La Utilización de la inteligencia Artificial en las

Ciencias Aplicadas al Deporte de Alto Rendimiento.

Colombia/Barranquilla.

Phd.(C). Everardo Sánchez

Asesor Científico Morfología
/Biomecánica/ Fisiología.
 La Utilización de la inteligencia
Artificial en las Ciencias Aplicadas al
Deporte de Alto Rendimiento

Phd. Everardo Sánchez, M.RIBA2

(Colombia)
 Temática:
1. Breve explicación de la antropometría y su importancia en
la evaluación de la morfología y composición corporal.
2. Métodos de predicción de morfología y composición
corporal
3. Modelo Phantom
4. Explicación de los cálculos y los resultados obtenidos para
cada índice
5. Longitudes relativas de segmentos Corporales
6. Clasificación de la composición corporal según modelo 5
componente.
7. Somatotipo ideal.
8. Algoritmo de predicción de morfología y composición
corporal
9. Entrenamiento de la red neuronal.
 Diferencias Conceptuales entre Antropometría,
Cineantropometría y Composición Corporal

*Mazza,JC,2013.(Argentina)
**William D. Ross y Michael Marfell-Jones, 1990 (Australia)
***Carter,L.1988. (U.S.A.)
 Aplicaciones de la Antropometría, Cineantropometría y
Composición Corporal.

01 02 03 04 05 06
ANTROPOMETRÍA ANTROPOMETRÍA CINEANTROPOMETRÍA CINEANTROPOMETRÍA CINEANTROPOMETRÍA
ANTROPOMETRÍA

Detección y Obesidad y estados Cineantropometría y Detección de Kineantropometria y

seguimiento de la de sobrepeso. Composición Talentos en ergonomía.
CRECIMIENTO Y desnutrición. Corporal en el Deportes: con
DESARROLLO Fútbol. referencias a ideales
deportivos.
 Modelos de Fraccionamiento Antropométrico
para el análisis de la Composición Corporal

Modelos de fraccionamiento de masas corporales:

• Modelo de Fraccionamiento en 4 masas

corporales (Jindrich Matiegka, 1921).

• Modelo de Fraccionamiento en 4 masas

corporales (D.T. Drinkwater y W. Ross, 1980).

• Modelo de Fraccionamiento en 5 masas corporales

(D.A. Kerr, 1988).
 Hidro-Densitometría y las ecuaciones
derivadas:
Relación Densidad Corporal (DC) vs.
Mediciones Antropométricas

% graso
Ecuaciones de regresión simple o múltiple para el
cálculo de la Densidad Corporal (DC) 25,0
19,4
20,0

15,0 12,97
• Más de 150 ecuaciones publicadas en la 11,12
8,62
10,0
literatura. 7,74 7,71 7,47 7,53

5,0
• Son ecuaciones “específicas de la muestra”.
0,0
• Las ecuaciones, desarrolladas a partir de pliegues

Durnin & Womers ley (1974)

Wilmore & Behnk e (1969)

F ors ith & Sinning (1973)

T horland & c ols (1984)

Katc h & Mc Ardle (1973)

Kerr & R os s (1988) frac c 5

Sloan (1967)

Withers y c ols (1987a)

cutáneos, muestran un r2 moderadamente bueno

c omponentes
(cercanos a 0.80)
 Comparativo % Grasa ( Kerr vs Yuhazs)

N Nombre y Apellidos % EVALUACIÓN AUTOR

24 NORMAL KERR,1988
MASA
Rango Bajo. 15 –
102 SANTIAGO CALDERON VALENCIANO ADIPOSA
30. Rango Bajo)
5,9 YUHAZS, 1974
No Útil para
Deportistas
 Extrapolación de DC a ecuaciones derivadas

Ecuación Yuhazs:
• Varones: % Grasa = (Sumat. 6 Pliegues x 0.1051) + 2.585
• Mujeres: % Grasa = (Sumat. 6 Pliegues x 0.1548) + 3.580
 Porqué las ecuaciones que extrapolan la DC no debe ser
consideradas “Gold Standard” o Método de Criterio ?

• Porqué la constancia de la densidad de la masa libre de

grasa no ha sido probada ni en cadáveres (Martin y
cols., 1986), ni en seres humanos vivos (Heymsfield S. y
cols. Chemical determination of human body density “in
vivo”: relevance to hydrodensitometry. Am. J. of Clinical
Nutrition, 50: 1282-1289, 1989).
• Ambos estudios, disímiles en su metodología (Martin:
antropométrico; Heymsfield: bioquímico isotópico),
coinciden en diagnosticar la inconstancia de la masa
libre de grasa, con un DS de 0,02 gr./ml (en parte,
generado por la alta variabilidad de la masa ósea).
 Porqué las ecuaciones que extrapolan la DC no debe ser
consideradas “Gold Standard” o Método de Criterio ?

