Un método inteligente para estimar el umbral de lactato de atletas recreacionales de manera accesible y no invasiva

Abstract

El umbral de lactato es considerado una variable fisiológica útil como apoyo a prescripción de entrenamientos y como indicador del rendimiento en deportes de resistencia. Hoy en día no existe un método fiable para evaluarlo sin hacer uso de equipamiento especializado y/o acudir a costosos centros, de manera que su uso está restringido a aquellos atletas que dispongan de estos recursos. Este trabajo propone un método inteligente para estimar el umbral de lactato de manera eficiente, accesible y no invasiva para que una población más amplia pueda tener acceso a ella. Para ello, se propuso un método basado en relativización de factores combinado con redes neuronales recurrentes que en este trabajo ha continuado desarrollándose enfocándolo hacía la mejora de la capacidad de generalización, calibrándolo con una base de datos nueva. Como resultado, se ha alcanzado una capacidad de generalización del 87%. Esto indica que el método aquí presentado es una herramienta válida para estimar el umbral de lactato de manera accesible y no invasiva en corredores recreacionales.

Lactate threshold is considered an essential physiological variable useful for endurance sports as an aid for training prescription and performance evaluation. However, nowadays there is no reliable way to asses it without specialized equipment or without turning to expensive centres, meaning that it is restricted to few people with access to these resources. Thus, this work proposes a cost-efficient, non-invasive and easily accessible intelligent method to estimate the lactate threshold and so making it accessible to a wider population. A new strategy based on feature standardization combined with Recurrent Neural Network was proposed to model the lactate threshold. In this work, this method is further developed to increase its generalization power and calibrated against a new database. The results show that this system successfully estimates the lactate threshold in 87% of the cases, meaning that our model is a valid accessible tool for lactate threshold assessment.