Quantificando os volumes de movimento acima da cabeça no polo aquático feminino usando unidades de medição inercial e técnicas de aprendizado de máquina: um estudo transversal

Por que monitorar os movimentos no polo aquático importa

Para jogadoras de polo aquático de alto nível, cada braçada, passe e arremesso soma centenas de movimentos potentes do braço em um único treino. Essas ações repetidas acima da cabeça ajudam a vencer partidas, mas também sobrecarregam os ombros e cotovelos. Técnicos sabem que excesso de arremessos ou natação em alta intensidade pode aumentar o risco de lesões por uso excessivo, porém atualmente dependem de revisão de vídeo demorada ou de intuição para avaliar a carga de treino. Este estudo investiga se pequenos sensores de movimento à prova d’água, combinados com algoritmos modernos, podem contar e classificar automaticamente esses movimentos em tempo real — oferecendo uma nova forma de proteger os ombros das atletas sem comprometer o desempenho.

Do deck da piscina ao fluxo de dados

Os pesquisadores trabalharam com dez jogadoras de linha do polo aquático feminino classificadas nacionalmente, integradas a um programa australiano de alto desempenho. Durante quatro sessões de treino típicas lideradas pelo técnico — cada uma com cerca de uma hora e três quartos — as atletas usaram dois pequenos dispositivos chamados sensores inerciais: um colado no antebraço e outro logo abaixo do pescoço. Esses sensores captaram como o braço e a parte superior do corpo aceleravam e giravam durante natação livre, passes, arremessos e bloqueios. Ao mesmo tempo, duas câmeras de vídeo gravaram as sessões. Um técnico experiente depois revisou as imagens e rotulou cuidadosamente cada movimento acima da cabeça, criando uma “verdade de solo” confiável contra a qual o sistema baseado em sensores pôde ser testado.

Ensinando computadores a reconhecer habilidades da piscina

Transformar sinais brutos dos sensores em ações reconhecíveis exigiu várias etapas. Primeiro, a equipe filtrou os dados para remover ruído de respingos e movimento corporal geral, depois identificou picos acentuados que marcavam ações individuais do braço. Em torno de cada pico, calcularam um conjunto rico de estatísticas simples — como média, dispersão e formato da aceleração em cada direção no punho e na parte superior das costas. Cada evento foi classificado em uma das cinco categorias: natação, arremessos de alta intensidade ao gol, passes de baixa intensidade, bloqueios com contato da bola na mão e bloqueios sem contato com a bola. Como algumas ações, como arremessos fortes, ocorriam com menos frequência que a natação constante, os pesquisadores usaram uma técnica de balanceamento de dados para garantir que eventos menos comuns continuassem visíveis para os algoritmos durante o treinamento.

Qual modelo interpreta melhor a água?

A equipe então treinou e comparou cinco modelos comuns de aprendizado de máquina — métodos computacionais que aprendem padrões a partir de dados — para ver qual conseguia melhor inferir o tipo de movimento apenas a partir das características dos sensores. Em mais de 18.000 movimentos rotulados, um método chamado floresta aleatória (random forest) teve o melhor desempenho. Ele classificou corretamente cerca de três quartos de todos os eventos e foi especialmente eficaz em detectar braçadas de natação e passes suaves. Outros modelos, incluindo árvores de decisão simples, regressão logística e uma rede neural, foram menos precisos. Ao investigar quais características dos sensores eram mais importantes, os pesquisadores descobriram que certas direções de aceleração do braço, particularmente no antebraço e na parte superior das costas, eram cruciais para distinguir bloqueios e arremessos potentes de movimentos mais relaxados.

O que isto significa para treino e risco de lesão

Embora o sistema de floresta aleatória não tenha atingido a meta inicial dos pesquisadores de 95% de acurácia, ele ainda representa uma prova de conceito importante. O estudo mostra que é viável monitorar a combinação completa de ações acima da cabeça em sessões de treino reais e ruidosas — não apenas em exercícios controlados — usando apenas dois pequenos dispositivos vestíveis e um classificador automático. Com conjuntos de dados maiores coletados por períodos mais longos e durante partidas oficiais, a abordagem poderia ser refinada para acompanhar como o volume de arremessos e natação de cada jogadora muda ao longo de uma temporada, ou durante o retorno de uma lesão no ombro. Esse tipo de registro objetivo, sessão a sessão, poderia ajudar técnicos a ajustar cargas de trabalho, alinhar demandas de treino com a realidade das partidas e detectar picos súbitos que possam indicar aumento do risco de lesão.

Mensagem principal para atletas e técnicos

Em termos simples, este estudo demonstra que sensores inteligentes podem “observar” um treino de polo aquático feminino e identificar de modo razoável se uma jogadora está nadando, passando, arremessando ou bloqueando, sem depender de análise de vídeo manual e demorada. Embora o sistema atual não seja perfeito, ele oferece um ponto de partida sólido para construir ferramentas práticas que registrem automaticamente quanto trabalho acima da cabeça cada atleta realiza. No futuro, tais ferramentas poderiam apoiar decisões compartilhadas sobre planos de treino e retorno seguro à atividade, dando a técnicos, equipe médica e atletas uma visão mais clara da carga oculta sobre o ombro — e potencialmente ajudando a manter mais jogadoras saudáveis e na piscina.

Citação: 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

Palavras-chave: polo aquático, sensores vestíveis, lesão no ombro, aprendizado de máquina, atletas femininas