top of page
Buscar

Big data y ciclismo

En este artículo te presentamos el resultado de una larga investigación que hemos realizado con todos los datos de nuestro deportistas y en el que podrás encontrar:

  • Datos descriptivos del perfil de potencia de cada categoría.

  • Observar que no existen recetas a la hora de planificar el entrenamiento.

  • Saber cuánto se mejora anualmente y en qué momento se produce más mejora.

  • Descubrir la importancia del entrenamiento base / de pretemporada.


Todos nuestros ciclistas se presentan por primera vez en consulta en busca de una preparación física personalizada. El entrenamiento y el funcionamiento del organismo siguen dinámicas complejas, por lo que la individualización se puede buscar de multitud de fuentes: atendiendo a la edad y maduración del deportista, análisis puntos fuertes y débiles, análisis del entrenamiento previo y sus efectos… Para estos análisis, contamos con herramientas que nos ayudan al análisis y la toma de decisiones. Sin embargo, tienen una “pequeña” limitación: no nos ofrecen un contexto sesgado y especializado a las características del deportista en cuestión.


Por ejemplo, podemos detectar que la potencia al sprint de un determinado ciclista junior es baja en un contexto general. En un contexto sesgado a deportistas de su categoría, atendiendo a las demandas de la competición, puede que este sprint sea suficiente para las demandas de su competición, ya que sus carreras demandas más ser muy bueno, como lo son sus rivales, en subidas cortas, por ejemplo. Lo mismo sucedería con las características del entrenamiento. A nivel general, puede que este ciclista junior realice poco volumen de entrenamiento, pero ¿realmente para su contexto es necesario?


Estos contextos están parcialmente estudiados en la literatura científica, en deportistas profesionales (1) o deportistas juveniles de otros países (2), pero es aún más específico conocerlos de deportistas con el mayor de similitudes: no solo que sean de la misma edad, sino que también vivan en el mismo lugar (principalmente la Comunidad de Madrid en este caso), compitan en las mismas carreras de ruta, etc.


En base a esta problemática, nos lanzamos a buscar en nuestras bases de datos este contexto específico que necesitamos. Nos planteamos los siguientes objetivos:


  • Obtener el perfil de potencia y las características del entrenamiento en cadetes, junior y élite-sub23 masculino.

  • Clasificar automáticamente en tipologías de corredores (todoterreno, escalador, esprínter…) en función de los puntos fuertes y débiles del perfil de potencia.

  • Relacionar las mejoras obtenidas en el perfil de potencia con las características del entrenamiento, teniendo en cuenta el tipo de corredor y el momento de la temporada.

  • Encontrar la secuencia óptima de las características del entrenamiento a lo largo de la temporada.


¿Cómo lo hicimos? Descargamos todos los datos en crudo de todos los deportistas que se encontraban en nuestras bases de datos, con datos entre los años 2016 y 2022. Filtramos todos los archivos para asegurarnos de que los deportistas entrenaban con potenciómetro y que, de media, habían entrenado más de 8h a la semana en cada trimestre del año. En total, más de 84.000 archivos fueron analizados (casi 300.000 horas de entrenamiento). Concretamente, analizamos los datos de 28 cadetes, 45 junior y 79 élite-sub23 masculinos.


Para simplificar la inmensa cantidad de datos que teníamos, tuvimos que realizar un programa en Python que leyera todos y cada uno de los archivos de cada deportista y guardara en un Excel las siguientes variables calculadas:

  • Perfil de potencia: potencia media máxima en 10s, 1 min, 5 min y 20 min.

  • Características del entrenamiento: tiempo en cada zona de entrenamiento (h), volumen total (h), trabajo total (kJ) y TSS totales.

Todos estos datos se calcularon de manera trimestral, teniendo en cuenta que la pretemporada comienza el 1 de octubre: pretemporada, periodo pre-competitivo, primer periodo competitivo y segundo periodo competitivo. El diseño está basado en estudios previos como el de Leo, et al (3).


Los datos normativos que obtuvimos se pueden obtener del trabajo original de todas las categorías. Los demás análisis que se presentan pertenecen a la categoría élite – sub23.


Para la clasificación automática de los perfiles de potencia, utilizamos una técnica de Machine Learning denominada clustering. Simplemente le pasamos los perfiles de potencia, tanto absoluto como relativo, y le pedimos que hiciera 5 grupos con características autosimilares. Los denominamos: todoterreno, esprínter, escalador, aspirante y principiante. Así evitamos el sesgo de considerar a un deportista como escalador en un contexto general cuando en su contexto específico puede ser todoterreno.


En el siguiente gráfico se pueden observar los resultados. Podemos observar con facilidad los puntos fuertes y débiles de cada grupo. Los todoterrenos, destacan por encima de la media en todos los periodos críticos excepto el sprint, donde reinan los esprínter, por ejemplo. En la mayoría de periodos críticos existen diferencias estadísticamente significativas entre los grupos. Esto nos indica que podríamos utilizar este modelo para clasificar a nuestros deportistas.


Figura 1. Gráfico radar que representa el perfil de potencia dividido por clúster. Los valores se presentan en función del Z-Score promedio de los integrantes de cada clúster. Fuente: Elaboración propia.


Algo que también nos pareció interesante de la clasificación anterior son las edades promedio de los grupos, observando como el grupo todoterreno en nuestro caso era el más veterano, con una media de 25 años.


Tras ello, realizamos un análisis de las características del entrenamiento, con el fin de encontrar diferencias entre grupos. A pesar de que en el siguiente gráfico parece que los Z-Score muestran diferencias entre ellos, la gran dispersión de los datos provocó que no encontráramos diferencias significativas apenas en ningún parámetro.


