Quantificare i volumi di movimento sopra la testa nel polo acquatico femminile usando unità di misura inerziali e tecniche di machine learning: uno studio trasversale

Perché è importante monitorare i movimenti nel polo acquatico

Per le giocatrici di polo acquatico d’élite, ogni bracciata, passaggio e tiro si sommano a centinaia di movimenti potenti del braccio in una singola seduta di allenamento. Queste azioni ripetute sopra la testa aiutano a vincere le partite, ma sollecitano pesantemente spalle e gomiti. Gli allenatori sanno che troppo lancio o nuoto ad alta intensità può aumentare il rischio di dolorosi infortuni da overuse, eppure oggi si affidano ancora a revisioni video dispendiose in termini di tempo o all’intuito per giudicare il carico di allenamento. Questo studio esplora se piccoli sensori impermeabili di movimento, combinati con algoritmi moderni, possano contare e classificare automaticamente questi movimenti in tempo reale—offrendo un nuovo modo per proteggere le spalle delle atlete senza rinunciare alla prestazione.

Dal bordo vasca al flusso di dati

I ricercatori hanno lavorato con dieci giocatrici di campo di polo acquatico femminile inserite in un programma australiano di alta prestazione. Durante quattro tipiche sessioni di allenamento guidate dall’allenatore—ciascuna della durata di circa un’ora e tre quarti—le atlete hanno indossato due piccoli dispositivi chiamati sensori inerziali: uno fissato al avambraccio e uno appena sotto il collo. Questi sensori hanno catturato come il braccio e la parte superiore del corpo acceleravano e ruotavano durante il nuoto libero, i passaggi, i tiri e le parate. Contemporaneamente, due videocamere hanno registrato le sessioni. Un allenatore esperto ha poi rivisto le riprese e ha etichettato con cura ogni movimento sopra la testa, creando una “verità a terra” affidabile rispetto alla quale testare il sistema basato sui sensori.

Insegnare ai computer a riconoscere le abilità in vasca

Trasformare i segnali grezzi dei sensori in azioni riconoscibili ha richiesto diversi passaggi. Per prima cosa, il team ha filtrato i dati per rimuovere il rumore dovuto agli schizzi e al movimento generale del corpo, quindi ha identificato picchi netti che segnavano singole azioni del braccio. Attorno a ogni picco hanno calcolato un insieme ricco di statistiche semplici—come la media, la dispersione e la forma dell’accelerazione in ogni direzione al polso e alla parte alta della schiena. Ogni evento è stato etichettato come una delle cinque classi: nuoto, tiri ad alta intensità verso la porta, passaggi a bassa intensità, parate in cui la palla ha colpito la mano e parate senza contatto con la palla. Poiché alcune azioni, come i tiri potenti, si verificavano meno frequentemente rispetto al nuoto costante, i ricercatori hanno usato una tecnica di bilanciamento dei dati per assicurare che gli eventi più rari fossero comunque visibili agli algoritmi durante l’addestramento.

Quale modello legge meglio l’acqua?

Il team ha quindi addestrato e confrontato cinque modelli comuni di machine learning—metodi computazionali che apprendono pattern dai dati—per vedere quale fosse in grado di indovinare meglio il tipo di movimento solo dalle caratteristiche dei sensori. Su più di 18.000 movimenti etichettati, un metodo chiamato random forest ha mostrato le prestazioni migliori. Ha classificato correttamente circa tre quarti di tutti gli eventi ed è stato particolarmente abile nel riconoscere le bracciate di nuoto e i passaggi leggeri. Altri modelli, inclusi semplici alberi decisionali, regressione logistica e una rete neurale, sono risultati meno precisi. Analizzando quali caratteristiche dei sensori fossero più importanti, i ricercatori hanno scoperto che certe direzioni dell’accelerazione del braccio, in particolare all’avambraccio e alla parte alta della schiena, erano determinanti per distinguere parate e tiri potenti da movimenti più rilassati.

Cosa significa per allenamento e rischio di infortunio

Benché il sistema random forest non abbia raggiunto l’obiettivo iniziale dei ricercatori di una precisione del 95%, rappresenta comunque una prova di fattibilità importante. Lo studio dimostra che è possibile monitorare l’intero mix di azioni sopra la testa in sessioni di allenamento reali e rumorose—non solo in esercitazioni strettamente controllate—usando solo due piccoli dispositivi indossabili e un classificatore automatico. Con dataset più ampi raccolti per periodi più lunghi e durante partite ufficiali, l’approccio potrebbe essere raffinato per tracciare come il volume di tiri e nuoto di ogni giocatrice cambi nel corso di una stagione, o durante il ritorno da un infortunio alla spalla. Questo tipo di registro oggettivo, seduta per seduta, potrebbe aiutare gli allenatori a calibrare i carichi di lavoro, adeguare le richieste dell’allenamento alla realtà delle partite e individuare picchi improvvisi che potrebbero segnalare un aumentato rischio di infortunio.

Messaggio pratico per atlete e allenatori

In termini semplici, questo studio mostra che sensori intelligenti possono “osservare” una seduta di allenamento di polo acquatico femminile e dire in modo ragionevole se una giocatrice sta nuotando, passando, tirando o parando, senza ricorrere ad analisi video manuali lente. Pur non essendo perfetto, il sistema offre un punto di partenza solido per costruire strumenti pratici che registrino automaticamente quanto lavoro sopra la testa svolge ciascuna atleta. In futuro, tali strumenti potrebbero supportare decisioni condivise su piani di allenamento e ritorni al gioco sicuri, fornendo ad allenatori, staff medico e atlete una visione più chiara del carico nascosto sulla spalla—e contribuendo potenzialmente a mantenere più giocatrici in salute e in vasca.

Citazione: 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

Parole chiave: polo acquatico, sensori indossabili, infortunio alla spalla, machine learning, atlete donne