GoodVibes prueba detectar cambios de marcha con vibraciones del suelo

GoodVibes intenta detectar cambios en la marcha de deportistas a partir de las vibraciones que producen sus pasos sobre el piso de pasillos en instalaciones deportivas. Jinsi Guo y Yiwen Dong, investigadores vinculados con University of Illinois Urbana-Champaign, describen el sistema en un artículo de Smart Health publicado en septiembre de 2026. La propuesta busca registrar ciclos de marcha sin que el atleta cargue un dispositivo portátil: la infraestructura recibe la señal y la compara con una referencia individual.

El estudio se ocupa de dos retos que sus autores describen: las señales asociadas a lesiones pueden solaparse porque otras zonas musculares compensan el área afectada, y las personas tienen patrones de marcha distintos. Por eso, GoodVibes no toma un único patrón universal como medida de normalidad. Su objetivo es reconocer desviaciones frente a la forma habitual de caminar de cada deportista, con contexto de su historial de entrenamiento y lesiones y de la disciplina que practica.

El método reúne tres componentes. Una clasificación jerárquica guiada por varianza organiza las señales y busca reducir la incertidumbre entre patrones que se parecen. Los llamados vectores duales de marcha contrastan una referencia personal con la observación actual para destacar diferencias de esa persona. Finalmente, el aprendizaje contextual incorpora antecedentes de entrenamiento y lesiones y la categoría deportiva. El sistema parte de las vibraciones causadas por pisadas y procesa los ciclos de marcha; no analiza imágenes ni exige que el usuario lleve un sensor mientras camina por el pasillo.

La evaluación reportada incluyó a 21 deportistas estudiantes. El resumen del artículo presenta una exactitud de 92,8 % en pruebas de laboratorio y de 84,2 % en un despliegue en un estadio deportivo. La distancia entre ambas cifras es de 8,6 puntos porcentuales, pero la publicación consultada no explica en su resumen a qué factores se atribuye. Tampoco permite saber allí cuántos participantes tenían lesiones, cómo se confirmó cada caso o qué distribución tuvo la muestra entre condiciones distintas.

El programa oficial de IEEE/ACM CHASE 2026 ofrece una corroboración independiente de la presentación académica: incluye GoodVibes con el número 95 en la sesión de sensores e inteligencia de borde del 6 de agosto, e identifica a Guo y Dong como autores afiliados a University of Illinois Urbana-Champaign. Ese registro confirma que el trabajo estuvo programado en la conferencia. No es, por sí solo, una réplica de los experimentos ni una validación independiente de los porcentajes de exactitud.

La exactitud resume cuántas clasificaciones fueron correctas en el conjunto evaluado, pero no muestra por sí sola qué errores cometió un sistema. En el resumen público consultado no aparecen una matriz de confusión, sensibilidad, especificidad ni intervalos de confianza. Sin esos datos y sin conocer cómo se definió la lesión dentro de la muestra, no se puede traducir el 84,2 % a una probabilidad individual de diagnóstico. El propio registro de Smart Health señala que los datos se entregarán bajo solicitud, un detalle relevante para quienes quieran examinar o replicar el resultado.

GoodVibes también se puede entender dentro de una línea más amplia de análisis de marcha mediante vibraciones ambientales. En agosto de 2026, Scientific Data publicó GaitVibe, un conjunto de datos separado, recogido de 42 adultos con marcha típica. Incluye marcha normal y tres patrones anormales simulados, junto con referencias de captura de movimiento tridimensional y plantillas de presión. Ese recurso sirve como antecedente metodológico para comparar mediciones, pero no es la base de la muestra de GoodVibes ni prueba que el otro sistema detecte lesiones.

Hay otro antecedente en un artículo de Sensors de 2024 que estudió vibraciones producidas por pasos en pisos de madera y concreto. Participaron 20 adultos y se etiquetaron 12.231 ciclos de marcha; los autores estimaron parámetros temporales, espaciales e indicadores de marcha. Es una investigación distinta, con otra población y otro objetivo. Junto con GaitVibe, permite ubicar la medición de pisadas como un campo que explora cómo interpretar señales del suelo, sin confundir esos trabajos con una prueba clínica del sistema deportivo.

Para valorar una herramienta de este tipo en decisiones de entrenamiento, harían falta resultados que respondan preguntas adicionales: cómo se comporta con diferentes lesiones, superficies y grupos de deportistas; cuántos falsos positivos y falsos negativos produce; y si otro equipo puede reproducir las mediciones. Son criterios que no se resuelven con una sola cifra agregada de exactitud. También sería necesario separar una alerta experimental de una evaluación médica: el resumen de GoodVibes no dice que el sistema sustituya el diagnóstico profesional ni presenta un protocolo para decidir si alguien puede competir.

En la investigación revisada no encontramos una implementación de GoodVibes en clubes colombianos. Por ahora, la noticia permite explicar una posibilidad técnica y el estado de su evidencia, no afirmar que equipos del país ya usen sensores instalados en sus pasillos. Una futura prueba local tendría que documentar las condiciones de medición y contrastar cada resultado con una valoración clínica adecuada. Hasta que existan esos datos, el trabajo debe leerse como investigación en desarrollo; sus porcentajes describen la evaluación reportada por sus autores, no una garantía para un jugador.

También puede interesarte · Tecnología deportivaUna red experimental anticipa si una futbolista reportará estrés elevado el día siguienteInvestigadores publicaron en Scientific Reports un modelo llamado ARISE-Net, entrenado con datos de 50 futbolistas de élite monitoreadas durante dos temporadas. El sistema estima la probabilidad de que una atleta reporte estrés percibido alto al día siguiente, pero sus propios autores advierten que no reemplaza diagnós