Figura 2. Z-Scores de los distintos parámetros de entrenamiento diferenciando por los distintos grupos de rendimiento durante la pretemporada. TimeZ1h: tiempo en zona 1. TotalTime: tiempo total del periodo. TotalTSS: TSS totales del periodo. TotalWork: trabajo total. TotalWorkTime: trabajo total relativo al tiempo. TotalWorkTimeRel: trabajo total relativo al tiempo y a la masa del ciclista. Fuente: Elaboración Propia.


Como llevaron a cabo otros autores como Leo et al. (3), tratamos de correlacionar la mejora del rendimiento con las características del entrenamiento. Se pretendían encontrar características del entrenamiento que favorecieran a mejorar el punto débil de cada grupo. Por ejemplo, se pretendía saber que puede ser que necesiten los esprínter para mejorar sus 20 minutos durante la pretemporada. En el trabajo original se pueden observar los resultados, con asociaciones r > 0,5. Sin embargo, no obtuvimos conclusiones claras de este análisis. Al igual que Leo et al. (3), parece que el grupo con mejor rendimiento se beneficia, durante el segundo periodo competitivo, de una reducción del volumen de entrenamiento, pero manteniendo la intensidad (kJ/h) constante.


Los resultados más interesantes se presentan a continuación. Estudiando las dinámicas de mejora de rendimiento entre temporadas, se ofrecen datos normativos en el trabajo original sobre la mejora del rendimiento esperada en cada periodo crítico. Por ejemplo, el promedio de mejora del FTP es del 6,7% cada temporada. De nuevo los grupos que realizamos al principio no obtenían diferencias significativas entre sí tampoco para el % de cambio.


Entrando en la cuestión de la evolución de las características del entrenamiento a lo largo de la temporada, analizamos como es la evolución del rendimiento a lo largo de una temporada. Como se puede observar en la siguiente figura, todos los periodos críticos siguen la misma dinámica de mejora, excepto el sprint. Durante la pretemporada, sin tener en cuenta el sprint, se produce una reducción del rendimiento respecto al último periodo de la temporada anterior (- 4,2%). Durante el periodo precompetitivo, se produce el mayor aumento (9,4%). Durante el periodo competitivo simplemente el rendimiento se mantiene (1%).



Figura 3. Porcentaje de cambio promedio del rendimiento en cada periodo crítico en función del momento de la temporada. Fuente: Elaboración Propia.


En base a esto, decidimos profundizar en el análisis de la secuencia de los contenidos a lo largo de la temporada. Como la clasificación por grupos no arroja diferencias claras, dividimos al grupo de 79 corredores en 2: los que más mejoran (por encima del percentil 75) y los que menos mejoran (por debajo del percentil 25). No se utilizaron las personas cuya mejora del rendimiento se encuentra entre los anteriores percentiles. Como no existen diferencias significativas entre tres de los periodos críticos, decidimos estudiar la mejora en 20 minutos, que es un estándar en nuestro campo.


Encontramos diferencias significativas durante la pretemporada para el volumen de entrenamiento, los TSS totales y el tiempo entre las zonas 3 y 5, aunque gráficamente también la zona 2 y el trabajo total son representativos. Por tanto este periodo debería caracterizarse por un alto volumen de entrenamiento en zona combinado con trabajo en zonas más altas para mantener el trabajo total alto.


Durante el periodo pre-competitivo se encontraron diferencias para el trabajo relativo al tiempo y al peso. Lo más interesante de todo, es que no existen diferencias estadísticas para el entrenamiento entre los que más mejoran y los que menos durante el periodo competitivo 1. Para el periodo competitivo 2, las diferencias significativas se encontraron en el tiempo en Z5 y Z6 respecto a la pretemporada, por lo que progresaron significativamente.


Por tanto, como ya defienden los paradigmas de la periodización tradicionales, parece que en nuestro contexto es muy efectivo realizar un buen trabajo de base durante los tres primeros meses de la temporada, ya que es donde encontramos las mayores diferencias en el entrenamiento, coincidiendo con el pico de mejora de rendimiento del segundo periodo.


Figura 4. Gráficos que muestran la evolución de cada parámetro de entrenamiento a lo largo de la temporada. Se diferencia entre un grupo con los ciclistas que más mejoran (percentil 75) respecto a los que menos (percentil 25). Fuente: Elaboración Propia.


Texto completo en el siguiente enlace:

BIBLIOGRAFÍA:

  1. Valenzuela PL, Muriel X, van Erp T, Mateo-March M, Gandia-Soriano A, Zabala M, et al. The Record Power Profile of Male Professional Cyclists: Normative Values Obtained From a Large Database. Int J Sports Physiol Perform. 1 de mayo de 2022;17(5):701-10.

  2. Gallo G, Leo P, Mateo-March M, Giorgi A, Faelli E, Ruggeri P, et al. Differences in Training Characteristics Between Junior, Under 23 and Professional Cyclists. Int J Sports Med. 9 de mayo de 2022;43.

  3. Leo P, Spragg J, Simon D, Lawley JS, Mujika I. Training Characteristics and Power Profile of Professional U23 Cyclists throughout a Competitive Season. Sports [Internet]. 1 de diciembre de 2020 [citado 21 de enero de 2022];8(12). Disponible en: /pmc/articles/PMC7766290/

Ivan de Lucas Rogero

99 visualizaciones0 comentarios

Entradas Recientes

Ver todo

Kommentarer


bottom of page