Análisis de componentes principales para la identificación de variables sensibles en la ejecución del gesto motor y desarrollo de una red neuronal artificial como herramienta auxiliar en la clasificación del rendimiento deportivo en taekwondoínes elite de

Autores/as

  • José Gilberto Franco-Sánchez Medicina del Deporte. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Andrea Pegueros-Pérez Medicina del Deporte. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Héctor Rafael Puig-Hernández Medicina del Deporte. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Diego Mirabent-Amor Medicina del Deporte. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Francisco Figueroa-Cavero Medicina del Deporte. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Gabriel Vega-Martínez Medicina del Deporte. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Virginia Bueyes-Roiz Laboratorio de Análisis de Movimiento e Ingeniería de Rehabilitación. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Leonardo Eliú Anaya-Campos Laboratorio de Análisis de Movimiento e Ingeniería de Rehabilitación. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Paris Joaquín Velasco-Acosta Laboratorio de Análisis de Movimiento e Ingeniería de Rehabilitación. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.
  • Ivett Quiñones-Urióstegui Laboratorio de Análisis de Movimiento e Ingeniería de Rehabilitación. Instituto Nacional de Rehabilitación «Luis Guillermo Ibarra Ibarra». CDMX, México.

DOI:

https://doi.org/10.35366/112694

Palabras clave:

taekwondo, gesto motor, clasificación deportiva, análisis de componentes principales, red neuronal artificial

Resumen

Introducción: la clasificación deportiva es una tarea diaria en la vida del atleta. Es importante relacionar el resultado de las pruebas realizadas a un taekwondoín con la eficiencia de la ejecución de su gesto motor fundamental, la patada, que representa 80% de la actividad en competencia. Objetivo: contar con una herramienta que permita identificar y clasificar, utilizando las variables más sensibles (antropométricas y fisiológicas) y relacionarlas con la eficiencia deportiva de una muestra de taekwondoínes de la CDMX. Material y métodos: estudio transversal descriptivo para el análisis de 202 variables obtenidas de 74 evaluaciones para identificar aquéllas de mayor variabilidad que permitan la estratificación de la población utilizando análisis de componentes principales y su clasificación en cuatro niveles de aptitud, utilizando una red neuronal artificial. Resultados: se obtienen 19 parámetros que representan más de 50% de la información contenida en los datos que representan a la población de estudio y se establecen límites con significancia estadística que permiten caracterizar a los atletas identificando debilidades y fortalezas. Se obtuvo una eficiencia de clasificación de 87.5%. Conclusión: el uso de tecnologías en el análisis de datos y clasificación basados en inteligencia artificial es una propuesta diferente que busca emular el trabajo realizado por los entrenadores en el proceso de clasificación de los deportistas.

##plugins.generic.pfl.publicationFactsTitle##

Metric
##plugins.generic.pfl.thisArticle##
##plugins.generic.pfl.otherArticles##
##plugins.generic.pfl.peerReviewers## 
2.4 promedio

##plugins.generic.pfl.reviewerProfiles##  N/D

##plugins.generic.pfl.authorStatements##

##plugins.generic.pfl.authorStatements##
##plugins.generic.pfl.thisArticle##
##plugins.generic.pfl.otherArticles##
##plugins.generic.pfl.dataAvailability## 
##plugins.generic.pfl.dataAvailability.unsupported##
##plugins.generic.pfl.averagePercentYes##
##plugins.generic.pfl.funders## 
N/D
32% con financiadores
##plugins.generic.pfl.competingInterests## 
Conflicto de intereses: No
##plugins.generic.pfl.averagePercentYes##
Metric
Para esta revista
##plugins.generic.pfl.otherJournals##
##plugins.generic.pfl.articlesAccepted## 
Artículos aceptados: 43%
33% aceptado
##plugins.generic.pfl.daysToPublication## 
##plugins.generic.pfl.numDaysToPublication##
145

Indexado: {$indexList}

    ##plugins.generic.pfl.indexedList##
##plugins.generic.pfl.editorAndBoard##
##plugins.generic.pfl.profiles##
##plugins.generic.pfl.academicSociety## 
N/D

Citas

Besson T, Macchi R, Rossi J, Morio CYM, Kunimasa

Y, Nicol C et al. Sex differences in endurance running.

