Inertia-1 es un modelo fundacional de movimiento que unifica, en un único espacio controlado, el ciclo completo de trabajo que hasta ahora estaba fragmentado: datos, captura sensorial, objetivos de aprendizaje y escala. Frente al panorama actual, donde cada conjunto de datos usa su propia frecuencia de muestreo, longitud de ventana, modalidad de sensor y ubicación corporal —y cada tarea exige un modelo a medida—, Inertia-1 propone un único backbone que se adapta a distintas colocaciones, dispositivos y tareas sin reentrenar.
El proyecto se entrena de forma auto-supervisada con más de 18 millones de horas de datos de acelerometría de cohortes globales, sin necesidad de etiquetas. A partir de un preentrenamiento en la muñeca, el modelo mantiene su rendimiento en otras partes del cuerpo e incluso en sensores no vistos durante el entrenamiento, como giroscopios y magnetómetros. La combinación de flujos complementarios —ubicaciones adicionales, giroscopio, magnetómetro— mejora la precisión y la separación de actividades en clústeres más definidos.
El estudio también destila reglas prácticas para capturar movimiento: tasas bajas (1 Hz) bastan para reconocimiento de actividad, mientras que señales de salud más finas exigen muestreo mayor; ventanas de 30-60 segundos ofrecen el mejor equilibrio; la entrada triaxial completa supera al vector de magnitud colapsado; y el modelado en dominio temporal preserva mejor las señales de marcha y salud que la reconstrucción en dominio frecuencial.
Inertia-1 se presenta como un primer paso hacia un modelo fundacional unificado de movimiento y abre la puerta a colaboradores con nuevos datos y tareas.