INTRODUCTION – Scientific Validity
Tras validar y probar con usuarios reales la medición de la velocidad de ejecución con la cámara del móvil (puedes leer la presentación aquí y la validación aquí), nos dimos cuenta de que la fiabilidad no lo era todo a la hora de desarrollar una tecnología para deportistas. La validez y fiabilidad del Computer Vision para medir la velocidad de ejecución es increíble incluso en dispositivos Android de muy bajo coste. Sin embargo, su usabilidad dejaba mucho que desear: la imposibilidad para medir de manera precisa el rango de movimiento (ROM) y el hecho que fuera necesario colocar el móvil con un trípode de manera frontal (algo difícil en un gimnasio por el espacio o por los demás usuarios pasando por alrededor, que incluso a algunos deportistas les puede dar vergüenza) lo hacía poco útil para el día a día del deportista, que es para lo que Spleeft está siendo diseñada. aquí y la validación aquí), we realized la fiabilidad no lo era todo when developing technology for athletes. The scientific validity and reliability of Computer Vision to track barbell velocity is incredible, even on very ldispositivos Android de bajo costeSin embargo, su usabilidad dejaba mucho que desear: la imposibilidad para medir de manera precisa el rango de movimiento (ROM) y el hecho que fuera necesario colocar el móvil con un trípode de manera frontal (algo difícil en un gimnasio por el espacio o por los demás usuarios pasando por alrededor, que incluso a algunos deportistas les puede dar vergüenza) lo hacía poco útil para el día a día del deportista,que es para lo que Spleeft está siendo diseñada.
Por ello, siempre con el objetivo de ofrecer a nuestros usuarios una herramienta capaz de ser utilizada en el día a día para monitorizar el entrenamiento de fuerza, nos decidimos a cambiar a una tecnología muy instaurada en el sector: los acelerómetros o IMUs (Inertial Measurement Unit o Unidad de Medición Incercial). Esta tecnología, a pesar de que la literatura científica presenta disparidad de evidencia en cuanto a su validez y fiabilidad (1,2), debido a las diferencias en los algoritmos utilizados, en la práctica es muy utilizada por los profesionales debido a su facilidad de uso.
El objetivo de este artículo es, de nuevo, mostrarte datos comparativos de Spleeft, tanto en su versión de iOS como de Android, frente a un transductor lineal, demostrando su validez y fiabilidad.. Te presentaremos el protocolo para que, si quieres aumentar tu confianza en la herramienta, puedas replicarlo.
Por si te quieres ahorrar la lectura más técnica de la introducción y los resultados, adelantarte que de nuevo consideramos que Spleeft es una herramienta válida y fiable para ser utilizada en el día a día como deportista, ya que se obtuvo una alta correlación (r2>0.97) and there were ninguna diferencia significativa in the results (p > 0.05) between all the platforms and the linear transducer.
MÉTODO
One subject performed 94 back-squats (taking advantage of the stretching-shortening cycle) with a constant low weight of 25 kg, varying the intentionality to perform lifts with a velocity between 0.39-0.91 m/s.
La app Spleeft se instaló tanto en un móvil Android (v1.4.1) Xiaomi Redmi Note 6 Pro con Android 9, como en un Apple iPhone 7 (v1.3) con iOS 15.0 y un Apple iPhone 12 (v1.3) con iOS 15.0. Cabe destacar que cada dispositivo tiene unos sensores de distinta calidad y, por tanto, las especificaciones técnicas no son exactamente las mismas. Sin embargo, Spleeft procesa una señal de 100 Hz de cada sensor (acelerómetro, giroscopio y magnetómetro). Como gold-standard se utilizó un LT científicamente validado (1).
RESULTADOS
Validez concurrente de la app
Se obtuvo una correlación muy alta en los valores de velocidad media medidos con Spleeft y el LT, tanto en el iPhone 12 (r2=0.98, SEE=0.014 m/s, error promedio = 0.027 m/s), iPhone 7 (r2=0.98, SEE=0.014 m/s, error promedio = 0.019 m/s), como en Android (r2=0.97, SEE=0.014 m/s, error promedio = 0.046 m/s).
Para las mediciones de ROM, los valores de correlación fueron altos tanto en el iPhone 12 (r2=0.93, SEE= 0.3 cm, error promedio = 3.15 cm) como en el iPhone 7 (r2=0.92, SEE=0.3 cm, error promedio = 0.9 cm), mientras que en el dispositivo Android la validez fue menor aceptable (r2=0.83, SEE=0.36 cm, error promedio = 5.5 cm).
