Os dispositivos portáteis conseguem classificar a marcha dos cães? Um estudo com 29 cães

Um resumo de estudo baseado em fontes sobre sensores inerciais, aprendizagem profunda e a diferença entre testar cães familiares e cães não vistos durante o treino.

Investigação e evidência | Resumo do estudo | Atualizado em 1 de setembro de 2026

A resposta curta

Um estudo de 2026 Scientific Reports Um estudo mostrou que um modelo de investigação conseguia classificar três grupos em registos controlados da marcha: cães saudáveis, cães com doenças ortopédicas e cães com doenças neurológicas. Numa divisão aleatória dos dados do estudo, a melhor precisão multiclasses foi 0.960. Quando os investigadores reservaram cães inteiros para o teste, a melhor precisão binária comunicada foi 0.849 e a melhor precisão multiclasses foi 0.800. Na tarefa do estudo de distinguir doenças ortopédicas de doenças neurológicas, a melhor precisão com cães não vistos durante o treino foi 0.893.

Estes números referem-se a um único modelo de investigação, a um grupo pequeno de cães e a protocolos específicos de caminhada e trote. Não validam um dispositivo vestível para consumidores, não permitem diagnosticar um cão em casa nem demonstram que um cão pode fazer exercício em segurança só porque um dispositivo apresenta uma classificação com elevado grau de confiança.

Este resumo procura responder à seguinte pergunta: De que forma o estudo utilizou sensores inerciais vestíveis e aprendizagem profunda para classificar a marcha dos cães, e o que mudou quando o modelo encontrou um cão que não tinha visto durante o treino?

O que foi medido no estudo

Palez e os seus colegas estudaram 29 cães no Departamento de Medicina e Cirurgia de Pequenos Animais da Universidade de Medicina Veterinária de Hanôver, na Alemanha. O grupo incluía 17 cães saudáveis, 6 cães com doenças ortopédicas e 6 cães com doenças neurológicas. A classificação clínica dos grupos baseou-se em exames gerais, ortopédicos e neurológicos. Alguns casos neurológicos também foram submetidos a ressonância magnética para apoiar a avaliação clínica.

As gravações decorreram numa área de testes controlada. Os cães percorriam o mesmo passadiço, guiados por uma trela. O protocolo incluía caminhada e trote. Os investigadores utilizaram unidades de medição inercial Xsens Movella DOT, que registaram sinais do acelerómetro e do giroscópio a 120 Hz. Testaram sensores colocados no topo da cabeça ou na parte superior do dorso, na zona inferior do dorso junto à cauda, no pescoço ou na coleira, bem como uma combinação das três posições.

O modelo recebeu seis canais de sinal: três do acelerómetro e três do giroscópio. O estudo utilizou uma pequena rede convolucional unidimensional, seguida de camadas totalmente ligadas. No conjunto dos dados do modelo, os investigadores referem 193 minutos de gravações, dos quais 154 minutos foram utilizados para treino e 39 minutos para teste.

O artigo analisou três questões de classificação relacionadas:

1. O modelo consegue distinguir os grupos de cães saudáveis, com doenças ortopédicas e com doenças neurológicas?
2. Consegue distinguir os cães saudáveis dos dois grupos com doenças diagnosticadas, considerados em conjunto?
3. Entre os cães com doenças diagnosticadas, consegue distinguir o grupo com doenças ortopédicas do grupo com doenças neurológicas?

A terceira questão corresponde a uma classificação utilizada na investigação apresentada neste artigo. Não se trata de um diagnóstico que o modelo possa fazer para um cão novo numa sala de estar.

Porque é importante a divisão dos dados de teste

O artigo começou por utilizar uma divisão aleatória de 80/20. Esta abordagem avalia o desempenho do modelo quando os dados de treino e de teste provêm do mesmo conjunto de cães gravados. É útil para medir o desempenho dentro do estudo, mas não responde à questão de como o modelo se comportará com um cão completamente novo.

De seguida, os investigadores utilizaram uma validação cruzada deixando um cão de fora. Em cada ronda, todas as gravações de um cão eram reservadas para teste, enquanto o modelo era treinado com os restantes cães. Nenhuma janela temporal do cão reservado entrava no conjunto de treino. Este procedimento constitui um teste mais exigente da variação individual.

A tabela-resumo do artigo apresenta as melhores combinações de sensores e movimentos:

A tabela torna mais claros dois aspetos. Primeiro, a exatidão e o F1 correspondem a uma tarefa e a uma configuração específicas. Segundo, o resultado muda quando o modelo tem de generalizar para um cão que não fazia parte dos dados de treino.

O que o modelo aprendeu — e o que não demonstrou

O estudo sustenta uma conclusão específica: os padrões dos sinais inerciais podem ajudar um modelo a classificar os grupos representados neste conjunto de dados. A colocação dos sensores e o protocolo de movimento influenciaram o resultado. A melhor combinação para uma tarefa não foi automaticamente a melhor combinação para outra.

A diferença entre a divisão aleatória e o teste com cães não incluídos no treino é tão importante como o valor elevado da exatidão. Os cães diferem em tamanho, formato do corpo, forma de andar e capacidade de completar um protocolo. Um modelo que apresenta bons resultados com gravações de cães conhecidos pode precisar de mais dados e de testes mais abrangentes antes de funcionar de forma fiável com cães novos.

O estudo não demonstra que:

• um monitor de atividade para consumidores consiga identificar doenças ortopédicas ou neurológicas;
• uma gravação feita em casa possa substituir um exame veterinário;
• todas as raças, formatos corporais ou padrões de marcha estejam representados nesta amostra;
• os dados apresentados por um dispositivo possam dizer a uma família se o exercício é seguro; ou
• os valores apresentados constituam uma classificação dos dispositivos vestíveis para animais de companhia.

