
Análisis del movimiento con smartphone: qué mide la estimación de pose 2D y con qué error
Hoy un iPhone puede localizar articulaciones en vídeo sin marcadores. La pregunta clínica es otra: ¿en qué ángulos, en qué planos y con qué error se aproximan esas cifras a las de un laboratorio de análisis 3D?
- Con una cámara en el plano sagital, la estimación de pose 2D se sitúa típicamente a 4–6° de la captura con marcadores en la cadera y la rodilla durante la marcha 1,2.
- El tobillo es la articulación sagital con mayor error: 7,4° en la marcha 1.
- El FPPA medido en 2D concuerda bien entre métodos 2D, pero se correlaciona poco con la abducción de rodilla medida en 3D (r = 0,20) 3.
- Las rotaciones en el plano transversal siguen siendo el punto débil, incluso en sistemas con varias cámaras 4.
- OpenCap alcanza un error medio de 4,5° con dos iPhone calibrados; este valor no es extrapolable a una sola cámara 5.
- Cámara perpendicular al plano y nivelada: las vistas oblicuas produjeron sesgos de hasta 26° 6,7.
Por qué importa la validez
El análisis del movimiento con marcadores reflectantes y varias cámaras de infrarrojos sigue siendo la referencia de laboratorio, pero exige equipamiento, tiempo y técnicos especializados. La estimación de pose sin marcadores (markerless) promete llevar parte de esa información al gimnasio y a la consulta a través de la cámara de un smartphone 8. Una revisión de 2022 resumió el estado de la cuestión con prudencia: los parámetros espaciotemporales parecen equivalentes a los de los sistemas con marcadores, pero la localización de los centros articulares y los ángulos articulares aún no son lo bastante exactos para aplicaciones clínicas 9.
Para el profesional, la cuestión práctica no es si el smartphone «funciona», sino qué variables son fiables, en qué condiciones de captura y para qué decisión: comparar lados, seguir la evolución o clasificar el riesgo.
Cómo funciona la estimación de pose en un smartphone
Los modelos de estimación de pose son redes neuronales que localizan puntos anatómicos en cada fotograma; los ángulos se calculan a partir de esos puntos. BlazePose, la familia de modelos en la que se basa MediaPipe, detecta 33 puntos del cuerpo y funciona a más de 30 fotogramas por segundo en un móvil 10. Se diseñó para fitness y uso en tiempo real, no como instrumento de biomecánica, por lo que su exactitud debe evaluarse por separado.
En la literatura se repiten dos problemas. El primero es un sesgo sistemático: al comparar OpenPose, AlphaPose y DeepLabCut con la captura con marcadores, los centros articulares de la cadera y la rodilla difirieron unos 30–50 mm, muy probablemente por errores de anotación en los datos de entrenamiento 11. El segundo son fallos groseros ocasionales: en un sistema OpenPose con varias cámaras, el 80% de los errores medios fueron inferiores a 30 mm, pero el 10% superaron los 40 mm, sobre todo cuando el algoritmo confundió objetos con segmentos corporales o intercambió segmentos entre sí 12.
Un sesgo constante afecta poco a la comparación de una persona consigo misma; un fallo ocasional, si no se detecta, puede arruinar una repetición entera.
Exactitud por articulación y plano
La evidencia más cercana a una aplicación con un único iPhone procede de estudios con una cámara y análisis 2D. El patrón es constante: el plano sagital es el más fiable, el plano frontal es aceptable como medida de alineación 2D y el plano transversal no es medible con una cámara.
| Medida | Qué muestra la evidencia | Confianza |
|---|---|---|
| Flexión/extensión de cadera (sagital) | Error absoluto medio de 4,0° en la marcha 1; 3,7 ± 1,3° con OpenPose 2; r = 0,68–0,94 frente al 3D en la sentadilla monopodal 3 | Alta |
| Flexión/extensión de rodilla (sagital) | 5,6° 1 y 5,1 ± 2,5° 2 en la marcha; MediaPipe exacto cuando el movimiento es amplio y la articulación está visible 13 | Alta, con control de calidad de los fotogramas |
| Tobillo (sagital) | 7,4° en la marcha 1; identificación errónea de puntos anatómicos 13 | Moderada a baja |
| Rodilla en el plano frontal (FPPA) | r = 0,95 entre métodos 2D, pero r = 0,20 frente a la abducción 3D 3; r = 0,308 en la sentadilla monopodal 14 | Buena como alineación 2D; no equivale al valgo 3D |
| Rotaciones (plano transversal) | Excluidas del error inferior a 5,5° incluso en un sistema de 8 cámaras 4 | No informar |
| Hombro (Apple Vision, iPhone) | R² > 0,93 frente a la captura 3D, con sobrestimación de la amplitud; SEM de 9,2° en la abducción 15 | Moderada |
Estudios principalmente en adultos sanos o adolescentes; el error depende del modelo de pose, del dispositivo y de las condiciones de captura.
