Clasificación de patrones de marcha para diferenciar entre adultos jóvenes y adultos mayores utilizando modelos de aprendizaje automático sobre datos de sensores inerciales.

Abstract

El envejecimiento modifica los patrones de marcha humana, afecta la funcionalidad locomotora y aumenta el riesgo de caídas en adultos mayores. La identificación objetiva de estos cambios mediante sensores portátiles y modelos computacionales es relevante para la ingeniería mecánica y la biomecánica. Este estudio comparó la marcha de adultos jóvenes y adultos mayores mediante modelos de aprendizaje automático aplicados a datos cinemáticos y espaciotemporales obtenidos con sensores inerciales, con el fin de identificar cambios biomecánicos asociados al envejecimiento. Se analizaron 30 sujetos sanos: 15 adultos jóvenes (19–35 años) y 15 adultos mayores (56+ años), seleccionados de la base NONAN GaitPrint, capturada con sensores IMU Noraxon Ultium Motion™. Se extrajeron 24 biomarcadores espaciotemporales y se aplicó un protocolo estadístico secuencial (Shapiro-Wilk, Levene, t de Student, t de Welch y U de Mann-Whitney), complementado con el tamaño del efecto mediante Hedges g. Los biomarcadores significativos se emplearon como variables de entrada en tres clasificadores supervisados: Regresión Logística, SVM con kernel RBF y Random Forest, evaluados mediante validación cruzada Leave-One-Subject-Out (LOSO). Los resultados evidenciaron siete biomarcadores con diferencias estadísticamente significativas entre grupos (p < 0.05), todos asociados a parámetros temporales del ciclo de marcha: Right Stance Time, Right Swing Time, Single Support Time, Right Stride Time, Left Step Time, Left Swing Time y Left Stride Time, con tamaños de efecto grandes. Ningún parámetro espacial ni porcentual alcanzó significancia estadística, lo que indica que el envejecimiento locomotor en adultos funcionalmente sanos se manifiesta primero en la dimensión temporal. Random Forest obtuvo el mejor desempeño global (AUC-ROC = 0.707, Accuracy = 0.733, F1 = 0.733), superando a los modelos lineales. Se concluye que los biomarcadores temporales son los indicadores más sensibles para caracterizar cambios biomecánicos asociados al envejecimiento y que el aprendizaje automático es viable para apoyar la clasificación de patrones de marcha.