FitPredict

Matheo Enrique Herrera Zota George Ibañez Canchila

Facultad de Ingenieria de Telecomunicaciones Facultad de Ingeniería de Telecomunicaciones
Universidad Santo Tomás Universidad Santo Tomás
Bucaramanga, Colombia Bucaramanga, Colombia
[Link]@[Link] [Link]@[Link]

I. ABSTRACT En la actualidad, la inteligencia artificial (IA) ha transformado

Currently, artificial intelligence (AI) has transformed multiple múltiples campos, incluido el rendimiento deportivo,
fields, including athletic performance, enabling new ways to permitiendo nuevas formas de analizar, predecir y optimizar el
analyze, predict, and optimize athlete training. Specifically, entrenamiento de los atletas. En particular, el uso de redes
the use of neural networks—computational models inspired by neuronales que son modelos computacionales inspirados en el
the human brain, consisting of interconnected layers of nodes cerebro humano que consisten en capas de nodos
—has gained popularity due to its ability to model complex interconectadas, estas redes aprenden patrones a partir de
patterns and learn from large datasets. These networks learn datos para realizar tareas como clasificación, reconocimiento y
patterns from data to perform tasks such as classification, en este caso en especial predicción. Ha ganado popularidad
recognition, and, in this case, prediction. debido a su capacidad para modelar patrones complejos y
aprender de grandes cantidades de datos. Este enfoque permite
This approach allows for in-depth analysis of key variables in un análisis profundo de variables clave en el entrenamiento
sports training, such as heart rate, oxygen consumption, and deportivo, como la frecuencia cardíaca, el consumo de
exercise intensity, providing accurate predictions about oxígeno y la intensidad del ejercicio, para ofrecer predicciones
athletes' future performance. The primary objective of this precisas sobre el rendimiento futuro de los deportistas.
work is to develop an artificial intelligence neural model El objetivo principal de este trabajo es desarrollar un modelo
capable of evaluating an athlete's performance and aerobic neuronal de inteligencia artificial que sea capaz de evaluar el
capacity based on their training. rendimiento y la capacidad aeróbica de un deportista en
función de su entrenamiento. A partir de los datos recogidos
Using data collected on the athlete's current performance, AI sobre el rendimiento actual del atleta, la IA podrá identificar
can identify patterns of improvement or stagnation, providing patrones de mejora o estancamiento, proporcionando una
a clearer understanding of their aerobic capacity and enabling visión más clara de su capacidad aeróbica y permitiendo
predictions about their future performance. This approach is predicciones sobre su rendimiento futuro.
particularly valuable in high-performance sports, where data-
driven strategic decisions can make the difference between Este enfoque es particularmente valioso en el campo del
success and failure. deporte de alto rendimiento, donde las decisiones estratégicas
basadas en datos pueden marcar la diferencia entre el éxito y
Predictive models not only enable optimization of el fracaso. Los modelos de predicción no solo permiten
individualized training plans but also offer the possibility of optimizar los planes de entrenamiento individualizados, sino
preventing injuries and improving long-term que también ofrecen la posibilidad de prevenir lesiones y
[Link] — Athletes, Endurance, Performance,
mejorar la planificación a largo plazo.
Tool, Prediction, Artificial Intelligence (AI), Training data,
Personalization, Optimization, Potential. Palabras clave: Inteligencia artificial (IA), Rendimiento
deportivo, Redes neuronales, Modelos computacionales,
Keywords: Artificial Intelligence (AI), Sports Performance, Predicción, Análisis de datos, Entrenamiento deportivo,
Neural Networks, Computational Models, Prediction, Data Capacidad aeróbica, Frecuencia cardíaca, Consumo de
Analysis, Sports Training, Aerobic Capacity, Heart Rate, Oxygen oxígeno, Intensidad del ejercicio, Evaluación de rendimiento,
Consumption, Exercise Intensity, Performance Assessment, Patrón de mejora, Deporte de alto rendimiento, Prevención
Improvement Pattern, High-Performance Sport, Injury de lesiones, Optimización de entrenamiento, Planificación a
Prevention, Training Optimization, Long-Term Planning.
largo plazo
III. OBJETIVOS
II. INTRODUCTION Objetivo general.

Implementar un sistema que registre detalladamente los

entrenamientos de un deportista, Utilizando algoritmos de

XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE

 inteligencia artificial para analizar estos datos y predecir la
resistencia futura del atleta
3. Fase de la Aplicación de Modelos de IA y Machine
Learning:
Objetivos específicos.
Preparación de los datos: Dividir en conjuntos de
1. Implementar un sistema de recopilación de datos que entrenamiento y prueba los datos previamente
registre de manera precisa los parámetros clave de los filtrados, listos para ser procesados por modelos de
entrenamientos (Frecuencia cardiaca, Bandas de IA y Machine Learning.
resistencia, velocidad, distancia, y tiempo) utilizando Uso de los modelos: Implementar modelos
un smartwatch, para ser almacenados en una base de preexistentes de IA y Machine Learning que analicen
datos organizada para su posterior análisis. los datos históricos del atleta. Estos modelos serán
2. Realizar la limpieza y análisis de los datos utilizados para generar predicciones sobre el tiempo
recolectados para garantizar su precisión y estimado que el atleta podría tardar en completar
consistencia, preparando la información para su carreras de diferentes distancias.
posterior procesamiento mediante modelos de
Machine Learning. 4. Fase de interpretación de los resultados:

