Laktatoaren atalasea aldagai fisiologiko oso baliagarria da hala iraupeneko atleten errendimendua kalkulatzeko nola haien entrenamenduak antolatzeko. Bilboko Ingeniaritza Eskolako GCIS ikertaldeak eta Euskal Herriko Unibertsitateko Fisiologia Sailak, ikerlan baten bidez, laktatoaren atalasea modu errazean eta inbasiorik gabe kalkulatzeko sistema bat proposatu dute.
Atletei laktatoaren atalasea kalkulatzeko sistema sinple eta fidagarri bat proposatu dute
UPV/EHUko Ingeniaritza eta Filosofia sailetako taldeek egindako ikerketa baten harira sortu da metodoa
- Ikerketa
Lehenengo argitaratze data: 2018/04/27
Orain arte, hainbat metodo proposatu dira laktatoaren atalasea kalkulatzeko. Metodo horietako batzuetan, ekipamendu espezializatua edo langile kualifikatuak erabiltzen dira atalasea kalkulatzeko; beste batzuetan, berriz, eremu testa erabiltzen da. Lehenengo metodoak garestiak eta erabiltzen zailak dira, eta bigarrenak, bestalde, ez dira nahikoa fidagarriak. Hain zuzen horrexegatik sortu da UPV/EHUn egindako proiektu hau, atletari edo entrenatzaileari erabakiak errazago hartzen lagunduko dion sistema erabilerraz, ez-inbasibo eta fidagarri bat sortzeko.
Horretarako, ikerketa honek ikaskuntza automatikoko sistema bat proposatu du, erraz neur daitezkeen aldagai fisiologikoen eta laktato atalasearen arteko lotura aurkitu duena. Modu horretan, ikasitako lotura horren bitartez, sistema gai da atleta berrien laktato atalasea kalkulatzeko.
Sistema hori garatzeko, askotariko ezaugarriak dituzten hainbat mailatako 140 atleta baino gehiagoren lagin bat aztertu dute; horrenbestez, proiektuak ahal bezain ondoena islatzen du aisialdiko iraupen atleten helburuko populazioa.
Ikuspegi aplikatu bat
“Proiektuaren helburu nagusia da benetan aplikatu ahal izango den eta atleta eta entrenatzaileentzat baliagarria izango den sistema bat sortzea. Ildo horretatik, erabakiak hartzen laguntzeko tresna bat egin da, entrenatzailearen edo atletaren erreminta kaxan erraz sartuko dena eta hark bere ezagutzaren osagarri gisa erabili ahalko duena”, azaldu du Urtats Etxegaraik.
Giza gorputza bezain konplexua da sistema; pertsonen arteko aldeak nabarmenak dira, baita a priori populazio definitu bat eman dezakeenaren barruan ere (aisialdiko iraupen atleten artean, adibidez). Hori dela eta, proiektu honen erronka nagusia askotariko populazio horrentzako sistema baliagarri bat lortzea da.
Datu baseetako informazioa beti mugatua denez gero, ikasteko gaitasuna ere mugatuta dago. “Guk, proiektu honetan, informazioa erabiliz gure helburu nagusia lortu nahi dugu, hau da, fidagarritasuna. Baldintza berberetan, ziurrenik modelo sinpleenak izango dira egiazkoak, eta, horregatik, emaitza onak ekarriko zituen modelo ahalik eta sinpleena sortzen ahalegindu gara lehen lan honetan”, dio Etxegaraik.
Hala, emaitzek erakusten dute gai direla ezarritako mugen barruan laktatoaren atalasea % 89ko igartze mailarekin kalkulatzeko, modelo nahiko sinple bat erabiliz.
Orain, ikertaldea lehen modelo hau baliozkotzeko eta inplementatzeko lanean ari da, Grupo Campus SL enpresarekin batera, lehen produktu funtzionala sortzeko helburuz. Gero, sistemaren fidagarritasuna hobetzen saiatuko dira, modelo pertsonalizatuak sortuz.
Informazio osagarria
Urtats Etxegarai UPV/EHUko Sistemen Ingeniaritza eta Automatika Saileko GCIS talde finkatuko doktorego aurreko ikertzailea da. Kirolaren arloan aplikatuko diren ikaskuntza automatikoko metodoak ikertzen dihardu, atletei eta entrenatzaileei erabakiak hartzen lagunduko dien sistemak sortzeko ahaleginean.
Ikerlana honako hauen babesari esker egin da: Grupo Campus (LACTATUS 2016 eta LACTATUS proiektuak), Eusko Jaurlaritzaren Ekonomiaren Garapen eta Azpiegitura Saila (Gaitek 2015), Eusko Jaurlaritzaren Doktoratu Aurreko Programa (PRE 2015 1 0129) eta Erasmus Mundus PANTHER nazioarteko mugikortasun programa (Pacific Atlantic Network for Technical Higher Education and Research).
Erreferentzia bibliografikoa
- Estimation of lactate threshold with machine learning techniques in recreational runners
- Applied Soft Computing (2018)
- DOI: 10.1016/j.asoc.2017.11.036.