I dispositivi indossabili possono classificare l’andatura dei cani? Uno studio su 29 cani

Una sintesi dello studio basata su fonti scientifiche, dedicata ai sensori inerziali, all’apprendimento profondo e alla differenza tra i test condotti su cani già noti al modello e quelli su cani mai incontrati durante l’addestramento.

Ricerca e prove | Sintesi dello studio | Aggiornato il 1° settembre 2026

La risposta breve

Uno studio del 2026 Scientific Reports ha mostrato che un modello di ricerca poteva classificare tre gruppi in registrazioni controllate dell’andatura: cani sani, cani con disturbi ortopedici e cani con disturbi neurologici. Con una suddivisione casuale dei dati dello studio, l’accuratezza multiclass migliore è stata 0.960. Quando i ricercatori hanno escluso interi cani dal set di addestramento, la migliore accuratezza binaria riportata è stata 0.849, mentre quella multiclass migliore è stata 0.800. Nel compito dello studio di distinguere i disturbi ortopedici da quelli neurologici, l’accuratezza migliore sui cani non presenti nell’addestramento è stata 0.893.

Questi numeri descrivono un solo modello di ricerca, un piccolo gruppo di cani e protocolli specifici di camminata e trotto. Non convalidano un dispositivo indossabile per consumatori, non consentono di diagnosticare un cane a casa e non dimostrano che un cane possa fare attività fisica in sicurezza solo perché un dispositivo produce un’etichetta con elevata sicurezza.

Questa sintesi risponde alla domanda: In che modo lo studio ha utilizzato sensori inerziali indossabili e modelli di apprendimento profondo per classificare l’andatura canina, e cosa è cambiato quando il modello ha analizzato un cane mai visto durante l’addestramento?

Cosa ha misurato lo studio

Palez e i suoi colleghi hanno studiato 29 cani presso il Dipartimento di medicina e chirurgia degli animali da compagnia dell’Università di medicina veterinaria di Hannover, in Germania. Il gruppo comprendeva 17 cani sani, 6 cani con disturbi ortopedici e 6 cani con disturbi neurologici. La classificazione clinica dei gruppi si basava su esami generali, ortopedici e neurologici. In alcuni casi neurologici è stata eseguita anche una risonanza magnetica a supporto della valutazione clinica.

Le registrazioni si sono svolte in un’area di test controllata. I cani percorrevano lo stesso tragitto, guidati al guinzaglio. Il protocollo comprendeva camminata e trotto. I ricercatori hanno utilizzato unità di misura inerziale Xsens Movella DOT, che registravano i segnali dell’accelerometro e del giroscopio a 120 Hz. I sensori sono stati testati sulla sommità della testa o sulla parte superiore del dorso, sulla parte bassa del dorso vicino alla coda, sul collo o sul collare, oltre che in una combinazione di tutte e tre le posizioni.

Il modello riceveva sei canali di segnale: tre dall’accelerometro e tre dal giroscopio. Lo studio ha utilizzato una piccola rete convoluzionale unidimensionale seguita da strati completamente connessi. Considerando tutti i dati del modello, i ricercatori riportano 193 minuti di registrazioni, di cui 154 utilizzati per l’addestramento e 39 per il test.

L’articolo esaminava tre domande di classificazione correlate:

1. Il modello è in grado di distinguere i gruppi di cani sani, con disturbi ortopedici e con disturbi neurologici?
2. È in grado di distinguere i cani sani dai due gruppi con disturbi diagnosticati considerati insieme?
3. Tra i cani con disturbi diagnosticati, è in grado di distinguere il gruppo con disturbi ortopedici da quello con disturbi neurologici?

Nel contesto di questo articolo, la terza domanda riguarda un’etichetta di ricerca. Non si tratta di una diagnosi che il modello possa formulare per un cane mai analizzato prima nel salotto di casa.

Perché la suddivisione dei dati di test è importante

Inizialmente l’articolo ha utilizzato una suddivisione casuale 80/20. Questo approccio valuta le prestazioni del modello quando i dati di addestramento e quelli di test provengono dallo stesso insieme di registrazioni di cani. È utile per misurare le prestazioni all’interno dello studio, ma non chiarisce come si comporterà il modello con un cane completamente nuovo.

I ricercatori hanno poi utilizzato una convalida incrociata leave-one-dog-out, cioè lasciando fuori un cane alla volta. In ogni ciclo, tutte le registrazioni di un cane venivano escluse dal test, mentre il modello veniva addestrato sugli altri cani. Nessuna finestra temporale del cane escluso entrava nel set di addestramento. Si tratta di un test più difficile, che tiene maggiormente conto delle differenze tra i singoli cani.

La tabella riepilogativa dell’articolo riporta le migliori combinazioni di sensore e movimento:

La tabella rende più chiari due aspetti. Primo: accuratezza e punteggio F1 si riferiscono a un compito e a una configurazione specifici. Secondo: il risultato cambia quando il modello deve generalizzare a un cane che non era presente nei dati di addestramento.

Che cosa ha imparato il modello e che cosa non ha dimostrato

Lo studio evidenzia un risultato circoscritto: i pattern nei segnali inerziali possono aiutare un modello a classificare i gruppi rappresentati in questo set di dati. Il posizionamento dei sensori e il protocollo di movimento hanno influito sul risultato. La combinazione migliore per un compito non era automaticamente la migliore per un altro.

La differenza tra la suddivisione casuale e il test su cani non presenti nell'addestramento è importante quanto il valore elevato dell'accuratezza. I cani differiscono per taglia, conformazione corporea, modo di camminare e capacità di completare un protocollo. Un modello che funziona bene sulle registrazioni di cani già noti può aver bisogno di più dati e di test più ampi prima di funzionare in modo affidabile su cani nuovi.

