¿Pueden los dispositivos portátiles clasificar la marcha de un perro? Un estudio con 29 perros

Un resumen del estudio, basado en fuentes, sobre sensores inerciales, aprendizaje profundo y la diferencia entre probar con perros conocidos y con perros no vistos durante el entrenamiento.

Investigación y evidencia | Resumen del estudio | Actualizado el 1 de septiembre de 2026

La respuesta breve

Un estudio de 2026 de Scientific Reports demostró que un modelo de investigación podía clasificar tres grupos en registros controlados de la marcha: perros sanos, perros con trastornos ortopédicos y perros con trastornos neurológicos. En una división aleatoria de los datos del estudio, la mejor precisión multiclase fue de 0.960. Cuando los investigadores reservaron perros completos para la prueba, la mejor precisión binaria comunicada fue de 0.849 y la mejor precisión multiclase, de 0.800. Para la tarea del estudio de diferenciar entre trastornos ortopédicos y neurológicos, la mejor precisión con perros no vistos durante el entrenamiento fue de 0.893.

Estas cifras describen un único modelo de investigación, un grupo pequeño de perros y protocolos específicos de caminata y trote. No validan un dispositivo wearable de consumo, no permiten diagnosticar a un perro en casa ni demuestran que un perro pueda hacer ejercicio sin riesgo porque un dispositivo emita una clasificación con un alto nivel de confianza.

Este resumen plantea la siguiente pregunta: ¿Cómo utilizó el estudio sensores inerciales wearables y aprendizaje profundo para clasificar la marcha canina, y qué cambió cuando el modelo se encontró con un perro que no había visto durante el entrenamiento?

Qué midió el estudio

Palez y sus colaboradores estudiaron a 29 perros en el Departamento de Medicina y Cirugía de Pequeños Animales de la Universidad de Medicina Veterinaria de Hannover, Alemania. El grupo incluía 17 perros sanos, 6 perros con trastornos ortopédicos y 6 perros con trastornos neurológicos. La clasificación clínica de los grupos se basó en evaluaciones generales, ortopédicas y neurológicas. En algunos casos neurológicos también se realizaron resonancias magnéticas para respaldar la evaluación clínica.

Las grabaciones se realizaron en un área de pruebas controlada. Los perros recorrían el mismo pasillo guiados con una correa. El protocolo incluía caminar y trotar. Los investigadores utilizaron unidades de medición inercial Xsens Movella DOT, que registraban señales del acelerómetro y del giroscopio a 120 Hz. Probaron los sensores en la parte superior de la cabeza o el lomo, en la zona lumbar cerca de la cola, en el cuello o el collar, y combinando las tres posiciones.

El modelo recibía seis canales de señal: tres del acelerómetro y tres del giroscopio. El estudio utilizó una pequeña red convolucional unidimensional seguida de capas totalmente conectadas. En total, los investigadores informan de 193 minutos de grabaciones, de los cuales 154 minutos se utilizaron para el entrenamiento y 39 minutos para las pruebas.

El artículo planteó tres preguntas de clasificación relacionadas:

1. ¿Puede el modelo diferenciar entre los grupos de perros sanos, con trastornos ortopédicos y con trastornos neurológicos?
2. ¿Puede diferenciar a los perros sanos de los dos grupos con trastornos diagnosticados combinados?
3. Entre los perros con trastornos diagnosticados, ¿puede distinguir entre el grupo con trastornos ortopédicos y el grupo con trastornos neurológicos?

La tercera pregunta se refiere a una clasificación de investigación en este artículo. No es un diagnóstico que el modelo pueda realizar a un perro nuevo en el salón de casa.

Por qué es importante la división de los datos

En primer lugar, el artículo utilizó una división aleatoria 80/20. Esto permite evaluar el rendimiento del modelo cuando los datos de entrenamiento y de prueba proceden del mismo conjunto de perros grabados. Es útil para medir el rendimiento dentro del estudio, pero no responde a cómo se comportará el modelo con un perro completamente nuevo.

A continuación, los investigadores utilizaron una validación cruzada dejando un perro fuera. En cada ronda, todas las grabaciones de uno de los perros se reservaban para las pruebas, mientras el modelo se entrenaba con los demás perros. Ninguna ventana temporal del perro reservado entraba en el conjunto de entrenamiento. Esto constituye una prueba más exigente de la variación individual.

La tabla resumen del artículo informa de las siguientes mejores combinaciones de sensores y movimientos:

La tabla ayuda a ver dos aspectos con mayor claridad. En primer lugar, la precisión y la puntuación F1 corresponden a una tarea y una configuración concretas. En segundo lugar, el resultado cambia cuando el modelo tiene que generalizar a un perro que no formaba parte de los datos de entrenamiento.

Qué aprendió el modelo y qué no demostró

El estudio respalda una conclusión concreta: los patrones de las señales inerciales pueden ayudar a un modelo a clasificar los grupos representados en este conjunto de datos. La colocación de los sensores y el protocolo de movimiento influyeron en el resultado. La mejor combinación para una tarea no fue automáticamente la mejor para otra.

La diferencia entre la división aleatoria y la prueba con perros no vistos es tan importante como la cifra elevada. Los perros varían en tamaño, constitución, forma de caminar y capacidad para completar un protocolo. Un modelo que funciona bien con registros de perros conocidos puede necesitar más datos y pruebas más amplias antes de funcionar de forma fiable con perros nuevos.