3. Utilizar modelos de IA y Machine Learning para Interpretación de los resultados: Generarán reportes
analizar los datos históricos del atleta y predecir el a partir de las predicciones obtenidas que
tiempo estimado que el deportista podría tardar en proporcionen recomendaciones sobre el
completar una carrera, basándose en los parámetros entrenamiento del deportista, con base en el análisis
registrados en los entrenamientos previos. del rendimiento proyectado.

V. ESTADO DEL ARTE

IV. METODOLOGÍA
En este estado del arte, se revisarán tres proyectos
relacionados con el uso de la inteligencia artificial en el
deporte, analizando cómo cada uno contribuye a la evaluación
1. Fase de Recolección de Datos: del rendimiento físico y a la predicción de resultados. Se
explorarán los enfoques metodológicos utilizados, las
Instrumentación del Sistema: Utilizar el smartwatch tecnologías aplicadas y las limitaciones actuales, con el
para la obtención de los parámetros clave durante los objetivo de contextualizar el desarrollo del modelo neuronal
entrenamientos (Frecuencia cardiaca, Bandas de propuesto.
resistencia, velocidad, distancia, y tiempo). Se Contexto teórico
establecerá un cronograma de entrenamiento de 5 El análisis del rendimiento deportivo ha sido durante mucho
días a la semana. tiempo un área de interés en las ciencias del deporte y la
Almacenamiento de los datos: Recopilar y almacenar medicina. El rendimiento físico de un atleta, particularmente
en una base de datos centralizada para organizar la en deportes que requieren alta capacidad aeróbica, está
información de cada deportista de manera influenciado por una combinación de factores fisiológicos
estructurada. como el consumo máximo de oxígeno (VO2max), la
frecuencia cardíaca y la tolerancia al lactato. Estos factores
se han estudiado ampliamente utilizando métodos
tradicionales, como las pruebas físicas en laboratorios, pero el
2. Fase de Limpieza y Análisis de Datos: surgimiento de la inteligencia artificial ha cambiado el
paradigma del análisis y predicción del rendimiento.
Limpieza de los datos: Eliminar inconsistencias,
valores atípicos o incompletos, y se aplicarán Análisis bibliométrico de la inteligencia artificial en el
procesos de normalización de los datos, asegurando deporte
que sean adecuados para el análisis.
Navarro, J. R. S., Núñez, W. N., & Pérez, Y. S. (2024).
Análisis descriptivo: Realizar un análisis exploratorio
Análisis bibliométrico de la inteligencia artificial en el
de los datos para obtener una comprensión inicial del
deporte. Retos: nuevas tendencias en educación física, deporte
comportamiento del atleta en función de los
y recreación, (54), 312-319.
parámetros registrados. Esto incluirá la visualización
de tendencias y patrones clave.
El uso de la inteligencia artificial (IA) en el deporte ha valor de los modelos matemáticos en la planificación y
ganado relevancia en la última década, como lo revela un optimización del entrenamiento deportivo. Este enfoque se
análisis bibliométrico de 1002 artículos científicos que alinea con los proyectos revisados, que utilizan redes
muestra un creciente interés en la aplicación de la IA para neuronales para predecir el rendimiento aeróbico de los
mejorar el rendimiento, prevenir lesiones y optimizar el atletas, aprovechando datos fisiológicos como el VO2max y la
entrenamiento. Este estudio destaca la IA como una frecuencia cardíaca.
herramienta clave para la toma de decisiones en el deporte,
corrigiendo errores y mejorando las estrategias de
entrenamiento. En este contexto, los tres proyectos revisados Análisis Individual de Proyectos
se alinean con estas tendencias, utilizando redes neuronales
para modelar variables fisiológicas como el VO2max y la Proyecto 1: Importancia de la IA en el Entrenamiento
frecuencia cardíaca, demostrando el potencial de la IA para Deportivo
predecir el rendimiento aeróbico y optimizar los resultados (Análisis bibliométrico de la inteligencia artificial en el
deportivos. deporte)
ANÁLISIS DE LA APLICACIÓN DEL MÉTODO DE
MINERÍA DE DATOS BASADO EN REDES
NEURONALES DIGITALES PARA MAXIMIZAR EL Este proyecto examina el papel fundamental que juega la
RENDIMIENTO DEL ENTRENAMIENTO inteligencia artificial en la optimización del entrenamiento
DEPORTIVO deportivo. La IA permite el análisis de grandes volúmenes de
datos fisiológicos, como el VO2max, la frecuencia cardíaca
Chen, K., Cao, F., Hao, L., Xiang, M., & Kamruzzaman, M.
y otros indicadores de rendimiento. Al utilizar modelos
M. (2022). ANÁLISIS DE LA APLICACIÓN DEL
predictivos, los entrenadores pueden adaptar los programas de
MÉTODO DE MINERÍA DE DATOS BASADO EN REDES
entrenamiento a las necesidades específicas de cada atleta,
NEURONALES DIGITALES PARA MAXIMIZAR EL
mejorando la efectividad del entrenamiento y minimizando el
RENDIMIENTO DEL ENTRENAMIENTO DEPORTIVO.
riesgo de lesiones. Este enfoque personalizado no solo mejora
Revista Brasileira de Medicina do Esporte, 29, e2022_0152.
el rendimiento en la competencia, sino que también contribuye
Este trabajo utiliza el análisis experimental de la FFT humana, al bienestar general del atleta.
combinado con la red de inteligencia artificial BP y la
Proyecto 2: Aplicación General de Modelos de IA
tecnología de minería de datos profunda, para diseñar un
(Inteligencia artificial en la evaluación ergométrica del
nuevo entorno de entrenamiento deportivo. La prueba
deportista de rendimiento, nuevos conceptos para una
controlada de este modelo se diseñó para comparar las
vieja práctica)
modalidades de entrenamiento atlético avanzado con las
modalidades tradicionales, comparando la potencia explosiva, En este proyecto se exploran las aplicaciones generales de los
la resistencia y la forma física del atleta. modelos de IA en el ámbito deportivo. Se discuten diversas
técnicas, como redes neuronales y algoritmos de
Inteligencia artificial en la evaluación ergométrica del
aprendizaje automático, que pueden aplicarse para analizar
deportista de rendimiento, nuevos conceptos para una
patrones de rendimiento a gran escala. Esto incluye el
vieja práctica
seguimiento del progreso de múltiples atletas y la
Vilchez, A., Luna, M. M., Renaudo, G., Pistoia, I., & identificación de tendencias en el rendimiento colectivo. La IA
Lopíccolo, L. (2023). Inteligencia artificial en la evaluación también puede ser utilizada para la simulación y predicción de
ergométrica del deportista de rendimiento, nuevos conceptos resultados en diversas modalidades deportivas, facilitando la
para una vieja práctica: el ejemplo de un caso. Revista de la toma de decisiones estratégicas y mejorando la planificación a
Federación Argentina de Cardiología, 52(3), 156-162. largo plazo de los programas de entrenamiento.

