Inertia-1: Modelos de Movimiento Abiertos para Dispositivos Portátiles

Investigadores publicaron un preprint de Inertia-1 en arXiv en julio de 2026 — un modelo de fundación completamente abierto de movimiento para dispositivos portátiles, entrenado en datos de más de 18.2 millones de horas de grabaciones de acelerómetro de fuentes globales.

Por qué se necesita este modelo

Los sensores de movimiento portátiles proporcionan una ventana continua y escalable en el comportamiento y la salud humana, lo que los convierte en un candidato natural para modelos de fundación. Los autores del preprint señalan que los principios de preentrenamiento y escalado para tales sensores han sido poco estudiados hasta ahora. Según ellos, trabajos anteriores examinaron soluciones aisladas — por ejemplo, la colocación del sensor o la frecuencia de muestreo — típicamente con configuraciones fijas y en tareas aplicadas estrechas que no reflejan la verdadera diversidad de condiciones de sensores.

Qué exactamente estudiaron los autores

Inertia-1 es un marco controlado para estudiar el ciclo de vida completo de los modelos de fundación de movimiento: desde la selección de datos hasta la arquitectura y la estrategia de entrenamiento. El trabajo cubre tres grupos de decisiones y se basa en un corpus a gran escala de datos recopilados de fuentes globales.

• Corpus de entrenamiento — más de 18.2 millones de horas de datos del acelerómetro de fuentes globales
• Parámetros de datos a estudiar — modalidad del sensor, colocación del dispositivo en el cuerpo, frecuencia de muestreo, longitud de la ventana temporal
• Parámetros del modelo a estudiar — arquitectura y tamaño del modelo
• Parámetros de entrenamiento a estudiar — objetivo de preentrenamiento y escala de datos de entrenamiento
• Pruebas — 15 conjuntos de datos de diferentes dominios de aplicación

Este alcance, por diseño de los autores, les permite aislar los efectos de cada decisión individual de la calidad general del modelo — es decir, entender qué datos, arquitecturas y estrategias de entrenamiento verdaderamente determinan la calidad de un modelo de fundación de movimiento, y cuáles solo parecen importantes en experimentos estrechos. Anteriormente, según los autores, tales decisiones se estudiaban de forma aislada y casi siempre con configuraciones fijas, lo que no permitía comparar directamente su contribución a la calidad final del modelo.

Qué tareas evaluaron los investigadores

Los autores evaluaron Inertia-1 en 15 conjuntos de datos que cubren tres clases de tareas aplicadas: reconocimiento de actividad humana, detección del congelamiento de marcha — un síntoma de la enfermedad de Parkinson, y predicción de enfermedades a partir de datos de movimiento. Según ellos, experimentos extensos en estos 15 conjuntos de datos revelaron patrones inesperados importantes para construir modelos de movimiento que se generalicen en diferentes tareas y condiciones de sensores, en lugar de funcionar solo en el escenario estrecho para el cual fueron entrenados inicialmente.

"Inertia-1 no solo ofrece recetas avanzadas para varias tareas

aplicadas, sino que también sirve como un libro de cocina completo, práctico y abierto para entrenar representaciones de movimiento basadas en sensores portátiles", afirma la anotación del preprint en arXiv.

Qué significa esto

La publicación abierta del ciclo completo de experimentos — datos, arquitecturas y objetivos de entrenamiento — proporciona a desarrolladores de dispositivos portátiles y aplicaciones médicas un conjunto probado de recetas para construir sus propios modelos de movimiento en lugar de soluciones fragmentadas y mal reproducibles que eran típicas para este campo anteriormente. Esto es particularmente importante para tareas relacionadas con la salud — como identificar síntomas de la enfermedad de Parkinson a partir de datos de acelerómetro, donde la calidad del modelo afecta directamente la precisión del diagnóstico.