• Este DS genera desviaciones inconstantes en las ecuaciones de

Siri y de Brozek, con errores de cálculo del tejido graso en un
rango del 8,5 % al 22,3 %.
• Estudios cadavéricos, o reportes por métodos no
antropométricos (DEXA, RMN) coinciden en que las
ecuaciones de Siri y de Brozek, subestiman severamente
el % de tejido graso, especialmente en deportistas y en niños.
• Se han publicado informes individuales y/o tablas normativas,
de % de grasa, en deportistas varones y mujeres, que van del
5-7 % al 15-18 % (respectivamente), con valores remanentes
de 93-95 % a 85-88 % de masa libre de grasa (magra), lo
cual no tiene ningún sustento científico ni razonabilidad
morfológico-anatómica.
 PHANTOM

Muy útil para realizar comparaciones inter Score-Z Pliegues

e intra sujetos
Sensible a pequeños cambios Tríceps

Sirve tanto para niños como adultos, Subescapular

mujeres y hombres Supraespinal

Abdominal

Muslo (medial)

Pantorrilla

-4 -3 -2 -1 0 1 2 3 4
 ECUACION PARA EL CALCULO DE PROPORCIONALIDAD
DE CADA VARIABLE ANTROPOMETRICA
(MODELO PHANTOM - REFERENCIA UNISEXUADA HUMANA)
(W.D. Ross y N. Wilson, 1974)

Z= 1 V. 170.18 D - P donde:
S H

Z= “Score” de proporcionalidad (Valor Z).

S= Desvío standard de escala PHANTOM para la variable medida.
P= Media PHANTOM para la variable medida.
H= Altura del sujeto.
V= Valor absoluto de la variable medida.
170.18 = Es la media PHANTOM para la altura.
D= Exponente dimensional (1 para longitudes, diámetros,
perímetros y pliegues. 2 para áreas. 3 para masas y volúmenes).
EJEMPLOS DEL USO DE LA ECUACION DE
PROPORCIONALIDAD “PHANTOM”

PLIEGUE DEL MUSLO

MEDICION: 18.2 mm.
P: 27
S: 8.33
ESTATURA: 175.2 cm.

Z = 1 18.2 170.18 - 27
8.33 175.2

Z = - 1.12

PERIMETRO DE TÓRAX (CORREGIDO)

MEDICION: 86.5 mm.
P: 82.46
S: 4.86
ESTATURA: 169.7 cm.

Z = 1 86.5 170.18 - 82.46

4.86 169.7

Z = + 0.88
 EJEMPLO DEL USO DE ECUACION PARA CALCULO
FRACCIONADO DE MASAS CORPORALES
EJEMPLO: MASA MUSCULAR

Valores de referencia Z = 0.87

P = 24.5
S = 5.4
Estatura = 168.2
Masa Muscular (en Kg)
M = (0.87 5.4) + 24.5
= 28.25 Kg
170.18 3
168.2
En individuo de 65 Kg, representa 28.25 100 = 43.18 %
65
 CONCLUSIONES DE LA “TACTICA PHANTOM”

• La “Táctica Phantom” es un método que permite

determinar sensiblemente las diferencias intra-
individuales e inter-individuales de las
dimensiones y proporciones del cuerpo humano.
• La “Táctica Phantom” es aplicable al estudio de la
proporcionalidad humana, influida por la edad, el
sexo, la raza, la actividad ocupacional y la
actividad deportiva.
 MODELO DE 4 COMPONENTES
(Drinkwater & Ross 1980)