El estudio no demuestra que:

• un monitor de actividad para consumidores pueda identificar una enfermedad ortopédica o neurológica;
• una grabación hecha en casa pueda sustituir una revisión veterinaria;
• todas las razas, constituciones o patrones de marcha estén representados en esta muestra;
• los datos de un dispositivo puedan indicar a una familia si el ejercicio es seguro; o
• las cifras comunicadas constituyan una clasificación comparativa de dispositivos ponibles para mascotas.

Los autores describen este enfoque como una opción con potencial para servir de apoyo clínico. Se trata de una línea de investigación, no de una prueba de que el modelo haya sido validado para su uso en el hogar. El conjunto de datos del estudio no es una referencia pública para comparar dispositivos de consumo. Los autores indican que se puede obtener acceso a través del autor de correspondencia previa solicitud razonable.

Una limitación que cambia la interpretación

Solo dos perros del grupo con trastornos neurológicos pudieron trotar. Varios perros afectados no pudieron completar el protocolo de trote, por lo que las situaciones de trote estaban considerablemente desequilibradas. Esto es importante cuando las mejores cifras aparecen en una fila correspondiente al trote.

La muestra también fue pequeña y se recopiló en un único entorno clínico controlado. La correa, un pasillo conocido, un recorrido fijo y una posición concreta del sensor forman parte de la medición. No son detalles secundarios que puedan omitirse al trasladar un resultado a un hogar, un parque o una clínica con equipos diferentes.

El artículo también informa de una diferencia entre el rendimiento dentro de la muestra y el rendimiento con perros no vistos. Esa diferencia es coherente con una regla básica para interpretar la investigación basada en sensores animales: la unidad que importa suele ser el perro, no solo el número de breves ventanas de señal generadas por ese perro.

Preguntas que conviene plantearse ante una futura afirmación sobre dispositivos ponibles

Cuando un producto tecnológico para mascotas presenta una puntuación de marcha o de salud, pregunta qué debía clasificar el modelo durante su entrenamiento. Después, pregunta cuántos perros aportaron los datos, qué razas y condiciones se incluyeron, si se reservaron perros completos para la evaluación, qué movimiento debía realizar el perro y si la prueba utilizó perros nuevos en entornos nuevos.

La precisión por sí sola no puede responder a esas preguntas. Las métricas F1, de sensibilidad y de precisión, así como los intervalos de confianza, también deben interpretarse teniendo en cuenta la tarea, la población y la división de los datos. Una puntuación obtenida a partir de un conjunto de datos de investigación controlado aporta evidencia sobre ese conjunto de datos. No es una promesa general aplicable a cualquier perro que lleve un dispositivo.

Un límite importante para las familias con mascotas

Si notas un cambio nuevo o un empeoramiento en la marcha de tu perro, considéralo una observación para compartir con el veterinario. Una grabación breve puede ayudarte a describir lo que viste, pero una puntuación de investigación no puede determinar la causa. No utilices la clasificación de un dispositivo para retrasar la atención veterinaria ni para decidir que el ejercicio es seguro.

Para obtener información práctica sobre cuidados, consulta nuestra guía sobre las lesiones del corvejón en perros. Esa es una necesidad distinta de la que cubre este resumen del estudio: las recomendaciones de cuidado no deben deducirse de la métrica de investigación de un modelo.

En resumen

Este estudio es útil porque examina una cuestión que es fácil de simplificar en exceso. Los sensores inerciales ponibles capturaron el movimiento y un modelo de aprendizaje profundo identificó patrones que diferenciaban los grupos definidos en el estudio. La prueba con perros no vistos mostró entonces por qué la muestra original y el diseño de la evaluación deben mantenerse vinculados a los resultados.

La conclusión responsable debe ser prudente. Los modelos de marcha canina pueden ayudar a los investigadores a cuantificar el movimiento en condiciones definidas. El artículo no demuestra que exista una herramienta de diagnóstico doméstico, una puntuación universal de la marcha ni una garantía de que el ejercicio sea seguro. Ante futuras afirmaciones, busca una separación a nivel de perro, una validación con perros nuevos, etiquetas claras y un procedimiento profesional para interpretar un cambio real en el movimiento.

Fuentes y nota de actualización

El artículo de referencia y sus tablas pertinentes se revisaron el 1 de septiembre de 2026. Este es un resumen de un único estudio, no una revisión sistemática ni un metaanálisis. El artículo presenta la muestra, los métodos y las métricas del estudio junto con el contexto de la tarea y de la prueba. Nuestra interpretación está señalada cuando va más allá del resultado directo del artículo.

1. Palez, N., Straß, L., Meller, S. et al. «Análisis de la marcha canina mediante sensores inerciales y aprendizaje profundo para trastornos ortopédicos y neurológicos». Scientific Reports 16, 13966 (2026). Registro en Nature
2. Tabla 5: Rendimiento de la clasificación multiclase en el escenario de generalización
3. Tabla 6: Resumen de los principales resultados de clasificación

Este artículo tiene fines informativos y no ofrece diagnóstico ni consejos de tratamiento veterinario.