El uso de la inteligencia artificial (IA) y los modelos Proyecto 3: Aplicaciones Específicas con Datos Precisos
predictivos en el deporte ha permitido un avance significativo (Análisis de la aplicación del método de minería de datos
en la evaluación del rendimiento. En particular, técnicas como basado en redes neuronales digitales para maximizar el
la ergometría, el análisis de VO2max y el test de lactato rendimiento del entrenamiento deportivo)
siguen siendo métodos clave para medir la capacidad
cardiorrespiratoria y metabólica de los atletas. Un estudio
reciente evaluó a un triatleta utilizando ciclo-ergometría y
Este proyecto se centra en el uso de datos más precisos y
comparó los resultados con predicciones generadas por el
específicos para la evaluación del rendimiento deportivo. A
programa de análisis de datos WKO5. Los resultados
través de técnicas avanzadas como la Transformada Rápida
demostraron una alta concordancia entre las mediciones
de Fourier (FFT) y el uso de modelos de IA, se analizan
directas y las predicciones del programa, lo que refuerza el
aspectos concretos del rendimiento atlético, como la potencia
explosiva y la resistencia. Al integrar datos detallados, los
entrenadores pueden obtener información más precisa sobre el
estado físico de cada atleta, permitiendo la personalización de
los programas de entrenamiento. Este enfoque específico no
solo optimiza el rendimiento, sino que también mejora la
efectividad del seguimiento del progreso y la planificación de
sesiones de entrenamiento.

V. REFERENCIAS

[1] K. Chen, F. Cao, L. Hao, M. Xiang, y M. M.

Kamruzzaman, “Análisis de la aplicación del método de
minería de datos basado en redes neuronales digitales para
maximizar el rendimiento del entrenamiento deportivo,”
Revista Brasileira de Medicina do Esporte, vol. 29, p.
e2022_0152, 2022.

[2] A. Vilchez, M. M. Luna, G. Renaudo, I. Pistoia, y L.

Lopíccolo, “Inteligencia artificial en la evaluación ergométrica
del deportista de rendimiento, nuevos conceptos para una vieja
práctica: el ejemplo de un caso,” Revista de la Federación
Argentina de Cardiología, vol. 52, no. 3, pp. 156-162, 2023.

[3] J. R. S. Navarro, W. N. Núñez, y Y. S. Pérez, “Análisis

bibliométrico de la inteligencia artificial en el deporte,” Retos:
nuevas tendencias en educación física, deporte y recreación,
no. 54, pp. 312-319, 2024.