{"id":10339,"date":"2025-07-09T14:29:14","date_gmt":"2025-07-09T12:29:14","guid":{"rendered":"https:\/\/spleeft.app\/?p=10339"},"modified":"2025-07-09T14:30:32","modified_gmt":"2025-07-09T12:30:32","slug":"proyecto-de-ciencia-de-datos-detras-de-spleeft-vbt-ios","status":"publish","type":"post","link":"https:\/\/spleeft.app\/es\/proyecto-de-ciencia-de-datos-detras-de-spleeft-vbt-ios\/","title":{"rendered":"El proyecto de ciencia de datos detr\u00e1s de Spleeft"},"content":{"rendered":"

En este art\u00edculo, comparto, desde una perspectiva t\u00e9cnica y reflexiva, el proceso de aprendizaje y desarrollo tras la \u00faltima optimizaci\u00f3n del algoritmo Spleeft. Explicar\u00e9 c\u00f3mo funciona el sistema original, desarrollado hace cuatro a\u00f1os, y c\u00f3mo, durante el \u00faltimo mes, he perfeccionado sus par\u00e1metros para mejorar tanto la precisi\u00f3n como la velocidad de procesamiento.<\/p>\n\n\n\n

\n\n\n\n

\u00a1DESCARGA LA APLICACI\u00d3N SPLEEFT AHORA PARA iOS, ANDROID Y APPLE WATCH!<\/a><\/h2>\n\n\n\n

\u00bfC\u00f3mo funciona el algoritmo?<\/h2>\n\n\n\n

El algoritmo Spleeft mide la velocidad vertical integrando datos de aceleraci\u00f3n. La fase conc\u00e9ntrica se detecta mediante umbrales de velocidad m\u00ednima para marcar el inicio y el final de una repetici\u00f3n, y se requiere una velocidad pico m\u00ednima de 0,3 m\/s para validar el movimiento. Esta fase es la m\u00e1s definida y predecible, lo que permite reglas de detecci\u00f3n m\u00e1s precisas.<\/p>\n\n\n\n

Para detectar fases estacionarias, esenciales para corregir la deriva acumulada por la integraci\u00f3n, utilizo datos de sensores inerciales: aceler\u00f3metro, giroscopio y gravedad. Una fase se considera estacionaria cuando los valores de estos sensores se mantienen por debajo de ciertos umbrales durante un per\u00edodo de tiempo espec\u00edfico.<\/p>\n\n\n\n

Este enfoque metodol\u00f3gico coincide con el utilizado posteriormente por Achermann y otros<\/a>. en su Estudio de validaci\u00f3n del Apple Watch para medir la velocidad de la barra<\/a>.<\/p>\n\n\n\n

\n\n\n\n

Antecedentes y contexto tecnol\u00f3gico<\/h2>\n\n\n\n

En literatura cient\u00edfica<\/a>Tradicionalmente, los aceler\u00f3metros se han considerado menos precisos para medir la velocidad que otras tecnolog\u00edas. Estudios comparativos han demostrado que dispositivos como Beast Sensor o Push Band ofrecen menor precisi\u00f3n que otras soluciones.<\/p>\n\n\n\n

Sin embargo, los aceler\u00f3metros son, con diferencia, los sensores m\u00e1s accesibles, ya que est\u00e1n integrados en dispositivos de consumo de uso generalizado, como relojes inteligentes y wearables. Si bien su fiabilidad para m\u00e9tricas como la frecuencia card\u00edaca tambi\u00e9n ha sido cuestionada, su potencial para democratizar el entrenamiento basado en la velocidad (VBT) es innegable.<\/p>\n\n\n\n

Cabe destacar que la mayor\u00eda de los estudios comparativos eval\u00faan sistemas completos (hardware + software), sin distinguir entre estos dos componentes. En mi opini\u00f3n, no es justo atribuir la baja precisi\u00f3n \u00fanicamente al hardware. Un aceler\u00f3metro puede proporcionar resultados precisos si se combina con un software bien optimizado y dise\u00f1ado espec\u00edficamente para el tipo de movimiento analizado. Por lo tanto, antes de descartar una tecnolog\u00eda, debemos explorar a fondo sus posibilidades algor\u00edtmicas.<\/p>\n\n\n\n

Ya existe suficiente evidencia que respalda el uso de unidades de medici\u00f3n inercial (IMU) para estimar la velocidad de sustentaci\u00f3n. Empresas como Enode o Output han desarrollado algoritmos propios que logran una alta precisi\u00f3n. En el caso del Apple Watch, m\u00faltiples estudios han validado su hardware para esta aplicaci\u00f3n, a pesar de utilizar algoritmos diferentes a los m\u00edos. Esto refuerza la idea de que un algoritmo adecuado puede superar las limitaciones que a menudo se atribuyen \u00fanicamente al hardware.<\/p>\n\n\n\n

