Los datos sintéticos generados por IA mejoran la precisión de detección de caídas en dispositivos vestibles en un 24%

Las caídas son la principal causa de muerte por lesiones entre adultos de 65 años en adelante, lo que genera una demanda urgente de sistemas automatizados de detección confiables. Los sensores portátiles, como relojes inteligentes e IMUs, ofrecen una solución de monitoreo práctica, pero los modelos de aprendizaje profundo para la detección de caídas adolecen de una escasez fundamental de datos: las caídas son eventos poco frecuentes, y recopilar datos reales de caídas es costoso, requiere mucho tiempo y está sujeto a restricciones éticas. Este estudio aborda directamente esa brecha.

Investigadores de la Universidad Estatal de Texas evaluaron cinco enfoques para generar datos sintéticos multivariables de acelerómetro en caídas. Tres eran métodos convencionales de aumento de series temporales (jittering, magnitude warping y rotation), utilizados como línea de base. Dos eran novedosos: un Denoising Diffusion Probabilistic Model (DDPM) entrenado con segmentos reales de caídas, y un pipeline basado en video que extrae la cinemática de caídas a partir de grabaciones públicas de YouTube de adultos mayores mediante estimación de pose (concretamente, trayectorias de la articulación de la muñeca convertidas en señales equivalentes a las de un acelerómetro). Todos los métodos fueron evaluados en tres conjuntos de datos de caídas: SmartFallMM, UniMiB y K-Fall.

La calidad de los datos sintéticos se evaluó mediante cinco métricas cuantitativas: Fréchet Inception Distance (FID), Discriminative Score, Predictive Score, Jensen–Shannon Divergence (JSD) y la prueba de Kolmogorov–Smirnov (KS), complementadas con inspección visual temporal. Los datos generados por difusión obtuvieron consistentemente las mejores puntuaciones en todas las métricas, aproximándose con mayor fidelidad a la distribución estadística y la dinámica temporal de las señales reales de caídas. Los datos de estimación de pose ocuparon el segundo lugar, superando al aumento convencional en alineación distribucional. Las técnicas de aumento estándar, aunque útiles, no lograron capturar las firmas biomecánicas abruptas características de las caídas reales.

Para validar la utilidad práctica, se entrenó un modelo LSTM de forma offline utilizando combinaciones de datos reales y sintéticos, y luego se probó en tiempo real mediante la aplicación móvil SmartFall. La incorporación de datos sintéticos basados en difusión mejoró los F1-scores offline entre un 7 y un 10 %, según el conjunto de datos, e incrementó el rendimiento de detección de caídas en tiempo real en un 24 % en comparación con los modelos entrenados exclusivamente con datos reales. Los datos de estimación de pose también mejoraron el rendimiento en tiempo real, lo que confirma que los datos sintéticos derivados de video pueden complementar de manera significativa los conjuntos de datos de sensores.

Este trabajo representa un avance metodológico relevante: se encuentra entre los primeros en demostrar que los modelos de difusión y la estimación de pose a partir de video pueden generar datos de acelerómetro específicos de caídas con un realismo suficiente para mejorar aplicaciones clínicas desplegadas. Los hallazgos sugieren que la IA generativa podría reducir la carga de costosas campañas de recopilación de datos, al tiempo que permite desarrollar sistemas de detección de caídas más robustos y generalizables para el cuidado de personas mayores.