Reliability and accuracy of the track barbell velocity with the app vs LT
La prueba t para muestras pareadas mostró que no existen ninguna diferencia significativa between the app on any of the devices and the LT (p>0.05) for both speed and ROM measurements, except on Android for the ROM measurement (p<0.05).
Por su parte, los gráficos de Bland-Altman no revelaron la presencia de ningún error sistemáticoya que la correlación entre la media y la diferencia de las mediciones de velocidad y el LT fueron muy bajas (r2 = 0.0004 en Android, r2 = 0.1 en iPhone 7 y r2 = 0.08 en iPhone 12). Por tanto, los errores de cada dispositivo son constantes a lo largo de todo toda la curva de carga – velocidad.
Los gráficos de Bland-Altman se realizan entre la diferencia de dos resultados a comparar y la media de los mismos. Una alta correlación r2 (>0.9) indica la existencia de un error sistemático.
Fiabilidad entre observadores
El coeficiente de correlación intraclase (ICC) reveló alto acuerdo entre los tres observers: Spleeft for both iPhone 12 and Android and the LT (ICC=0.964, CI [95%]=0.933-0.979) in the average speed measurement. No significant differences were found between Spleeft in its Android version and its iOS version (p>0.05). The Bland- Altman plot confirmed the above results (r2=0.005).
En cuanto a los dispositivos Apple, el ICC mostró de nuevo un alto acuerdo entre los tres observadores: Spleeft en iPhone 12 y iPhone 7 y el LT (ICC=0.991, CI [95%]=0.968-0.996) en la medición de la velocidad media. No se encontraron diferencias significativas were found between measurements made with both devices (p>0.05). The Bland-Altman plot confirmed the above results (r2=0.01).
CONCLUSIONES
La validez y fiabilidad de Spleeft, utilizando el móvil como IMU, en ambas plataformas y dispositivos para la medición de la velocidad de ejecución en sentadilla trasera realizada en un régimen de contracción excéntrico-concéntrico en máquina guiada fue demostrada, igualando los resultados de las comparativos preliminares de las mediciones realizadas con la cámara (artículo aquí). De nuevo se ha demostrado que móviles de baja gama pueden competir contra los topes de gama.
Estos resultados sorprenden, ya que otros estudios de validación (1) de IMUs no los consideran válidos ni fiables al encontrar un bajo ICC (ICC < 0.78) y errores sistemáticos en los gráficos de Bland – Altman (r2 = 0.23 – 0.42) de 0.05 ± 0.21 m/s. Sin embargo, existen otros IMUs que si se han considerado válidos y fiables por la comunidad científica (2). Esta diferencia de resultados no indica una falta de congruencia en la literatura científica sobre si los IMUs son fiables o no para medir la velocidad de ejecución, sino que la validez y fiabilidad en sí misma no depende exclusivamente de la tecnología y su hardware. Estos factores pueden ser relativos, a parte de los propios metodológicos a la hora de realizar la recogida de datos, al software y los algoritmos que cada IMU utiliza para filtrar la señal,eliminar posibles ruidos, determinar el momento de inicio y fin de una repetición…
Por tanto, con los datos anteriormente presentados se demuestra que el algoritmo de Spleeft es válido para filtrar la señal de los sensores de cada móvil y ofrecer una medición de velocidad de ejecución fiable y de bajo coste.
Como futuras líneas de innovación e investigación, en base a los datos presentados, se hace necesaria una mejora en la medición del ROM, ya que presenta deficiencias al ser doblemente indirecta, además de probarse con protocolos más estandarizados (como la realización de prueba de 1RM) en distintos ejercicios y con otros regímenes de contracción.
Para finalizar, volviendo a lo afirmado en la introducción de este artículo, medir la velocidad de ejecución no lo es todo, si no utilizas los datos para mejorar tu entrenamiento. Por ello, Spleeft también incluye funcionalidades de autorregulación del entrenamiento mediante Z-Score y monitorización de la repetición más rápida a largo plazo, para que, ahora que tienes una herramienta con la precisión suficiente y fácil de usar por tus deportistas, empieces a integrar esos datos en la toma de decisiones de forma sencilla.