Os autores descrevem esta abordagem como tendo potencial para apoiar a prática clínica. Trata-se de uma linha de investigação, não de uma prova de que o modelo tenha sido validado para utilização doméstica. O conjunto de dados do estudo não é uma referência pública para dispositivos de consumo. Os autores indicam que o acesso está disponível mediante pedido razoável ao autor responsável pela correspondência.

Uma limitação que altera a interpretação

Apenas dois cães do grupo neurológico conseguiram trotar. Vários cães afetados não conseguiram concluir o protocolo de trote, pelo que os cenários de trote ficaram significativamente desequilibrados. Isto é importante quando os melhores valores aparecem numa linha relativa ao trote.

A amostra também era pequena e foi recolhida num único ambiente clínico controlado. A trela, o percurso familiar, o trajeto fixo e uma determinada posição do sensor fazem parte da medição. Não são pormenores de contexto que possam ser ignorados quando se aplica um resultado a uma casa, parque ou clínica com equipamento diferente.

O artigo também apresenta uma diferença entre o desempenho dentro da amostra e o desempenho com cães que não foram vistos durante o treino. Essa diferença está de acordo com uma regra básica para interpretar estudos de sensores aplicados a animais: a unidade relevante é muitas vezes o cão, e não apenas o número de pequenas janelas de sinal produzidas por esse cão.

Perguntas a fazer sobre futuras alegações relativas a dispositivos vestíveis

Quando um produto de tecnologia para animais de companhia apresenta uma pontuação de marcha ou de saúde, pergunte o que o modelo foi treinado para classificar. Pergunte também quantos cães forneceram os dados, que raças e condições foram incluídas, se cães completos foram excluídos do treino, que movimentos o cão teve de realizar e se o teste utilizou cães novos em ambientes novos.

A exatidão, por si só, não responde a estas perguntas. A medida F1, a sensibilidade, a precisão e os intervalos de confiança também precisam de ser interpretados à luz da tarefa, da população e da divisão dos dados. Uma pontuação obtida num conjunto de dados de investigação controlado é evidência sobre esse conjunto de dados. Não é uma promessa geral sobre todos os cães que utilizem um dispositivo.

Um limite importante para as famílias com animais de companhia

Se notar uma alteração nova ou agravada na marcha do seu cão, encare-a como uma observação a partilhar com o veterinário. Uma gravação curta poderá ajudá-lo a descrever o que viu, mas uma pontuação de investigação não pode determinar a causa. Não utilize a indicação de um dispositivo para adiar cuidados veterinários nem para decidir que o exercício é seguro.

Para obter informações práticas sobre cuidados, consulte o nosso guia sobre lesões do jarrete em cães. A finalidade desta informação é diferente da deste resumo do estudo: não se devem retirar orientações de cuidados de uma métrica de investigação de um modelo.

Em resumo

Este estudo é útil porque analisa uma questão que é fácil de simplificar em excesso. Sensores inerciais vestíveis registaram o movimento, e um modelo de aprendizagem profunda identificou padrões que distinguiram os grupos definidos no estudo. O teste com cães não vistos durante o treino mostrou depois por que motivo a amostra original e o desenho da avaliação devem permanecer associados ao resultado.

A conclusão responsável é moderada. Os modelos de marcha canina podem ajudar os investigadores a quantificar o movimento em condições definidas. O artigo não estabelece uma ferramenta de diagnóstico para utilizar em casa, uma pontuação universal da marcha nem uma garantia de que o exercício é seguro. Ao avaliar futuras alegações, procure uma separação ao nível do cão, validação com cães novos, indicações claras e uma forma de recorrer a um profissional para interpretar uma alteração real do movimento.

Do resultado do estudo a um sinal útil

Um resultado obtido por um dispositivo vestível torna-se mais útil quando pode ser comparado com o movimento habitual do mesmo cão. Isso implica registar a superfície de marcha, o ritmo, a direção e a hora do dia, procurando depois um padrão em vez de reagir a uma única passagem invulgar. Um dispositivo pode ajudar a registar o movimento; não decide se uma alteração é relevante para um cão específico.

Por isso, o limite prático é claro. Os tutores podem utilizar uma medição para identificar uma questão e descrevê-la com maior precisão a um profissional. Não devem utilizar uma classificação de um estudo como diagnóstico em casa nem considerar a pontuação de um dispositivo um substituto de uma avaliação clínica. O valor está numa conversa mais útil, baseada em observações repetidas e contextualizadas.

Fontes e nota de atualização

O artigo de origem e as tabelas relevantes foram verificados em 1 de setembro de 2026. Este é um resumo de um único estudo, não uma revisão sistemática nem uma meta-análise. O artigo apresenta a amostra, os métodos e as métricas do estudo, juntamente com o contexto da tarefa e do teste. A nossa interpretação está identificada nos pontos em que vai além do resultado direto do artigo.

1. Palez, N., Straß, L., Meller, S. et al. "Análise da marcha canina com sensores inerciais e aprendizagem profunda para perturbações ortopédicas e neurológicas." Scientific Reports 16, 13966 (2026). Registo na Nature
2. Tabela 5: Desempenho da classificação multiclasses no cenário de generalização
3. Tabela 6: Resumo dos principais resultados da classificação

Este artigo tem fins informativos e não fornece diagnóstico ou aconselhamento veterinário sobre tratamentos.