Señales inteligentes que supervisan el ejercicio

Parece magia. Ya no se encuentra sólo en las películas de ciencia ficción. La inteligencia artificial (IA) forma parte de los dispositivos cotidianos. Aprende de las personas y se adelanta a sus gustos y necesidades utilizando conocimientos cargados con anterioridad. No es una tecnología más, es un aliado para crecer y no quedarse rezagado de la competencia global. Para poder tomar la vía correcta, lo más importante es hacerse con una brújula que navegue en un rumbo preciso y se rodee de todos los actores necesarios para triunfar. Un proceso que dinamiza el mundo a través de las negociaciones comerciales, las infraestructuras o la salud.

Sobre este último campo, las posibilidades se multiplican, ya que se desarrollan nuevos métodos que cambian lo más importante en el mundo: la vida. Con la meta de aplicar los últimos avances de la tecnología, el estudiante de la Escuela Técnica Superior de Ingenieros de Telecomunicación de la Universidad de Valladolid (UVA) Sergio Sáez ha desarrollado un proyecto que estudia las novedosas técnicas de inteligencia artificial para la identificación y análisis de actividades físicas, a partir de señales que provienen de sensores de tipo vestible (wearables), es decir, aquellos que se pueden colocar en la ropa o por el cuerpo.

La técnica incluye redes neuronales artificiales, inspiradas en el funcionamiento del cerebro humano. En concreto, se han empleado redes de aprendizaje profundo, que es una variante del aprendizaje máquina utilizado de forma amplia hoy en día por empresas como Google. «El proyecto ha consistido en la programación de redes neuronales artificiales que, a partir de señales provenientes de los sensores colocados en el sujeto, sean capaz de aprender cómo se realiza una actividad, para, posteriormente, poder reconocerla cuando reciba señales nuevas», resume el estudiante de la UVA.

El proceso por el que la red aprende cómo se lleva a cabo una determinada actividad consiste en dos fases: entrenamiento y validación. En la primera, apunta, se entrena a la red con una gran cantidad de ejemplos de actividades. Cada uno de ellos consiste en una o varias señales que provienen de uno o varios sensores y de una etiqueta en la que se indica la actividad de la que se trata. La segunda mide la efectividad de la red o, en otras palabras, cómo de bien ha aprendido la red las actividades.

En la fase de validación se realizan ejemplos diferentes a los del entrenamiento, eso sí, de las mismas actividades físicas, sin indicarle la que se está haciendo en cada momento para que la propia red sea capaz de identificarla a raíz de lo que ha aprendido durante el periodo anterior. «Una vez validada la red neuronal, puede emplearse para reconocer movimientos de cualquier usuario», destaca y añade que el sistema es capaz de identificar una determinada actividad física de entre 34 posibles, con tan sólo analizar dos segundos del ejercicio y alcanzando una efectividad cercana al 100%.

Sáez comenta que las aplicaciones futuras del trabajo incluyen, entre otras, la rehabilitación física de lesiones o después de intervenciones quirúrgicas, así como el fomento de hábitos saludables en el ámbito de las ciencias de la actividad física y del deporte. En particular, dice que podría servir para reconocer si un paciente está realizando correctamente los ejercicios que el médico le ha prescrito. Otra posible utilidad sería incluirla en aplicaciones móviles deportivas para el seguimiento de la actividad física.

«De esta forma, se podría producir una mejora en la vida y la salud de las personas, tanto en la aplicación clínica a un paciente, que podría llevar a cabo los ejercicios que le manda el médico de una forma más correcta y quizás, acortar los plazos de recuperación, como en la optimización de las apps deportivas, que permitirían hacer un ejercicio más efectivo y, por lo tanto, conseguir de una forma más rápida los objetivos físicos, fomentando así la actividad física y saludable entre las personas».

Para el estudiante de la UVA, la esencia innovadora reside en el empleo de redes neuronales artificiales. «La red no recuerda datos, sino que es capaz de interpretarlos y sacar de ellos información, lo que permite reconocer, en este caso, una actividad física con independencia de quién es el que la realice o la forma en la que la haga», resalta.

En este sentido, pone como ejemplo el movimiento del brazo derecho. Si una persona lo realiza, las señales que generan los sensores no serán iguales que las que se generarían si esa actividad la realiza otra persona, ya que no medirían lo mismo, no tendrían la misma fisonomía, no se moverían igual..., sin embargo, el equipo es capaz de reconocer que los dos usuarios están levantando el brazo derecho.

Sáez subraya que el ahorro reside en que las redes neuronales que son capaces de aprender una actividad física permiten evitar «la tediosa programación» que supondría realizar un algoritmo que tenga en cuenta todas las características y sus posibles variaciones en una actividad o de cualquier elemento que quieran que la red aprenda.

El proyecto arrancó a principios de año y la idea inicial fue de su tutor Mario Martínez Zarzuela, que está especializado en el campo del deep learning, junto a la utilización de GPUs (unidades de procesamientos de gráficos) para la aceleración computacional y las tecnologías de realidad virtual y aumentada.

Su proyecto podría interesar a todo tipo de empresas, ya que, tal y como defiende, las redes neuronales artificiales no solamente se pueden aplicar al campo de la salud o la recuperación física, sino que abarcan otros ámbitos, tales como la conducción autónoma de vehículos, la identificación de objetos, animales y personas en una imagen o vídeo, el reconocimiento de voz o el aprendizaje de preferencias de una persona, como ocurre con las recomendaciones de YouTube o Netflix.