Predicción de rendimiento óptimo en ciclismo: machine learning versus potenciómetros

Abstract

El ciclismo no es solo uno de los deportes más populares del planeta; la bicicleta se perfila como uno de los medios de transporte masivo del futuro por razones ecológicas, de salud y económicas. La optimización del rendimiento en todo tipo de ciclismo amateur/competitivo se presenta como un requisito no solo para el avance a nivel deportivo, sino también para el diseño de nuevos medios en electromovilidad, el desarrollo de alimentación personalizada y el entendimiento de la biofísica humana. La gran mayoría de métodos para el mejoramiento de la actividad ciclística en la actualidad están basados en el uso de una gran variedad de sensores, como GPS, cadencia, viento, frecuencia cardíaca, velocidad y potenciómetros. Estos últimos están altamente ligados al deporte de alto rendimiento y son ampliamente aceptados como quizás la mejor medida a ser utilizada como base para la optimización. Sin embargo, los potenciómetros son excesivamente costosos al ser dispositivos de alta complejidad electrónica y estar miniaturizados para reducir peso en su acoplamiento a la bicicleta. Además, se desarrollan mayormente para el ciclismo de carrera de alta competencia, lo que los hace realmente un accesorio solo al alcance de unos pocos. En esta tesis buscamos implementar un modelo de Machine Learning (ML) que se entrene con bases de datos de ciclistas amateur para luego predecir la potencia a partir de datos de fácil adquisición. Los modelos físicos analíticos son insuficientes para establecer una predicción confiable y reproducible que tome en cuenta todo el espacio de fase de parámetros medibles y sujetos a cada ciclista, tipo de terreno/vehículo y patrón de agotamiento/esfuerzo. Hasta el momento, hemos tenido éxito para propósitos generales.