Los modelos no son intercambiables. En la comparación de cuatro modelos de código abierto, los más ligeros, pensados para móviles, no fueron los más exactos 2. En una muestra de personas mayores, MediaPipe tuvo el peor rendimiento de los métodos evaluados en la marcha, aunque fue exacto en la rodilla 13. En un estudio reciente con BlazePose y captura lateral con smartphone, el ICC de la sentadilla fue de 0,773 al excluir los fotogramas de baja confianza, pero descendió a 0,428, con un RMSE de 25,43°, sin ese filtro; el 15,7% de las observaciones dinámicas no cumplieron el criterio de confianza 16. El control de calidad de cada fotograma decide si la cifra es utilizable.
Las herramientas 3D nativas del iPhone también tienen límites. El seguimiento corporal 3D de ARKit presentó un error medio ponderado de 18,80° ± 12,12° frente a Vicon, entre 3,75° y 47,06° según la articulación y el ejercicio 17. La pose 2D de Apple Vision, evaluada en el hombro, siguió bien el patrón del movimiento, pero sobrestimó la amplitud 15.
OpenCap y otros precedentes con iPhone
OpenCap es el precedente más sólido de análisis del movimiento con smartphone. Con dos iPhone calibrados, estimó los ángulos articulares con un error absoluto medio de 4,5° frente a la captura con marcadores (4,1° en la marcha y la sentadilla, 4,7° al levantarse de la silla y 5,1° en el drop jump), las fuerzas de reacción del suelo con un error del 6,2% del peso corporal y los momentos articulares con un error del 1,2% del peso × talla 5. En un estudio de campo con 100 participantes, fue 25 veces más rápido que el enfoque de laboratorio, con menos del 1% del coste 5. La condición esencial es la geometría: dos o más cámaras permiten reconstruir el movimiento en 3D; una sola cámara no.
En otras medidas, el iPhone ya cuenta con una validación sólida. La app My Jump midió la altura del salto con contramovimiento con un ICC de 0,997 frente a una plataforma de fuerzas, con un sesgo de 1,1 ± 0,5 cm 18, y MySprint midió tiempos parciales de sprint con un ICC de 1,0 frente a células fotoeléctricas 19. Ambas miden eventos temporales bien definidos, más fáciles de validar que los ángulos. Una revisión de apps en ciencias del deporte deja una advertencia útil: muchas se evaluaron en un único dispositivo 20.
Cómo grabar: buenas prácticas de captura
- Cámara perpendicular al plano del movimiento. Kinovea fue válido entre 90° y 45° de perspectiva, hasta 5 m, pero se recomiendan 90° para obtener resultados óptimos 6. Con cámaras oblicuas, los sesgos oscilaron entre −0,35° y −26,07° según la articulación y la vista 7.
- Móvil nivelado y sin inclinación. Inclinar el móvil hacia abajo o hacia arriba alteró la amplitud medida en sentidos opuestos; en el estudio de referencia, el iPhone estaba a 0,9 m de altura y a unos 3 m del participante, nivelado con una app de nivel 15.
- Cuerpo entero en el encuadre, una sola persona y fondo despejado. Los errores superiores a 40 mm se debieron a objetos confundidos con segmentos y a segmentos intercambiados 12.
- Varias repeticiones o pasos. En carrera se necesitan al menos 7 pasos para obtener una media estable 21; en la marcha, las medias por participante fueron más exactas que los pasos aislados 1.
- Ropa ajustada e iluminación uniforme. El error aumentó con distintas prendas (inferior a 11°) e iluminaciones (inferior a 9°), aunque sin comparación simultánea con captura 3D 22.
- Fotogramas por segundo. Los estudios de salto y de sprint con iPhone utilizaron vídeo de alta velocidad 18,19, y el estudio del hombro usó 30 fps en movimientos lentos 15. No hemos encontrado estudios que comparen directamente 30, 60 y 240 fps para ángulos articulares: preferir más fotogramas por segundo en saltos, recepciones y sprints es una recomendación práctica, no un resultado publicado.
En las revaloraciones, la regla más importante es repetir exactamente el mismo montaje: distancia, altura, vista, calzado y ropa. Cambiar la vista cambia la cifra 7.
