Machine learning para el análisis metacognitivo de la sincronización sensorio-motora en runners

• Autores: Pacheco, Marianela; Guevara Cruz, Ronny S.; Trujillo Jiménez, Magda Alexandra; Delrieux, Claudio; Gasaneo, Gustavo
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Estímulos rítmicos; Entrenamiento deportivo; Rendimento
• Institución: Universidad Nacional de La Plata

El análisis metacognitivo de la sincronización sensorio-motora permite comprender cómo los individuos que practican running toman registro de la regulación y ajustes de sus movimientos en respuesta a estímulos rítmicos internos y externos. Esta línea de investigación propone el uso de técnicas de Machine Learning (ML) para analizar la relación entre la sincronización rítmica y el rendimiento en el running. El objetivo es investigar y desarrollar técnicas informáticas de bajo costo que faciliten soporte en la toma de decisiones basadas en datos a los expertos en el diseño de entrenamientos deportivos. Para hacer frente a esta problemática, se plantea el desarrollo de algoritmos de aprendizaje no supervisado, específicamente clustering, y modelos predictivos para identificar patrones que permitan optimizar el rendimiento deportivo. En este estudio se analizaron autoreportes en referencia a la percepción de la sincronización sensorio-motora con la música (estímulo auditivo externo), la respiración (estímulo propioceptivo interno) y la interacción con otros corredores (runners) (estímulo visual externo). Los resultados preliminares sugieren que la correcta percepción de los estímulos que da lugar a la sincronización con la respiración influye significativamente en el rendimiento de quien corre. El impacto de la música y de la presencia de otros corredores, por otro lado, varía de acuerdo al perfil de la persona.
Red de Universidades con Carreras en Informática