Por Anne J. Manning
Os smartwatches com GPS e outros dispositivos vestíveis atuais fornecem a milhões de corredores uma infinidade de dados sobre seu ritmo, localização, frequência cardíaca e muito mais. Mas há uma coisa que o seu Garmin não consegue medir: quanta força está sendo gerada quando seu pé toca o chão e dispara novamente.
Essas forças de frenagem e propulsão geradas por um corredor a cada passada estão intimamente associadas ao desempenho e a lesões. Especialistas em biomecânica da Escola de Engenharia e Ciências Aplicadas John A. Paulson (SEAS) de Harvard acreditam que a tecnologia de sensores vestíveis está pronta para ajudar os corredores a entender melhor essas forças e, consequentemente, a se manterem mais saudáveis.
Um estudo recente publicado na PLOS One pelo laboratório de Conor Walsh, Professor Paul A. Maeder de Engenharia e Ciências Aplicadas da SEAS, mostra que sensores simples e comercialmente disponíveis, usados no corpo, podem fornecer dados úteis sobre o que os pesquisadores chamam de forças de reação do solo. Essas descobertas podem abrir caminho 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, recém-formada em doutorado pelo laboratório de Walsh (e também corredora).
Passada excessiva e frenagem
O estudo se baseou no trabalho fundamental do coautor Daniel Lieberman , Professor Edwin M. Lerner de Ciências Biológicas na Faculdade de Artes e Ciências de Harvard, que estuda a corrida no contexto da evolução humana e é um colaborador de longa data do laboratório Walsh.
A equipe de Lieberman destacou a relação entre passadas longas – quando o pé do corredor pousa muito à frente de seus 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 passadas longas, e eles se perguntaram: Que outras forças relevantes eles poderiam capturar?
Baker escolheu focar nas forças horizontais de frenagem e propulsão, não apenas porque elas se relacionam com o passo largo, mas porque a maioria dos estudos de força de reação do solo se concentra na direção vertical – mais intimamente associada ao peso corporal e à velocidade.
Captura e interpretação de dados
Para o estudo, Baker e colegas coletaram dados de força de reação do solo de 15 corredores voluntários no Laboratório de Captura de Movimento de Harvard, que possui um sistema de câmera de captura de movimento, uma esteira com placas sensíveis à força abaixo das correias e uma minipista com placas sensíveis à força embutidas no piso. Cada corredor também usou um conjunto de sensores chamados unidades de medição inercial, amplamente utilizados em celulares, relógios e aplicativos de jogos.
Essas unidades capturam dados de movimento e orientação, mas não podem medir a força diretamente. É aí que entra o aprendizado de máquina. Os dados brutos de força foram inseridos em um modelo de aprendizado de máquina, uma versão do qual o laboratório já havia utilizado em outros estudos para estimar as forças de propulsão ao caminhar em pessoas em recuperação de AVC . 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, conseguiu prever com precisão as forças de corrida relacionadas ao passo largo, em pessoas novas que não estavam nos dados de treinamento originais. Adicionar apenas uma pequena quantidade (cerca de oito passos) de dados do usuário poderia refinar as previsões, tornando-as ainda mais personalizadas para cada indivíduo.
Para trazer aplicabilidade real ao estudo, Baker testou o modelo treinado em laboratório equipando um subconjunto de cinco corredores com os mesmos sensores de medição inercial, pequenos e disponíveis comercialmente, usados no quadril e na perna. Esses corredores usaram os sensores enquanto corriam na pista de corrida ao ar livre de Harvard. O modelo estimou as forças de frenagem e propulsão dos corredores ao ar livre com base apenas nos dados de movimento capturados pelos sensores.
O estudo abordou o desafio de prever a frenagem e a propulsão durante corridas ao ar livre no mundo real, onde a medição direta de forças é impraticável ou impossível.
“Percebi que muitas pesquisas em biomecânica acontecem em esteiras”, disse Baker. “E muitas corridas, 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 potenciais usos inovadores de aprendizado de máquina e tecnologia de sensores vestíveis para locomoção e saúde humana.
“Mais dados para entender o desempenho de atletas recreativos ou de elite é uma tendência que só vem aumentando”, disse Walsh.
“Reconhecemos que existe 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 buscando expandir os wearables para não apenas medir passos, velocidade ou frequência cardíaca, mas para realmente fornecer uma compreensão mais detalhada de como o corpo está se movendo, seja caminhando ou correndo.”
Direções futuras para a pesquisa podem incluir e determinar o número correto ou o posicionamento dos sensores no corpo para obter o melhor resultado e integrar os recursos existentes do smartwatch com os sensores para fornecer ao corredor um feedback sobre sua forma. “Sensores vestíveis podem dar aos corredores acesso a métricas de corrida historicamente limitadas apenas à coleta de dados em laboratório”, disse Baker.
Coautores
Este artigo foi coautorado por Fabian C. Weigend, Krithika Swaminathan, Daekyum Kim e Andrew Chin.
Tópicos
IA/Aprendizado de Máquina , Física Aplicada ,
Saúde/Medicina , Ciência dos Materiais e Engenharia Mecânica ,
Dispositivos Vestíveis
Fonte: The Harvard Gazette
