capturar?

Baker optou por focar nas forças horizontais de frenagem e propulsão, não apenas porque elas se relacionam com passadas excessivas, mas porque a maioria dos estudos sobre forças de reação do solo concentram-se na direção vertical – mais intimamente associada ao peso corporal e à velocidade.

Capturando e interpretando dados

Para o estudo, Baker e colegas coletaram dados de força de reação do solo de 15 corredores voluntários no Harvard Motion Capture Lab, que possui um sistema de câmera de captura de movimento, uma esteira com placas sensíveis à força abaixo dos cintos e uma minipista com placas sensíveis à força embutidas no chão. Cada corredor também usava um conjunto de sensores chamados unidades de medição inercial, amplamente utilizados em telefones, relógios e aplicativos de jogos. Essas unidades capturam dados de movimento e orientação, mas não podem medir diretamente a força. É aí que entra o aprendizado de máquina.

Os dados brutos da força foram inseridos em um modelo de aprendizado de máquina, uma versão que o laboratório usou em outros estudos para estimar as forças de propulsão da caminhada em pessoas em recuperação de acidente vascular cerebral. O novo modelo otimizado para corrida interpretou a relação entre os dados do sensor vestível e os dados de força coletados no laboratório.

Os resultados mostraram que um modelo generalizado treinado a partir de dados de laboratório poderia prever com precisão as forças de corrida relacionadas à ultrapassagem de novas pessoas que não estavam nos dados de treinamento originais. Adicionar apenas uma pequena quantidade (cerca de oito etapas) de dados do usuário poderia ajustar as previsões para torná-las ainda mais personalizadas para o indivíduo.

Para trazer aplicabilidade ao estudo no mundo real, Baker testou então o modelo treinado em laboratório equipando um subconjunto de cinco corredores com os mesmos pequenos sensores de medição inercial disponíveis comercialmente, usados ​​no quadril e na perna. Esses corredores usaram os sensores enquanto corriam na pista externa de Harvard. O modelo estimou as forças de frenagem e propulsão dos corredores ao ar livre com base apenas nos dados de movimento capturados pelo sensor.

O estudo abordou o desafio de prever a travagem e a propulsão durante corridas ao ar livre no mundo real, onde a medição direta das forças é impraticável ou impossível.

“Ocorreu-me que muitas pesquisas em biomecânica acontecem em uma esteira”, disse Baker. “E muita corrida não.”

Lieberman acrescentou: “Como podemos aprender muito estudando pessoas em esteiras, esta pesquisa nos ajudará a testar hipóteses sobre a biomecânica da corrida no mundo real, especialmente para ajudar a prevenir lesões”.

Direções futuras

O laboratório de Walsh continua a encontrar usos potenciais inovadores de aprendizado de máquina e tecnologia de sensores vestíveis para locomoção e saúde humana.

“Mais dados para compreender o desempenho de atletas recreativos ou de elite é uma tendência que só está aumentando”, disse Walsh. “Reconhecemos que há uma grande lacuna entre o que os wearables comerciais existentes medem e o que realmente gostaríamos de medir – para realmente entender a forma de corrida ou o desempenho atlético… Acho que estamos pensando em estender os wearables não apenas para medir passos, velocidade ou frequência cardíaca, mas para realmente fornecer uma compreensão mais detalhada de como o corpo está se movendo, seja andando ou correndo.”

As direções futuras para a pesquisa podem incluir a verificação do número ou posicionamento correto de sensores no corpo para obter resultados máximos e a integração dos recursos existentes do smartwatch com os sensores para fornecer feedback ao corredor sobre sua forma.

“Sensores vestíveis podem dar aos corredores acesso a métricas de corrida historicamente limitadas apenas à coleta em laboratório”, disse Baker.