Mejora el modelo de Matiegka Grasa: Estimada por ecuación

Las masas se estiman de forma de 2 componentes. Masa
INDEPENDIENTE del peso Adiposa subestimada en un
corporal (Peso estructurado) 51.6%
Utiliza al estratagema Phantom Sobreestima masas: Osea
(+33.4%), Muscular (+8.4%)
Residual (41.4%)
• Método de 4 Componentes o Masas (Drinkwater y Ross, 1980):
# Virtudes:
* 1er. Método moderno en fraccionar la estructura corporal en 4
masas (adiposa, muscular, ósea y residual).
* Tiene un valor intrínseco al asociar la Proporcionalidad Phantom
con el cálculo proporcional matemático de las masas.
# Limitaciones:
* Al compararlo con datos de disección cadavérica [“Cadáveres de
Bruselas” (*)] se comprobó que subestimaba la masa adiposa en
un 51,6 %; y que sobrestimaba la masa ósea en un 33,4 %, y la
masa residual en un 41,4 %.
* Ello llevó a los autores a recomendar la discontinuidad del uso del
método.
(*) Brussel’s Cadaver Study: A.Martin, D.Drinkwater, J. Clarys,
M.Marfell-Jones, 1986.
 FRACCIONAMIENTO EN 5
COMPONENTES
(Kerr y Ross 1988)

MASA ADIPOSA
MASA MUSCULAR
MASA OSEA
MASA RESIDUAL
MASA DE LA PIEL

UNICO METODO VALIDADO CON DISECCION

CADAVERICA!!!
 Ventajas de los Métodos de 5 Fraccionamiento
de Masas Corporales

• Es un método muy útil para el seguimiento longitudinal del

crecimiento y desarrollo de los niños y adolescentes, al ser un fiel
monitor de la dinámica de cambio osteo-muscular y de posibles
disbalances de tejido adiposo.
• También permite monitorear cambios morfológicos en deportistas
al influjo del entrenamiento de fuerza, la adaptación fisiológica y
la influencia biomecánica.
• Es modelo de comparación de deportistas con atletas de elite de su
especialidad.
• El peso predictivo (al compararse con el peso de la balanza) es
usado como criterio de validación intrínseca parcial del método.
• Para el diagnóstico de morfología de grupos, ha demostrado ser un
método universal, independiente del sexo y de la edad de los
sujetos.
MODELO DE FRACCIONAMIENTO ANTROPOMETRICO
EN 5 MASAS CORPORALES

PESO PREDICTIVO DEL

CUERPO
64.58 Kg. (8.60)

PIEL
MASA ADIPOSA MASA MAGRA
25.60 Kg. (5.85) 38.98 Kg. (8.16)

MASA OSEA MASA MUSCULAR MASA RESIDUAL

7.90 Kg. (1.52) 24.50 Kg. (5.40) 6.10 Kg. (1.24)

MASA OSEA MASA OSEA

DE CABEZA DEL CUERPO
1.20 Kg. (0.18) 6.70 Kg. (1.74)
(DEBORAH A. KERR, 1988)
Estimación de las masas cadavéricas por Modelo
de 5 Componentes, en Kg. (D.A. Kerr, 1988).
Predictivo Obtenido

• Piel 3.5 3.5

• Adiposo 21.6 22.3
• Muscular 21.1 21.3
• Oseo 8.3 8.5
• Residual 8.5 8.6
_________________________________________________________________________________

• Peso (n= 25) 63.0 64.3

Ventajas de los Métodos de Fraccionamiento de Masas Corporales

• Permite fraccionar en 5 masas corporales, superando

a los modelos anteriores de 2 componentes.
• Identifica la masa muscular y adiposa en forma
absoluta y proporcional, tejidos relevantes en el área
deportiva.
• La proporcionalidad Phantom es significativa para
informar sobre cada medición “per se”, al margen de
su uso en el cálculo de las masas fraccionales.
Permite comparar dimensiones proporcionales
dentro de un mismo individuo, y entre individuos.
• La proporcionalidad Phantom permite detectar
hipertrofias o hipotrofias de segmentos o tejidos.
SOMATOTIPO HERRAMIENTA IDEAL

