Ottimizzazione adattiva del carico di allenamento per atleti di pista: un approccio di reinforcement learning

Allenamenti più intelligenti per i corridori comuni

Chiunque si sia preparato per una gara conosce il sottile equilibrio tra spingere abbastanza per migliorare ed evitare il sovrallenamento che porta a esaurimento o infortuni. Questo studio mostra come idee provenienti dall’intelligenza artificiale possano aiutare a progettare piani di allenamento quotidiani per atleti di pista che rispondono a come il loro corpo sta effettivamente reagendo, non solo a quanto è scritto in un programma fisso.

Perché i piani semplici non bastano

I programmi di allenamento tradizionali spesso seguono uno schema rigido di aumento del volume o dell’intensità ogni settimana, con solo occasionali periodi di riposo. Gli allenatori cercano di adattare il programma basandosi sull’esperienza, ma non possono monitorare con precisione l’accumulo invisibile di affaticamento interno a ciascun atleta. Le persone differiscono per sonno, stress e recupero, quindi due corridori con lo stesso piano possono reagire in modo molto diverso. Di conseguenza, alcuni atleti stagnano, altri subiscono cedimenti, e gli obiettivi pianificati vengono spesso mancati durante una lunga stagione.

Trasformare l’atleta in un gemello digitale

I ricercatori hanno raccolto dati giornalieri dettagliati da 25 atleti di atletica leggera nell’arco di una stagione di 24 settimane. Ogni giorno hanno registrato la variabilità della frequenza cardiaca, un punteggio di qualità del sonno rilevato dall’orologio e misure del carico di allenamento che catturano sia lo sforzo recente sia quello a lungo termine. Hanno inoltre seguito un indicatore chiave di prestazione: il tempo settimanale sui 400 metri. Utilizzando questi dati, hanno costruito un corrispondente informatico, o gemello digitale, dell’atleta. Questo gemello digitale può prevedere come cambierebbero prestazioni e segnali corporei se, in un dato giorno, l’allenamento venisse reso più intenso, più lungo o più leggero, senza sperimentare direttamente sulla persona reale.

Come impara l’allenatore intelligente

Sopra questo gemello digitale, il team ha addestrato un sistema decisionale basato sul deep reinforcement learning. Ad ogni passo il sistema osserva lo stato corrente dell’atleta come un’istantanea in sei parti di segnali corporei, sonno, carico di lavoro e prestazione. Quindi sceglie una delle tre azioni: aumentare l’intensità dell’allenamento, aumentare il volume dell’allenamento o prescrivere recupero attivo. Dopo ogni scelta, il gemello digitale mostra il nuovo stato e il sistema riceve un punteggio che premia tempi più rapidi sui 400 m ma penalizza segnali di sovraccarico, come un carico a breve termine molto più alto rispetto al carico a lungo termine o cali nella variabilità della frequenza cardiaca e nella qualità del sonno. Nel corso di molte migliaia di settimane simulate, il sistema impara quali pattern di decisioni portano a guadagni a lungo termine senza scivolare in zone rischiose.

Come si comporta rispetto alla pianificazione umana

Gli autori hanno confrontato il loro pianificatore adattivo con diverse alternative realistiche, inclusi un piano fisso che aumenta il carico ogni settimana, un sistema di regole artigianale che mantiene semplicemente il carico in una gamma sicura, una regola di machine learning che insegue sempre la miglior ricompensa a breve termine e un classico apprendimento per rinforzo basato su tabelle. Tutti gli approcci hanno migliorato i tempi sui 400 m durante la stagione, ma il sistema adattivo basato sul deep learning ha ottenuto i guadagni maggiori pur entrando quasi mai nella zona di pericolo per il rischio di infortunio. Al contrario, i metodi statici e avidi spingevano spesso il carico settimanale a livelli non sicuri, mentre il design puramente orientato alla salute manteneva gli atleti al sicuro ma sacrificava gran parte del possibile miglioramento della velocità.

Cosa significa per atleti e allenatori

Per il lettore non esperto, il messaggio chiave è che l’allenamento non deve essere un atto di prova ed errore. Ascoltando attentamente segnali corporei semplici come il ritmo cardiaco, il sonno e quanto sono stati intensi gli allenamenti recenti, e lasciando che un sistema di apprendimento testi molti scenari ipotetici in simulazione, gli allenatori possono generare suggerimenti quotidiani che sono al tempo stesso ambiziosi e cauti. Sebbene questo studio sia una prova di concetto iniziale che impiega un gruppo piccolo di atleti di pista e scelte semplificate, dimostra che un approccio equilibrato e informato dai dati può aiutare gli atleti a diventare più veloci riducendo nettamente il tempo trascorso in stati ad alto rischio.

Citazione: Zhang, Q., Wang, Q. & Niu, Y. Adaptive training load optimization for track and field athletes: A reinforcement learning approach. Sci Rep 16, 14862 (2026). https://doi.org/10.1038/s41598-026-41946-w

Parole chiave: carico di allenamento, reinforcement learning, atletica leggera, rischio di infortunio, variabilità della frequenza cardiaca