Estimación del umbral de lactato usando ‘machine learning’

El umbral de lactato es considerado una variable fisiológica de gran utilidad tanto para estimar el rendimiento de atletas de resistencia como para apoyar la prescripción de sus entrenamientos. Una investigación llevada a cabo por los grupos de investigación GCIS de la Escuela de Ingeniería de Bilbao y el Departamento de Fisiología de la UP/EHU propone un sistema para calcularlo de manera no invasiva y accesible.

Hasta ahora se han propuesto múltiples métodos para calcular el umbral de lactato. Algunos de ellos se basan en la utilización de equipamiento especializado y/o personal cualificado para su cálculo; otros utilizan test de campo para estimarlo. Mientras que los primeros son costosos y poco accesibles, los segundos no consiguen alcanzar la fiabilidad necesaria para su aplicación. Es precisamente aquí donde se sitúa este proyecto desarrollado en la UPV/EHU, con el objetivo de crear un sistema accesible, no invasivo y fiable que ayude a la toma de decisiones del atleta y/o entrenador.

Para ello, en esta investigación se ha propuesto un sistema de aprendizaje automático que encuentra la relación entre variables fisiológicas fácilmente medibles y el umbral de lactato. De esta manera, por medio de la relación aprendida, el sistema es capaz de estimar el umbral de lactato de nuevos atletas.

Para desarrollar este sistema, el proyecto ha contado con una muestra de más de 140 corredores de diferentes niveles y características, de manera que representa lo mejor posible la población objetivo de atletas recreacionales de resistencia.

“El principal objetivo del proyecto es crear un sistema que realmente sea aplicable y útil para atletas y entrenadores. Por lo tanto, pretende ser una herramienta de apoyo a la toma de decisiones que sea fácil de integrar en la caja de herramientas del entrenador o del atleta, para que pueda utilizarlo como complemento a su conocimiento”, explica Urtats Etxegarai.

En un sistema tan complejo como el cuerpo humano, las diferencias interindividuales son grandes, incluso dentro de lo que a priori puede parecer una población bien definida como los atletas recreacionales de resistencia. Es por ello que, el principal reto de este proyecto es conseguir un sistema válido para una población tan diversa.

Dado que la información recogida en una base de datos es siempre limitada, la capacidad de aprendizaje está igualmente limitada. “El planteamiento que hacemos en este proyecto es utilizar esta información para conseguir nuestro objetivo principal, la fiabilidad. En igualdad de condiciones, los modelos más simples son más probables de ser ciertos y es por ello que en este primer trabajo hemos centrado nuestros esfuerzos en crear un modelo lo más simple posible que obtuviese resultados satisfactorios”, añade Etxegarai.

Así, los resultados muestran que son capaces de estimar el umbral de lactato dentro de los límites establecidos con un 89% de acierto, todo ello utilizando un modelo relativamente simple.

El grupo trabaja actualmente en validar este primer modelo e implementarlo, en colaboración con la empresa Grupo Campus S.L. para crear un primer producto funcional. A continuación, tratarán de mejorar la fiabilidad del sistema creando modelos personalizados.

Referencia:

Etxegarai, Urtats;, Portillo, Eva; Irazusta, Jon; Arriandiaga, Ander; Cabanes, Itziar(2018) Estimation of lactate threshold with machine learning techniques in recreational runnersApplied Soft Computing (2018) doi: 10.1016/j.asoc.2017.11.036.

Edición realizada por César Tomé López a partir de materiales suministrados por UPV/EHU Komunikazioa

1 Comentario

Deja un comentario

Arturo Pérez TaylorArturo Pérez Taylor

Tendremos los deportistas amateurs “recreacionales” acceso a éste método de medición de nuestro nivel de lactato

Deja un comentario

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>