• El somatotipo hace referencia a la forma o apariencia general de

una persona y tiene una alta incidencia genética. Viene
determinado por la cantidad de músculo, de grasa y la linealidad
de las diferentes partes del cuerpo. Es decir, se calcula a través de
las medidas de adiposidad, masa muscular y masa ósea de la
persona, teniendo en cuenta la talla y el peso al momento del
cálculo.
• Los indicadores para deportistas jóvenes (TORRES, Luque y Col.
2006), son: Mesomorfía (5,0 ± 1,0), Endomorfía ((4,0 ± 1,0) y
Ectomorfía (3,0 ± 1,0). En futbolistas jóvenes colombianos en
proceso de alto rendimiento se ha encontrado un predominio
Meso- ectomorfo (ARIAS, H, 2019), o sea, Una apariencia delgada
con buen desarrollo muscular: Mesomorfía (5,0 ± 1,0), Endomorfía
((3,5 ± 1,0) y Ectomorfía (3,5 ± 1,0).
• Un ejemplo: Basado en los indicadores, el DEPORTISTA X presenta
somatotipo Meso-Ectomorfo, favorable para su desempeño
deportivo, con una Endomorfía baja, que revela que no existe
sobrepeso, pero muestra Mesomorfia adecuada. Se corrobora que
requiere intervención nutricional y plan de entrenamiento ajustado
a sus necesidades.
SOMATOTIPO HERRAMIENTA IDEAL
SOMATOTIPO HERRAMIENTA IDEAL
• El somatotipo hace referencia a la forma o apariencia general de
una persona y tiene una alta incidencia genética. Viene
determinado por la cantidad de músculo, de grasa y la linealidad
de las diferentes partes del cuerpo. Es decir, se calcula a través de
las medidas de adiposidad, masa muscular y masa ósea de la
persona, teniendo en cuenta la talla y el peso al momento del
cálculo.
• Los indicadores para deportistas jóvenes (TORRES, Luque y Col.
2006), son: Mesomorfía (5,0 ± 1,0), Endomorfía ((4,0 ± 1,0) y
Ectomorfía (3,0 ± 1,0). En futbolistas jóvenes colombianos en
proceso de alto rendimiento se ha encontrado un predominio
Meso- ectomorfo (ARIAS, H, 2019), o sea, Una apariencia delgada
con buen desarrollo muscular: Mesomorfía (5,0 ± 1,0), Endomorfía
((3,5 ± 1,0) y Ectomorfía (3,5 ± 1,0).
• Un ejemplo: Basado en los indicadores, el DEPORTISTA X presenta
somatotipo Meso-Ectomorfo, favorable para su desempeño
deportivo, con una Endomorfía baja, que revela que no existe
sobrepeso, pero muestra Mesomorfia adecuada. Se corrobora que
requiere intervención nutricional y plan de entrenamiento ajustado
a sus necesidades.
 Las redes neuronales artificiales (RNAs)

• Son un tipo de modelo utilizado en el campo del

machine learning. Están inspiradas en la estructura
y funcionamiento del cerebro humano y se utilizan
para resolver una variedad de problemas de
aprendizaje automático, como clasificación,
regresión, reconocimiento de patrones y
procesamiento de imágenes y texto.
• Una red neuronal está compuesta por un conjunto
de unidades interconectadas llamadas neuronas o
nodos. Estas neuronas se organizan en capas, que
pueden incluir una capa de entrada, una o varias
capas ocultas y una capa de salida.
• Esto se logra mediante algoritmos de optimización,
como el descenso del gradiente, que buscan
minimizar una función de pérdida o error.
• Una vez que una red neuronal ha sido entrenada, se
puede utilizar para realizar predicciones sobre
nuevos datos. Esto se conoce como la fase de
inferencia, donde los datos de entrada se propagan
a través de la red y se obtiene una salida.
 Deportista UNICO
01 Nos permite individualizar el
programa del entrenamiento.

Porque es
importante
<LESIONES
Evaluar 02 Nos permite detectar eslabones
débiles los cuales necesitamos

Morfología IA? reforzar.

FUERZA- POTENCIA Y
VELOCIDAD
03 Nos permite establecer puntos de
partida en base a niveles actuales de
rendimiento.

CONTROL

04
Nos permite llevar un control
regular de nuestra CC los que nos
facilita una adaptación diaria del
entrenamiento
 ¿Por Qué Es Importante Evaluar la Morfología IA?

• Los datos y la información antropométricos permiten diagnosticar el estado

morfológico y controlar los cambios producidos por un programa de actividad
física, entrenamiento o una intervención nutricional.
• Se utiliza para evaluar chicos en crecimiento, niveles de obesidad, los efectos del
ejercicio sobre los perímetros musculares, la disminución de los pliegues de
adiposidad subcutánea.
• Puede relacionarse a otros datos de una evaluación como el peso corporal y el
V02Max u otras variables funcionales.
• En la práctica, puede ser utilizada en el control de los cambios producidos en el
sujeto, en muchos deportes se hace de rutina.
• Para cuantificar diferentes compartimientos anatómicos del cuerpo humano o
las modificaciones producidas en un período determinado de tiempo como en los
procesos de fuerza resistencia o en deportes en los que la masa muscular es
importante.
Pico de Crecimiento en Altura (PHV)
Mujeres vs. Varones
R. Malina y C. Bouchard, 1995

