Identificación de la fatiga neuromuscular y mental en tenistas de mesa juveniles de élite mediante aprendizaje automático

Por qué importa el cansancio en deportistas jóvenes

Para los jóvenes tenistas de mesa que persiguen un rendimiento de élite, el cansancio es más que sentir un poco de agotamiento. Tanto el cuerpo como la mente pueden ralentizar silenciosamente las reacciones, alterar la técnica y aumentar el riesgo de errores o incluso de lesión. Sin embargo, los entrenadores rara vez disponen de un método objetivo y en tiempo real para detectar cuándo un jugador está fatigado mental o físicamente. Este estudio explora si una raqueta inteligente equipada con sensores y algoritmos modernos de reconocimiento de patrones puede leer pequeños cambios en los golpes de un jugador para revelar su estado de fatiga oculto.

Una raqueta inteligente que siente cada impacto

El equipo de investigación trabajó con nueve de los mejores jóvenes tenistas de mesa de Francia. Transformaron una raqueta ordinaria en una herramienta de medida añadiendo un pequeño sensor de movimiento tridimensional en el mango y cuatro sensores de presión en los puntos de agarre donde la mano y el pulgar e índice apoyan en la pala. Cada vez que el jugador golpeaba la pelota, la raqueta registraba la rapidez del movimiento y la firmeza con la que la mano presionaba en distintos puntos. Estas señales se muestrearon a alta velocidad, se filtraron para eliminar el ruido, se normalizaron y luego se combinaron en una única traza de datos por cada golpe.

Diseñando condiciones de juego fatigado y descansado

Para vincular estos patrones de golpe con diferentes tipos de fatiga, los científicos crearon cuidadosamente tres condiciones separadas. En una, los jugadores realizaron una exigente tarea informática de atención durante 90 minutos, conocida por agotar la energía mental sin fatigar directamente los músculos. En otra, efectuaron contracciones excéntricas intensas y repetidas del bíceps del brazo de juego hasta perder aproximadamente el 15% de su fuerza máxima de codo, produciendo una fatiga muscular clara. En la condición de control, simplemente vieron una película cognitivamente neutra. Antes y después de cada sesión, los jugadores completaron una prueba estandarizada de tenis de mesa con un robot lanzapelotas, mientras se medían la velocidad de la pelota, la precisión y el número de fallos. También informaron cómo de cansados se sentían y la percepción del esfuerzo, y su fuerza de brazo se comprobó con un dispositivo especial de medición de fuerza.

De cambios ocultos en el golpe a patrones reconocidos

Las pruebas subjetivas y de fuerza confirmaron que los protocolos mental y físico realmente hacían que los jugadores se sintieran y actuaran fatigados: la fatiga mental aumentó el esfuerzo percibido y el cansancio, y la fatiga física redujo la fuerza del brazo según lo previsto. Sorprendentemente, medidas clásicas de rendimiento como la velocidad y la precisión de la pelota apenas cambiaron de forma clara y estadísticamente robusta entre condiciones, especialmente en este pequeño grupo de jóvenes altamente habilidosos. Sin embargo, cuando los investigadores analizaron los ricos datos del sensor de la raqueta surgió una historia distinta. Introdujeron miles de golpes etiquetados —cada uno marcado como procedente de una sesión con fatiga mental, fatiga física o control— en diversos modelos supervisados de aprendizaje automático, incluidos k‑nearest neighbors y bosques aleatorios. Estos algoritmos aprendieron a reconocer sutiles desplazamientos en las curvas de aceleración y la presión de agarre que el ojo no podía ver.

Enseñar a las máquinas a detectar jugadores fatigados

Cuando el objetivo era simplemente identificar si un golpe procedía de un estado fatigado o no fatigado, el mejor modelo, k‑nearest neighbors, clasificó correctamente alrededor del 84% de los casos. Al pedirle que distinguiera entre tres estados específicos —sin fatiga, fatiga mental y fatiga física— el modelo de bosque aleatorio alcanzó aproximadamente un 82% de precisión. Esto significa que, aunque los jugadores aún podían golpear la pelota con una velocidad y precisión aproximadamente similares, la "firma" de la raqueta había cambiado lo suficiente como para que un sistema basado en datos lo detectara. Pruebas más exigentes que intentaron generalizar entre jugadores mostraron menor éxito, principalmente porque la muestra era pequeña y el estilo de cada atleta era único, pero sugieren que reentrenar los modelos dentro de un grupo estable de entrenamiento de élite es factible.

Qué implica esto para el entrenamiento y la salud

En términos prácticos, este estudio muestra que una raqueta inteligente y los algoritmos adecuados pueden "escuchar" cómo se mueve un joven atleta y señalar discretamente cuando su cuerpo o su mente están bajos de energía, incluso antes de que aparezcan errores evidentes. Los entrenadores podrían usar eventualmente estas herramientas para gestionar las cargas de entrenamiento, prevenir el sobreuso y programar descansos tácticos o mentales con mayor precisión durante la práctica y la competición. Aunque harán falta más jugadores, más sensores y sistemas en tiempo real antes de que esto se convierta en una ayuda estándar en la pista, el mensaje central es claro: cambios sutiles en cómo sujetamos y balanceamos una raqueta pueden revelar si estamos frescos, mentalmente agotados o con fatiga muscular, y las máquinas ya son lo suficientemente buenas para diferenciarlos.

Cita: Delumeau, T., Deschamps, T., Plot, C. et al. Identifying neuromuscular and mental fatigue in elite youth table tennis players using machine learning. Sci Rep 16, 11812 (2026). https://doi.org/10.1038/s41598-026-40324-w

Palabras clave: tenis de mesa, fatiga deportiva, sensores portátiles, aprendizaje automático, deportistas jóvenes