Cuantificación de los volúmenes de movimiento por encima de la cabeza en el waterpolo femenino mediante unidades de medida inerciales y técnicas de aprendizaje automático: un estudio transversal

Por qué importa rastrear los movimientos en waterpolo

Para las jugadoras de waterpolo de élite, cada brazada, pase y lanzamiento suma cientos de movimientos potentes del brazo en una sola sesión. Estas acciones repetidas por encima de la cabeza ayudan a ganar partidos, pero también someten a los hombros y codos a una gran carga. Los entrenadores saben que lanzar o nadar a alta intensidad en exceso puede aumentar el riesgo de lesiones por sobreuso dolorosas, aunque hoy dependen de la revisión de vídeo que consume tiempo o de la intuición para evaluar la carga de entrenamiento. Este estudio explora si pequeños sensores de movimiento impermeables, combinados con algoritmos informáticos modernos, pueden contar y clasificar automáticamente estos movimientos en tiempo real—ofreciendo una nueva forma de proteger los hombros de las deportistas sin renunciar al rendimiento.

Del borde de la piscina al flujo de datos

Los investigadores trabajaron con diez jugadoras de campo de waterpolo femenino de rango nacional en un programa australiano de alto rendimiento. Durante cuatro sesiones de entrenamiento típicas dirigidas por el entrenador—cada una de aproximadamente una hora y tres cuartos—las deportistas llevaron dos diminutos dispositivos llamados sensores inerciales: uno pegado al antebrazo y otro justo debajo del cuello. Estos sensores registraron cómo el brazo y la parte superior del cuerpo aceleraban y giraban durante la natación libre, los pases, los lanzamientos y los bloqueos. Al mismo tiempo, dos cámaras de vídeo grabaron las sesiones. Un entrenador experimentado revisó posteriormente las grabaciones y etiquetó cuidadosamente cada movimiento por encima de la cabeza, creando una “verdad de referencia” fiable contra la que probar el sistema basado en sensores.

Enseñar a los ordenadores a reconocer habilidades en la piscina

Convertir las señales crudas de los sensores en acciones reconocibles requirió varios pasos. Primero, el equipo filtró los datos para eliminar el ruido de las salpicaduras y del movimiento corporal general, y luego identificó picos pronunciados que señalaban acciones individuales del brazo. Alrededor de cada pico, calcularon un conjunto rico de estadísticas sencillas—como la media, la dispersión y la forma de la aceleración en cada dirección en la muñeca y la parte superior de la espalda. Cada evento se etiquetó como una de cinco clases: natación, lanzamientos de alta intensidad hacia la portería, pases de baja intensidad, bloqueos en los que la pelota impactó la mano, y bloqueos sin contacto con la pelota. Debido a que algunas acciones, como los lanzamientos potentes, ocurrieron con menos frecuencia que la natación constante, los investigadores usaron una técnica de equilibrado de datos para asegurar que los eventos más raros fueran visibles para los algoritmos durante el entrenamiento.

¿Qué modelo interpreta mejor el agua?

El equipo entrenó y comparó cinco modelos comunes de aprendizaje automático—métodos informáticos que aprenden patrones a partir de datos—para ver cuál podía adivinar mejor el tipo de movimiento solo a partir de las características del sensor. A lo largo de más de 18.000 movimientos etiquetados, un método llamado bosque aleatorio (random forest) fue el más eficaz. Clasificó correctamente alrededor de tres cuartas partes de todos los eventos y fue especialmente bueno detectando brazadas de natación y pases suaves. Otros modelos, incluidos árboles de decisión simples, regresión logística y una red neuronal, fueron menos precisos. Al indagar qué características del sensor eran más relevantes, los investigadores hallaron que ciertas direcciones de la aceleración del brazo, especialmente en el antebrazo y la parte superior de la espalda, eran particularmente importantes para distinguir los bloqueos y lanzamientos potentes de los movimientos más relajados.

Qué implica esto para el entrenamiento y el riesgo de lesión

Aunque el sistema de bosque aleatorio no alcanzó la esperanza original de los investigadores de un 95 por ciento de precisión, sigue siendo una prueba de concepto importante. El estudio demuestra que es factible monitorizar la mezcla completa de acciones por encima de la cabeza en sesiones de entrenamiento reales y ruidosas—no solo en ejercicios controlados—utilizando únicamente dos pequeños dispositivos vestibles y un clasificador automático. Con conjuntos de datos mayores recopilados durante periodos más largos y en partidos oficiales, el enfoque podría perfeccionarse para seguir cómo cambia el volumen de lanzamientos y de natación de cada jugadora a lo largo de una temporada, o durante la vuelta tras una lesión de hombro. Este tipo de registro objetivo, sesión a sesión, podría ayudar a los entrenadores a adaptar las cargas de trabajo, ajustar las demandas de la práctica a la realidad del juego y detectar picos súbitos que podrían señalar un mayor riesgo de lesión.

Mensaje principal para deportistas y entrenadores

En términos sencillos, este estudio muestra que sensores inteligentes pueden “vigilar” un entrenamiento de waterpolo femenino y determinar con razonable precisión si una jugadora está nadando, pasando, lanzando o bloqueando, sin depender del análisis de vídeo manual y lento. Aunque el sistema actual no es perfecto, ofrece un punto de partida sólido para construir herramientas prácticas que registren automáticamente cuánto trabajo por encima de la cabeza realiza cada deportista. En el futuro, tales herramientas podrían apoyar decisiones compartidas sobre planes de entrenamiento y retornos seguros a la competición, proporcionando a entrenadores, personal médico y jugadoras una visión más clara de la carga oculta sobre el hombro—y potencialmente ayudando a mantener a más jugadoras sanas y en la piscina.

Cita: King, M.H., Sanchez, R., Watson, K. et al. Quantifying women’s water polo overhead movement volumes using inertial measurement units and machine learning techniques: a cross-sectional study. Sci Rep 16, 5773 (2026). https://doi.org/10.1038/s41598-026-36402-8

Palabras clave: waterpolo, sensores vestibles, lesión de hombro, aprendizaje automático, deportistas femeninas