Mejora de rendimiento deportivo mediante la detección de posturas por visión artificial

Abstract

[ES] El uso de la tecnología de visión artificial para analizar y evaluar las posturas y los movimientos de los atletas durante la práctica deportiva está a la orden del día. El objetivo principal es aplicar estas técnicas al ejercicio de las sentadillas, una actividad fundamental en muchos programas de entrenamiento y deportes. Para lograrlo, se empleará un enfoque basado en el aprendizaje automático supervisado. Se recopilará un conjunto de datos que constará de vídeos clasificados como ejecuciones correctas o incorrectas del ejercicio de sentadillas. Estos vídeos servirán como muestra para entrenar modelos de clasificación, como Máquinas de Vectores de Soporte (SVM), árboles de decisión y regresión logística. Una vez que los modelos estén entrenados, se utilizarán para analizar nuevos vídeos de personas realizando sentadillas. El objetivo será determinar si la ejecución del ejercicio es correcta o si se cometen errores. En caso de detectar una ejecución incorrecta, se utilizarán los datos de las ejecuciones correctas como referencia para ofrecer recomendaciones específicas sobre cómo corregir la técnica y mejorar el rendimiento deportivo. Además de la clasificación de las ejecuciones, se explorará la posibilidad de extraer y analizar características específicas de los vídeos, como la postura, la alineación de las articulaciones, la estabilidad y otros aspectos relevantes para el rendimiento deportivo. Esto permitirá obtener información adicional sobre los errores comunes y las áreas que requieren más atención en la técnica de las sentadillas.

[EN] The use of computer vision technology to analyze and evaluate the postures and movements of athletes during sports practice is commonplace. The main objective is to apply these techniques to the squat exercise, which is a fundamental activity in many training programs and sports. To achieve this, a supervised machine learning approach will be employed. A dataset will be collected, consisting of videos classified as either correct or incorrect executions of the squat exercise. These videos will serve as training samples for classification models, such as Support Vector Machines (SVM), decision trees, and logistic regression. Once the models are trained, they will be used to analyze new videos of individuals performing squats. The goal will be to determine whether the exercise execution is correct or if any errors are being made. In case an incorrect execution is detected, the data from correct executions will be used as a reference to provide specific recommendations on how to correct the technique and improve sports performance. In addition to the classification of executions, the possibility of extracting and analyzing specific features from the videos, such as posture, joint alignment, stability, and other relevant aspects to sports performance, will be explored. This will provide additional insights into common errors and areas that require more attention in squat technique.