Qué significa esto para la práctica clínica
El vídeo 2D mide ángulos proyectados en un plano. El FPPA, por ejemplo, solo se asoció de forma débil a moderada con la aducción de cadera (r = 0,32–0,38) y la rotación externa de rodilla (r = 0,48–0,55) medidas en 3D, y los autores concluyeron que no debe utilizarse para cuantificar rotaciones 3D 23. Aun así, el 2D ordena razonablemente a los deportistas: entre sujetos, el ángulo frontal 2D se correlacionó con el valgo 3D con un r² de 0,58–0,64, pero dentro del mismo sujeto solo con un r² de 0,25–0,36 24. Por eso, el 2D sirve mejor para identificar valores extremos que para detectar cambios pequeños.
La automatización en sí no parece ser el problema: en el plano frontal, el FPPA automático concordó bien con la medición manual en vídeo (CCC de 0,89 con BlazePose y de 0,95 con OpenPose) 25. El límite está en la proyección 2D, no en el algoritmo. Además, la mayoría de los estudios de validación incluyeron adultos sanos; la evidencia en poblaciones clínicas, niños y marcha patológica es escasa.
En resumen, con una cámara bien colocada, la flexión de cadera y de rodilla en el plano sagital es lo bastante exacta para comparar lados y seguir la evolución; el plano frontal es útil como medida de alineación 2D; las rotaciones no deben informarse. Cualquier cambio debe compararse con el error de medición de la prueba antes de darle valor, y el diagnóstico sigue correspondiendo al profesional.
Preguntas frecuentes
¿Es válido el análisis del movimiento con smartphone?
Depende de la variable. En la flexión de cadera y de rodilla en el plano sagital, el error con una cámara es típicamente de 4–6° en la marcha 1,2; en el plano frontal y en las rotaciones, la concordancia con el análisis 3D es mucho menor 3.
¿Qué diferencia hay entre el vídeo 2D y el análisis 3D del movimiento?
El vídeo 2D mide ángulos proyectados en el plano de la cámara; el análisis 3D reconstruye la posición real de los segmentos. El FPPA 2D no debe utilizarse para cuantificar rotaciones 3D 23.
¿Es MediaPipe exacto para medir ángulos articulares?
En la rodilla, con movimientos amplios y buena visibilidad, puede ser exacto 13; sin control de calidad de los fotogramas, el RMSE llegó a 25,43° en la sentadilla 16. El tobillo es la articulación más problemática.
¿Cómo colocar el iPhone para grabar una prueba de movimiento?
Perpendicular al plano del movimiento, nivelado, con el cuerpo entero en el encuadre y siempre con el mismo montaje en las revaloraciones 6,15.
¿Es OpenCap comparable a una app con un solo iPhone?
No. OpenCap utiliza al menos dos dispositivos iOS calibrados para reconstruir el movimiento en 3D, con un error medio de 4,5° en los ángulos 5; una sola cámara mide ángulos 2D proyectados.
Referencias
- Stenum J, Rossi C, Roemmich RT. Two-dimensional video-based analysis of human gait using pose estimation. PLoS Comput Biol. 2021;17(4):e1008935. doi.org/10.1371/journal.pcbi.1008935
- Washabaugh EP, Shanmugam TA, Ranganathan R, Krishnan C. Comparing the accuracy of open-source pose estimation methods for measuring gait kinematics. Gait Posture. 2022;97:188–195. doi.org/10.1016/j.gaitpost.2022.08.008
- Haberkamp LD, Garcia MC, Bazett-Jones DM. Validity of an artificial intelligence, human pose estimation model for measuring single-leg squat kinematics. J Biomech. 2022;144:111333. doi.org/10.1016/j.jbiomech.2022.111333
- Kanko RM, Laende EK, Davis EM, Selbie WS, Deluzio KJ. Concurrent assessment of gait kinematics using marker-based and markerless motion capture. J Biomech. 2021;127:110665. doi.org/10.1016/j.jbiomech.2021.110665
- Uhlrich SD, Falisse A, Kidziński Ł, et al. OpenCap: human movement dynamics from smartphone videos. PLoS Comput Biol. 2023;19(10):e1011462. doi.org/10.1371/journal.pcbi.1011462
- Puig-Diví A, Escalona-Marfil C, Padullés-Riu JM, Busquets A, Padullés-Chando X, Marcos-Ruiz D. Validity and reliability of the Kinovea program in obtaining angles and distances using coordinates in 4 perspectives. PLoS One. 2019;14(6):e0216448. doi.org/10.1371/journal.pone.0216448
- Baldinger M, Reimer LM, Senner V. Influence of the camera viewing angle on OpenPose validity in motion analysis. Sensors (Basel). 2025;25(3):799. doi.org/10.3390/s25030799