Sports Med. 2022; 52 (6): 1235-1257.

Tharawadeepimuk K, Wongsawat Y. Quantitative EEG in

sports: performance level estimation of professional female

soccer players. Health Inf Sci Syst. 2021; 9 (1): 14.

Burke LM. Nutritional approaches to counter performance

constraints in high-level sports competition. Exp Physiol.

; 106 (12): 2304-2323.

McHugh C, Hind K, O’Halloran A, Davey D, Farrell G,

Wilson F. Body mass and body composition changes

over 7 years in a male professional rugby union team.

Int J Sports Med. 2021; 42 (13): 1191-1198.

El-Ashker S, Chaabene H, Prieske O. Maximal isokinetic

elbow and knee flexor-extensor strength measures in

combat sports athletes: the role of movement velocity

and limb side. BMC Sports Sci Med Rehabil. 2022; 14

(1): 40.

Blanco Ortega A, Isidro Godoy J, Szwedowicz Wasik DS,

Martínez Rayón E, Cortés García C, Ramón Azcaray

Rivera H et al. Biomechanics of the upper limbs: a

review in the sports combat ambit highlighting wearable

sensors. Sensors (Basel). 2022; 22 (13): 4905.

Zemková E, Zapletalová L. The role of neuromuscular

control of postural and core stability in functional

movement and athlete performance. Front Physiol.

; 13: 796097.

Richter K, Mushett CA, Ferrara MS, McCann C.

Integrated classification: a faulted system. Adapt Phys

Activ Q. 1992; 9: 5-13.

Bridge CA, Ferreira da Silva Santos J, Chaabene

H, Pieter W, Franchini E. Physical and physiological

profiles of taekwondo athletes. Sports Med. 2014; 44

(6): 713-733.

Hailong L. Role of artificial intelligence algorithm for

taekwondo teaching effect evaluation model. 2021; 40

(2): 3239-3250.

Weian L, Xiaotao L. Application and analysis of

taekwondo techniques, tactics, and movement

trajectories based on multi-intelligent decision making.

Math Probl Eng. 2022; 8411550.

Dharmmesta RA, Jaya IGP, Rizal A, Istiqomah.

Classification of foot kicks in taekwondo using SVM

(support vector machine) and KNN (K-nearest neighbors)

algorithms. 2022 IEEE International Conference on

Industry 4.0, Artificial Intelligence, and Communications

Technology (IAICT). Bali, Indonesia: 2022. pp. 36-41.

Ke Y. Research on the application of artificial intelligence

in taekwondo sport. 2021 2nd International Conference on

Big Data & Artificial Intelligence & Software Engineering

(ICBASE). Zhuhai, China: 2021. pp. 571-574.

Descargas

Publicado

2023-12-31

Cómo citar

1.
Franco-Sánchez JG, Pegueros-Pérez A, Puig-Hernández HR, Mirabent-Amor D, Figueroa-Cavero F, Vega-Martínez G, et al. Análisis de componentes principales para la identificación de variables sensibles en la ejecución del gesto motor y desarrollo de una red neuronal artificial como herramienta auxiliar en la clasificación del rendimiento deportivo en taekwondoínes elite de. Invest. Discapacidad [Internet]. 31 de diciembre de 2023 [citado 26 de abril de 2025];9(3):91-101. Disponible en: https://dsm.inr.gob.mx/indiscap/index.php/INDISCAP/article/view/44

Número

Sección

Artículos originales

Artículos más leídos del mismo autor/a

Artículos similares

1 2 3 4 5 6 7 > >> 

También puede {advancedSearchLink} para este artículo.