Curvas de “velocidad”: cm/año

 Pasos para entrenar la red neuronal utilizando un
algoritmo de optimización

Pa s o De s cr ip ció n
1 Preprocesamiento de datos: Normaliza y prepara los datos de entrada.
Separación de conjuntos de datos: Divide los datos en conjuntos de
2
entrenamiento, validación y prueba.
Diseño de la arquitectura de la red neuronal: Define la estructura de la red,
3
incluyendo capas y funciones de activación.
Inicialización de parámetros: Asigna valores iniciales aleatorios a los pesos y
4
sesgos de la red.
Definición de la función de pérdida: Elige una función de pérdida adecuada
5
para el problema.
Selección del algoritmo de optimización: Elige un algoritmo de optimización,
6
como el descenso de gradiente estocástico (SGD) o Adam.
Entrenamiento de la red neuronal: Realiza múltiples iteraciones de
7 entrenamiento utilizando los datos de entrenamiento y el algoritmo de
optimización.
Evaluación del modelo: Evalúa el rendimiento del modelo utilizando los datos
8
de validación.
Ajuste del modelo: Realiza ajustes en la arquitectura y los hiperparámetros del
9
modelo según los resultados de la evaluación.
Evaluación final del modelo: Evalúa el rendimiento final del modelo utilizando
10
los datos de prueba.
Predicción del modelo: Utiliza el modelo entrenado para hacer predicciones
11
sobre nuevos datos.
 Talla
NOMBRE Y APELLIDOS Sexo Deporte Posición de Juego Fecha Eval. Fecha Nac. Edad Peso Talla Percentil
Sentado
Envergadura

PROYECCIÓN Índice de Desarrollo

% DE ALTURA CRECIMIENTO
ESTATURA Pico Veloc. Indice de Clasificación Factor de Indice de Edad
ADULTA.
ADULTA RESTANTE Corporal modificado Edad Osea
PROYECTADA (cm ) Crecimiento Maduración Madurez/Edad PHV. Corrección Rohrer morfológica
TALLA DIANA (IDCm)
Indice de
INDICE IP( ICórmico envergadura
∑6P IMC EVALUACIÓN IMC EVALUACIÓN IM IECTO EVALUACIÓN EVALUACIÓN (IRMI) EVALUACIÓN frontal /Estatura
EVALUACIÓN
MUSCULAR m/³√kg) (%)
IEF/E (%)

Índice acromio / Indice

INDICE BIACROMIAL RESULTADO IB RESULTADO IAI RESULTADOS IBB
iliaco Braquial (IBB)

Índice biacromial/ RESULTADO Índice Longitud relativa de

RESULTADO ICR RESULTADO ICR
biliocrestal IBIA/BILIO CRURAL muslo

Long. Relativa de Long. Relativa de

Longitud relativa de Longitud relativa de
RESULTADO( LRM) extremidad RESULTADOS (LRES) RESULTADOS (LRMS) extremidad Inferior RESULTADOS (LRES)
Miembro Superior Miembro Inferior
Superior (LRES) (LREI)

Longitud relativa Longitud relativa de Longitud relativa

RESULTADOS (ILP) RESULTADOS (LRB) RESULTADOS (LRP) RESULTADOS (LRPIE)
de brazo pierna del pie

MASA PIEL MASA OSEA MASA ADIPOSA MASA MUSCULAR MASA RESIDUAL

Masa Masa Total Diferencia %

Valor Z (kg) % EVALUACIÓN Valor Z (kg) % EVALUACIÓN Valor Z Masa (kg) % EVALUACIÓN Valor Z Masa (kg) % EVALUACIÓN Valor Z Masa (kg) % EVALUACIÓN % (kg)
(kg) Error
MASA
TASA BALANCE
DEFICIT PESO IDEAL ADIPOSA ADIPOSIDAD
IMO EVALUACIÓN IAM EVALUACIÓN METABOLICA CONSUMO
CALORICO DEPORTISTA ECUACIÓN RELATIVA
BASAL CALORICO
YUHAZS
INDICE CINETICO SOMATOTIPO

INDICE PESO
MCA% EVALUACIÓN AKS EVALUACIÓN GRASO
Endo Meso Ecto X-coord Y-coord

AREAS TRANSVERSALES mc^2

%
M USC ADIP MUSC ADIP MUSC ADIP TOTAL GRASA
INTERPRETACION AMB INTERPRETACION AGB
BRAZO BRAZO MUSLO MUSLO PIERNA PIERNA ANTEBR DEL
BRAZO
 ever_sport_training
Agenda tu cita: 3128932648