Tradicionalmente, el monitoreo de parámetros biomecánicos requiere una cantidad significativa de sensores para rastrear ejercicios como la marcha. Tanto la investigación como los estudios clínicos han dependido de intrincados estudios de captura de movimiento para obtener mediciones precisas del movimiento. Proponemos un método que captura el movimiento independientemente del hardware óptico con el objetivo específico de identificar las fases de la marcha utilizando enfoques de medición de ángulos articulares como sensores IMU (unidades de medición inercial). Estamos proponiendo un enfoque de aprendizaje automático para reducir progresivamente el número de características (ángulos articulares) requeridas para clasificar las fases de la marcha sin una caída significativa en la precisión. Encontramos que reducir el número de características de seis (todas las articulaciones utilizadas) a tres reduce la precisión media de clasificación en solo un 4.04%, mientras que reducir el número de características de tres a dos disminuye la precisión media de clasificación en un 7.46%. Ampliamos la clasificación de fases de la marcha utilizando el paquete de simulación biomecánica, OpenSim, para generalizar un conjunto de momentos articulares máximos requeridos para la transición entre fases. Creemos que este método podría ser utilizado para aplicaciones distintas al monitoreo de las fases de la marcha con aplicación directa en los campos de la tecnología médica y asistencial.