Inertia-1: modelos abiertos de movimiento para dispositivos vestibles

En julio de 2026, un equipo de investigadores publicó en arXiv el preprint de Inertia-1, un modelo fundacional de movimiento totalmente abierto para dispositivos vestibles, entrenado con más de 18,2 millones de horas de registros de acelerómetros procedentes de fuentes globales.

Por qué hace falta un modelo así

Los sensores de movimiento vestibles ofrecen una ventana continua y escalable al comportamiento y la salud de las personas, lo que los convierte en candidatos naturales para los modelos fundacionales. Los autores del preprint señalan que los principios de preentrenamiento y escalado para este tipo de sensores siguen sin estar bien estudiados. Según ellos, los trabajos anteriores analizaban decisiones aisladas, como la ubicación del sensor o la frecuencia de muestreo, normalmente con configuraciones fijas y en tareas aplicadas muy acotadas que no reflejan la diversidad real de las condiciones de captura.

Qué estudiaron exactamente los autores

Inertia-1 es un marco controlado para estudiar el ciclo de vida completo de los modelos fundacionales de movimiento, desde la selección de datos hasta la arquitectura y la estrategia de entrenamiento. El trabajo abarca tres grupos de decisiones y se apoya en un gran corpus de datos reunido de fuentes globales.

• Corpus de entrenamiento: más de 18,2 millones de horas de datos de acelerómetros de fuentes globales
• Parámetros de datos estudiados: modalidad del sensor, ubicación del dispositivo en el cuerpo, frecuencia de muestreo, longitud de la ventana temporal
• Parámetros del modelo estudiados: arquitectura y tamaño del modelo
• Parámetros de entrenamiento estudiados: objetivo de preentrenamiento (pretraining objective) y escala de los datos de entrenamiento
• Evaluación: 15 conjuntos de datos de distintas áreas de aplicación

Según el planteamiento de los autores, este alcance permite separar el efecto de cada decisión individual de la calidad global del modelo. Es decir, permite entender qué datos, arquitecturas y estrategias de entrenamiento determinan realmente la calidad de un modelo fundacional de movimiento y cuáles solo parecen importantes en experimentos acotados. Hasta ahora, según los autores, estas decisiones se estudiaban de forma aislada y casi siempre con configuraciones fijas, lo que impedía comparar directamente su aportación a la calidad final del modelo.

Qué tareas probaron los investigadores

Los autores evaluaron Inertia-1 en 15 conjuntos de datos que abarcan tres clases de tareas aplicadas: reconocimiento de actividad humana (human activity recognition), detección del congelamiento de la marcha, un síntoma de la enfermedad de Parkinson (freezing-of-gait detection), y predicción de enfermedades a partir de datos de movimiento. Según ellos, los extensos experimentos en estos 15 conjuntos de datos revelaron patrones inesperados que importan para construir modelos de movimiento que se generalicen a distintas tareas y condiciones de captura, en lugar de funcionar solo en el escenario acotado para el que se entrenaron originalmente.

«Inertia-1 no solo ofrece recetas de vanguardia para distintas

aplicaciones, sino que sirve como un recetario completo, práctico y abierto para entrenar representaciones de movimiento a partir de sensores vestibles», señala el resumen del preprint en arXiv.

Qué significa

La publicación abierta del ciclo completo de experimentos, con datos, arquitecturas y objetivos de entrenamiento, da a los desarrolladores de dispositivos vestibles y aplicaciones médicas un conjunto probado de recetas para construir sus propios modelos de movimiento, en lugar de las soluciones dispersas y poco reproducibles que eran habituales en este campo. Es especialmente relevante para tareas de salud, como la detección de síntomas de la enfermedad de Parkinson a partir de datos de acelerómetros, donde la calidad del modelo influye directamente en la precisión del diagnóstico.