Lo studio non dimostra che:

• un dispositivo indossabile per il monitoraggio dell’attività fisica possa individuare patologie ortopediche o neurologiche;
• una registrazione effettuata a casa possa sostituire una visita veterinaria;
• ogni razza, conformazione corporea o schema di andatura sia rappresentato in questo campione;
• il risultato fornito da un dispositivo possa dire a una famiglia se l'attività fisica è sicura; oppure
• i valori riportati costituiscano una classifica dei dispositivi indossabili per animali domestici.

Gli autori descrivono questo approccio come potenzialmente utile per supportare l'attività clinica. Si tratta di una direzione di ricerca, non della prova che il modello sia stato convalidato per l'uso domestico. Il set di dati dello studio non è un benchmark pubblico per i consumatori. Gli autori dichiarano che l'accesso è disponibile, su richiesta ragionevole, rivolgendosi all'autore corrispondente.

Un limite che cambia l'interpretazione

Solo due cani del gruppo neurologico erano in grado di trottare. Diversi cani affetti non hanno potuto completare il protocollo al trotto, perciò gli scenari al trotto erano significativamente sbilanciati. Questo è importante quando i valori migliori compaiono in una riga relativa al trotto.

Il campione era inoltre ridotto ed è stato raccolto in un unico ambiente clinico controllato. Il guinzaglio, un percorso familiare, un itinerario prestabilito e una specifica posizione del sensore fanno parte della misurazione. Non sono dettagli di contorno che si possano ignorare quando si applica un risultato a una casa, a un parco o a una clinica dotati di attrezzature diverse.

L'articolo evidenzia inoltre una differenza tra le prestazioni ottenute all'interno del campione e quelle ottenute su cani non presenti nei dati di addestramento. Questa differenza è coerente con una regola fondamentale per interpretare la ricerca basata sui segnali rilevati negli animali: l'unità che conta è spesso il cane, non soltanto il numero di brevi finestre di segnale generate da quel cane.

Domande da porsi sulle future affermazioni relative ai dispositivi indossabili

Quando un prodotto tecnologico per animali riporta un punteggio dell'andatura o della salute, chiediti quale classificazione il modello è stato addestrato a effettuare. Chiediti poi quanti cani hanno fornito i dati, quali razze e condizioni erano incluse, se alcuni cani erano stati completamente esclusi dall'addestramento, quale movimento doveva eseguire il cane e se il test utilizzava cani nuovi in ambienti nuovi.

La sola accuratezza non basta a rispondere a queste domande. Anche F1, richiamo, precisione e intervalli di confidenza devono essere valutati in relazione al compito, alla popolazione e alla suddivisione dei dati utilizzata. Un punteggio ottenuto su un dataset di ricerca controllato fornisce informazioni su quel dataset. Non rappresenta una garanzia generale per ogni cane che indossi un dispositivo.

Un limite importante per chi vive con un animale

Se noti un cambiamento nuovo o in peggioramento nell'andatura del tuo cane, consideralo un'osservazione da condividere con il veterinario. Una breve registrazione può aiutarti a descrivere ciò che hai visto, ma un punteggio di ricerca non può determinarne la causa. Non usare l'etichetta assegnata da un dispositivo per rimandare le cure o decidere che l'esercizio fisico sia sicuro.

Per informazioni pratiche sulla cura, consulta la nostra guida alle lesioni del garretto del cane. Questo risponde a un'esigenza diversa rispetto al presente approfondimento dello studio: dalle metriche di ricerca di un modello non si possono dedurre indicazioni per la cura.

In sintesi

Questo studio è utile perché esamina una questione che è facile semplificare eccessivamente. I sensori inerziali indossabili hanno rilevato il movimento e un modello di apprendimento profondo ha individuato schemi in grado di distinguere i gruppi definiti nello studio. Il test su cani non presenti nei dati di addestramento ha poi mostrato perché il campione originale e il metodo di valutazione devono sempre essere considerati insieme al risultato.

La conclusione più corretta è prudente. I modelli dell'andatura canina possono aiutare i ricercatori a quantificare il movimento in condizioni definite. L'articolo non dimostra l'esistenza di uno strumento diagnostico domestico, di un punteggio universale dell'andatura né di una garanzia sulla sicurezza dell'esercizio fisico. Di fronte a future affermazioni, cerca una separazione a livello di cane, una validazione su cani nuovi, etichette chiare e la possibilità di rivolgersi a un professionista per interpretare un cambiamento reale nel movimento.

Fonti e nota sull'aggiornamento

L'articolo di riferimento e le tabelle pertinenti sono stati consultati il 1° settembre 2026. Questo è un approfondimento basato su un singolo studio, non una revisione sistematica né una meta-analisi. L'articolo riporta il campione, i metodi e le metriche dello studio insieme al contesto del compito e del test. La nostra interpretazione è indicata nei punti in cui va oltre il risultato diretto dell'articolo.

1. Palez, N., Straß, L., Meller, S. et al. "Analisi dell'andatura canina mediante sensori inerziali e apprendimento profondo per i disturbi ortopedici e neurologici." Scientific Reports 16, 13966 (2026). Scheda su Nature
2. Tabella 5: prestazioni della classificazione multiclass nel contesto di generalizzazione
3. Tabella 6: riepilogo dei principali risultati della classificazione

Questo articolo ha finalità esclusivamente informative e non fornisce diagnosi o consigli terapeutici veterinari.