- Colyer SL, Evans M, Cosker DP, Salo AIT. A review of the evolution of vision-based motion analysis and the integration of advanced computer vision methods towards developing a markerless system. Sports Med Open. 2018;4(1):24. doi.org/10.1186/s40798-018-0139-y
- Wade L, Needham L, McGuigan P, Bilzon J. Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ. 2022;10:e12995. doi.org/10.7717/peerj.12995
- Bazarevsky V, Grishchenko I, Raveendran K, Zhu T, Zhang F, Grundmann M. BlazePose: on-device real-time body pose tracking. arXiv:2006.10204 [preprint]. 2020. arxiv.org/abs/2006.10204
- Needham L, Evans M, Cosker DP, et al. The accuracy of several pose estimation methods for 3D joint centre localisation. Sci Rep. 2021;11(1):20673. doi.org/10.1038/s41598-021-00212-x
- Nakano N, Sakura T, Ueda K, et al. Evaluation of 3D markerless motion capture accuracy using OpenPose with multiple video cameras. Front Sports Act Living. 2020;2:50. doi.org/10.3389/fspor.2020.00050
- Menychtas D, Petrou N, Kansizoglou I, et al. Gait analysis comparison between manual marking, 2D pose estimation algorithms, and 3D marker-based system. Front Rehabil Sci. 2023;4:1238134. doi.org/10.3389/fresc.2023.1238134
- Schurr SA, Marshall AN, Resch JE, Saliba SA. Two-dimensional video analysis is comparable to 3D motion capture in lower extremity movement assessment. Int J Sports Phys Ther. 2017;12(2):163–172. pubmed.ncbi.nlm.nih.gov/28515970/
- van den Hoorn W, Lavaill M, Cutbush K, Gupta A, Kerr G. Comparison of shoulder range of motion quantified with mobile phone video-based skeletal tracking and 3D motion capture—preliminary study. Sensors (Basel). 2024;24(2):534. doi.org/10.3390/s24020534
- Yue X, Gu Y, Yu B. Validation of single-camera MediaPipe BlazePose for knee joint angle measurement across multiple functional tasks: concurrent validity, interrater reliability, and exploratory test-retest reliability study. JMIR Rehabil Assist Technol. 2026;13:e102399. doi.org/10.2196/102399
- Reimer LM, Kapsecker M, Fukushima T, Jonas SM. Evaluating 3D human motion capture on mobile devices. Appl Sci. 2022;12(10):4806. doi.org/10.3390/app12104806
- Balsalobre-Fernández C, Glaister M, Lockey RA. The validity and reliability of an iPhone app for measuring vertical jump performance. J Sports Sci. 2015;33(15):1574–1579. doi.org/10.1080/02640414.2014.996184
- Romero-Franco N, Jiménez-Reyes P, Castaño-Zambudio A, et al. Sprint performance and mechanical outputs computed with an iPhone app: comparison with existing reference methods. Eur J Sport Sci. 2017;17(4):386–392. doi.org/10.1080/17461391.2016.1249031
- Peart DJ, Balsalobre-Fernández C, Shaw MP. Use of mobile applications to collect data in sport, health, and exercise science: a narrative review. J Strength Cond Res. 2019;33(4):1167–1177. doi.org/10.1519/JSC.0000000000002344
- Dingenen B, Barton C, Janssen T, Benoit A, Malliaras P. Test-retest reliability of two-dimensional video analysis during running. Phys Ther Sport. 2018;33:40–47. doi.org/10.1016/j.ptsp.2018.06.009
- Viswakumar A, Rajagopalan V, Ray T, Gottipati P, Parimi C. Development of a robust, simple, and affordable human gait analysis system using bottom-up pose estimation with a smartphone camera. Front Physiol. 2021;12:784865. doi.org/10.3389/fphys.2021.784865
- Willson JD, Davis IS. Utility of the frontal plane projection angle in females with patellofemoral pain. J Orthop Sports Phys Ther. 2008;38(10):606–615. doi.org/10.2519/jospt.2008.2706
- McLean SG, Walker K, Ford KR, Myer GD, Hewett TE, van den Bogert AJ. Evaluation of a two dimensional analysis method as a screening and evaluation tool for anterior cruciate ligament injury. Br J Sports Med. 2005;39(6):355–362. doi.org/10.1136/bjsm.2005.018598
- Janisch L, Maack LM, Fohrmann D, Marques CJ. Assessment of dynamic knee angle deviations in the frontal plane in physiotherapy clinical practice: intra- and inter-rater reliability of an application and agreement with two AI-models. BMC Musculoskelet Disord. 2026;27(1):407. doi.org/10.1186/s12891-026-09958-9
Contenido informativo para profesionales de la salud. No sustituye la valoración clínica ni la lectura de los estudios originales.



