{"id":11190,"date":"2026-02-26T08:39:24","date_gmt":"2026-02-26T07:39:24","guid":{"rendered":"https:\/\/spleeft.app\/?p=11190"},"modified":"2026-02-26T08:43:07","modified_gmt":"2026-02-26T07:43:07","slug":"nueva-actualizacion-sobrecargue-sus-perfiles-de-velocidad-de-carga","status":"publish","type":"post","link":"https:\/\/spleeft.app\/es\/nueva-actualizacion-sobrecargue-sus-perfiles-de-velocidad-de-carga\/","title":{"rendered":"Nueva actualizaci\u00f3n Supercargue su carga - Perfiles de velocidad"},"content":{"rendered":"En esta nueva actualizaci\u00f3n de Spleeft, nos hemos centrado en dos aspectos fundamentales: mejoras en la experiencia del usuario respecto a la medici\u00f3n de la velocidad de ejecuci\u00f3n y una ampliaci\u00f3n de la anal\u00edtica tanto para las tendencias de velocidad como para el perfil carga-velocidad.\r\n

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

1. Modo depuraci\u00f3n: Hacia un algoritmo m\u00e1s robusto<\/h2>\r\nLa democratizaci\u00f3n de Entrenamiento basado en la velocidad<\/em> (VBT) utilizando los sensores internos del iPhone y el Apple Watch presenta retos t\u00e9cnicos complejos, especialmente en lo que respecta a la acelerometr\u00eda. Aunque siempre recomendamos seguir nuestra gu\u00eda de buenas pr\u00e1cticas<\/a>, somos conscientes de que existen escenarios espec\u00edficos en los que la detecci\u00f3n de repeticiones puede variar en comparaci\u00f3n con otros dispositivos de referencia.\r\n\r\nPara solucionarlo, hemos introducido Modo depuraci\u00f3n<\/strong>.\r\n\r\nSi detectas que Spleeft no registra correctamente una repetici\u00f3n o una altura de salto en una situaci\u00f3n concreta, puedes activar este modo. Al hacerlo, nos enviar\u00e1s los datos en bruto para que nuestro equipo de desarrollo pueda analizar el caso y ajustar el algoritmo. El objetivo es reducir la curva de aprendizaje y hacer que Spleeft sea infalible en cualquier entorno.\r\n\r\nAct\u00edvalo antes de configurar cada juego en el iPhone. En el Apple Watch, toca el icono de ajustes bajo los modos de rendimiento. Ten en cuenta que activar este modo puede comprometer el rendimiento de tu dispositivo, ya que consume una cantidad significativa de memoria.\r\n

Mejora en los ejercicios de arranque est\u00e1tico<\/h3>\r\nGracias a los datos recogidos durante la fase beta, hemos optimizado la detecci\u00f3n del inicio de la fase conc\u00e9ntrica en ejercicios que comienzan desde una posici\u00f3n est\u00e1tica (sin contramovimiento previo), como el peso muerto<\/strong> o variantes de pulsaci\u00f3n pausada. Ahora, el algoritmo identifica el \u201cimpulso inicial\u201d con mayor precisi\u00f3n, garantizando que la velocidad media refleje fielmente el esfuerzo realizado desde el primer mil\u00edmetro de desplazamiento.\r\n

2. Filtros de amplitud de movimiento (ROM) y agrupaci\u00f3n temporal<\/h2>\r\nLa secci\u00f3n de tendencias es fundamental para evaluar la progresi\u00f3n a largo plazo. Sin embargo, un cambio de t\u00e9cnica puede generar ruido en los datos.\r\n
    \r\n \t
  • Filtro ROM en Tendencias:<\/strong> Al igual que en el perfil carga-velocidad, ahora puede filtrar sus gr\u00e1ficos de evoluci\u00f3n por rango de movimiento. Esto es vital, ya que un aumento del ROM puede aumentar el tiempo bajo tensi\u00f3n y alterar la velocidad media sin indicar necesariamente un cambio en el rendimiento neuromuscular. Aumentar el ROM con cargas pesadas puede hacer que pases por el punto de bloqueo; con cargas ligeras, puede significar que pases m\u00e1s tiempo aplicando fuerza y acelerando.<\/li>\r\n \t
  • Agrupaci\u00f3n temporal:<\/strong> Hemos a\u00f1adido la opci\u00f3n de agrupar los datos por semanas o meses. Esto permite despejar la variabilidad diaria y observar m\u00e1s claramente si la programaci\u00f3n est\u00e1 teniendo el efecto deseado.<\/li>\r\n<\/ul>\r\n