\n\n\n\n

Limitaciones de las IMU para medir la velocidad<\/h2>\n\n\n\n

Estas limitaciones surgen en una cadena. El primer desaf\u00edo es identificar la mejor manera de procesar los datos de los sensores inerciales (aceler\u00f3metro, giroscopio y magnet\u00f3metro) para estimar con precisi\u00f3n la velocidad vertical de una barra.<\/p>\n\n\n\n

Uno de los principales problemas es la integraci\u00f3n de la aceleraci\u00f3n. Al integrar mediante el m\u00e9todo trapezoidal (ampliamente utilizado debido a su simplicidad), se producen errores sistem\u00e1ticos conocidos como deriva<\/strong> Se acumulan con el tiempo. Para compensar esto, es necesario identificar momentos de velocidad cero conocidos, conocidos como fases estacionarias, que permiten corregir la deriva.<\/p>\n\n\n\n

\n\n\n\n

Procesamiento de se\u00f1ales para estimar la velocidad vertical<\/h2>\n\n\n\n

Los sensores inerciales proporcionan datos en tres ejes espaciales. Sin embargo, no basta con usar directamente el componente vertical del aceler\u00f3metro, ya que este sensor por s\u00ed solo no puede determinar con precisi\u00f3n la direcci\u00f3n de la fuerza medida. Para solucionar esto, utilizo algoritmos de fusi\u00f3n de sensores como Kalman, Mahony y Madgwick, que proporcionan cuaterniones de orientaci\u00f3n para corregir el sistema de referencia del dispositivo.<\/p>\n\n\n\n

Proces\u00e9 datos del Apple Watch y del iPhone con diferentes algoritmos de orientaci\u00f3n y los compar\u00e9 con un sistema de captura de movimiento (STT Systems). Seleccion\u00e9 la combinaci\u00f3n que ofrec\u00eda el mejor equilibrio entre precisi\u00f3n y eficiencia computacional en dispositivos m\u00f3viles.<\/p>\n\n\n\n

Una vez corregida la orientaci\u00f3n, se integra la aceleraci\u00f3n para obtener la velocidad. Para minimizar a\u00fan m\u00e1s la deriva, prob\u00e9 el uso de un filtro paso bajo, como el Filtro Butterworth<\/strong>, que se utiliza ampliamente en biomec\u00e1nica.<\/p>\n\n\n\n

\n\n\n\n

Actualizaci\u00f3n de velocidad cero (ZUPT)<\/h2>\n\n\n\n

Durante las pruebas, descubr\u00ed que el problema principal no era la correcci\u00f3n de la orientaci\u00f3n ni la integraci\u00f3n en s\u00ed, sino la detecci\u00f3n de las fases estacionarias necesarias para aplicar ZUPT. Estas fases deben detectarse de forma r\u00e1pida y fiable, ya que su exactitud afecta directamente a la precisi\u00f3n del sistema.<\/p>\n\n\n\n

No existe un \u00fanico m\u00e9todo para lograrlo. Por lo tanto, desarroll\u00e9 un enfoque emp\u00edrico basado en el an\u00e1lisis sistem\u00e1tico de m\u00faltiples combinaciones de par\u00e1metros: qu\u00e9 sensores utilizar, qu\u00e9 valores umbral aplicar y qu\u00e9 ventanas de tiempo considerar.<\/p>\n\n\n\n

\"\"
Velocidad vs. tiempo Datos brutos de Spleeft con deriva y tambi\u00e9n con la actualizaci\u00f3n de velocidad cero funcionando.<\/figcaption><\/figure>\n\n\n\n
\n\n\n\n

Optimizaci\u00f3n de algoritmos mediante ciencia de datos<\/h2>\n\n\n\n

Con todas las variables definidas, recopil\u00e9 un amplio conjunto de datos de repeticiones en el gimnasio en el laboratorio, almacenando los datos sin procesar de los sensores. Simult\u00e1neamente, utilic\u00e9 un sistema de referencia para la comparaci\u00f3n. Los ejercicios seleccionados fueron: sentadilla con rebote, peso muerto con pausa (conc\u00e9ntrico y exc\u00e9ntrico) y polea dorsal. Todas las series se realizaron con un alto esfuerzo para incluir diversos niveles de fatiga y un descanso m\u00ednimo entre repeticiones.<\/p>\n\n\n\n

Esta configuraci\u00f3n me permiti\u00f3 optimizar el algoritmo tanto en precisi\u00f3n como en velocidad, incluso en condiciones con poca o ninguna fase estacionaria entre repeticiones: el escenario m\u00e1s desafiante para los m\u00e9todos basados en integraci\u00f3n.<\/p>\n\n\n\n

Cre\u00e9 un script de Python para explorar sistem\u00e1ticamente 13.486 combinaciones de par\u00e1metros:<\/p>\n\n\n\n