Presentamos un sistema impulsado por aprendizaje automático para monitorear ángulos de flexión articular durante el movimiento dinámico, utilizando un sensor portátil basado en bucles. Nuestro enfoque utiliza bucles portátiles para recopilar datos de coeficiente de transmisión y una Red Neuronal Artificial (RNA) con parámetros afinados para aumentar la precisión de los ángulos medidos. Entrenamos y validamos la RNA para la flexión del plano sagital de un fantasma de pierna que emula el movimiento lento, caminar, caminar rápido y correr. Fabricamos los bucles en hilos conductores y evaluamos el efecto de la deriva de la tela a través de mediciones en ausencia y presencia de tela. En ausencia de tela, nuestro modelo produjo un error cuadrático medio (RMSE) de 5.90 grados, 6.11 grados, 5.90 grados y 5.44 grados durante el movimiento lento, caminar, caminar rápido y correr. La presencia de tela degradó el RMSE a 8.97 grados, 7.21 grados, 9.41 grados y 7.79 grados, respectivamente. Sin el método de RNA propuesto, los errores superaron los 35.07 grados para todos los escenarios. Los resultados de prueba de concepto en tres sujetos humanos validan aún más este rendimiento. Nuestro enfoque potencia la viabilidad de los sensores de bucle portátiles para la captura de movimiento en entornos dinámicos del mundo real. El aumento de la velocidad del movimiento y la presencia de tela degradan el rendimiento del sensor debido al ruido añadido. Sin embargo, el marco propuesto es generalizable y puede expandirse en el futuro para mejorar la resolución angular reportada.