💻 computer science

Towards Athlete Fatigue Assessment from Association Football Videos

Este artículo propone y evalúa un método novedoso que utiliza videos de transmisión monocular y técnicas de reconstrucción del estado del juego para estimar perfiles de aceleración-velocidad como indicadores de fatiga en el fútbol, demostrando su viabilidad como alternativa de bajo costo a los sensores intrusivos a pesar de los desafíos técnicos inherentes.

Autores originales: Xavier Bou, Nathan Correger, Alexandre Cloots, Cédric Gavage, Silvio Giancola, Cédric Schwartz, François Delvaux, Rudi Cloots, Marc Van Droogenbroeck, Anthony Cioppa

Publicado 2026-04-08

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Xavier Bou, Nathan Correger, Alexandre Cloots, Cédric Gavage, Silvio Giancola, Cédric Schwartz, François Delvaux, Rudi Cloots, Marc Van Droogenbroeck, Anthony Cioppa

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una receta para cocinar un plato muy especial: detectar el cansancio de un futbolista solo mirando la televisión, sin necesidad de ponerle sensores en el cuerpo.

Aquí tienes la explicación, paso a paso, con analogías sencillas:

🏆 El Problema: ¿Cómo sabemos si un jugador está "cansado"?

En el fútbol, la fatiga es como un batería que se agota. Cuando un jugador se cansa, corre menos rápido, se equivoca más y tiene más riesgo de lesionarse (como un coche que se calienta y se rompe).

Hasta ahora, para medir esto, los entrenadores tenían que:

Preguntar al jugador: "¿Cómo te sientes?" (como preguntar a un niño si le duele la barriga).
Sacarle sangre o usarle un monitor de corazón (como ponerle un traje de astronauta).
Usar GPS costoso en su camiseta (como un rastreador de ladrones).

Todo esto es caro, intrusivo y no se puede hacer durante el partido en tiempo real.

📺 La Idea Brillante: "Ver para saber"

Los autores se preguntaron: "¿Podemos usar la cámara de la televisión (que ya tenemos gratis) para ver si el jugador se está cansando?"

Es como si fueras un detective que, en lugar de interrogar al sospechoso, solo observa sus huellas en la arena para saber si estaba corriendo o caminando.

🛠️ ¿Cómo lo hicieron? (El proceso en 3 pasos)

1. El "Reconstruidor de Realidad" (Game State Reconstruction)

Primero, usan una inteligencia artificial muy avanzada (llamada GSR) que mira el video del partido.

La analogía: Imagina que tienes un video borroso de un partido. Esta IA actúa como un traductor mágico que toma las imágenes planas de la TV y las convierte en un mapa 3D exacto del campo. Le dice: "El jugador con la camiseta 10 está aquí, a los 5 metros de la portería, en este segundo exacto".
El reto: A veces la cámara se mueve, hay gente tapando al jugador o la lluvia estorba. La IA tiene que adivinar dónde estaba el jugador si desapareció un segundo.

2. El "Calculadora de Velocidad" (Kinematics)

Una vez que la IA sabe dónde está el jugador en cada frame, calcula su velocidad y aceleración.

La analogía: Es como si tomaras una foto cada segundo de un coche. Si la foto 1 está en el km 10 y la foto 2 en el km 12, sabes que iba a 2 km/h.
El truco: Como las fotos de la TV no son perfectas (hay "ruido" o temblores), los autores crearon un filtro de "suavizado". Imagina que pasas un rodillo de repostería sobre la masa de las posiciones del jugador para quitar los baches y que la línea de movimiento sea suave y real.

3. El "Mapa de la Fatiga" (Perfil Aceleración-Velocidad)

Aquí viene la magia. Crean un gráfico que relaciona qué tan rápido corre el jugador con qué tan rápido acelera.

La analogía: Imagina que tienes un coche nuevo y un coche viejo.
- El coche nuevo (jugador fresco): Puede acelerar muy fuerte incluso cuando ya va rápido.
- El coche viejo (jugador cansado): Si va rápido, le cuesta mucho más acelerar. Su "aceleración" cae en picada.
Ellos dibujan una línea en este gráfico. Si la línea se inclina mucho hacia abajo, significa que el jugador está cansado y ya no puede explotar con fuerza.

🧪 ¿Funcionó? (Los Resultados)

Probaron su método con videos reales de partidos (como los que ves en TV) y compararon los resultados con datos "reales" (de jugadores que sí llevaban sensores GPS).

Lo bueno: ¡Funciona! Pueden ver patrones de cansancio. Si un jugador empieza el partido con un gráfico "fuerte" y al final del partido su gráfico se vuelve "débil", el sistema lo detecta. Es como ver cómo se apaga la luz de una bombilla poco a poco.
Lo difícil: A veces la cámara se pierde al jugador (por una multitud o un árbol) y el sistema se confunde. Es como intentar adivinar la velocidad de un coche cuando hay niebla muy densa; a veces te equivocas.
La conclusión: No es perfecto todavía, pero es un gran paso. Significa que en el futuro, cualquier entrenador podría usar una simple cámara de TV para saber quién necesita descansar, sin gastar miles de euros en sensores.

💡 En resumen

Este paper nos dice que la cámara de televisión es una herramienta subestimada. Con la inteligencia artificial adecuada, podemos convertir un simple video en un médico digital que vigila la salud y el cansancio de los jugadores, haciendo el fútbol más seguro y científico, y todo sin tocar al atleta.

¡Es como tener superpoderes de visión para ver la energía de los jugadores! ⚽👁️📉

1. Planteamiento del Problema

El monitoreo de la fatiga en el fútbol es crucial para prevenir lesiones y optimizar el rendimiento táctico. Tradicionalmente, los indicadores objetivos de fatiga se obtienen mediante:

Métricas subjetivas (autoevaluación).
Biomarcadores de laboratorio (sangre, orina).
Sensores intrusivos (monitores de frecuencia cardíaca, GPS).

Estos métodos presentan limitaciones significativas: son costosos, requieren procedimientos logísticos complejos y, a menudo, solo se realizan antes o después del partido, lo que impide analizar la evolución temporal de la fatiga durante el juego.

La pregunta de investigación: ¿Pueden los videos de transmisión monoculares (una sola cámara) proporcionar señales espacio-temporales de suficiente calidad para estimar la fatiga de los atletas de manera objetiva, sin depender de sensores GPS o sistemas multivídeo costosos?

2. Metodología Propuesta

El enfoque del artículo se basa en una tubería (pipeline) que transforma videos de transmisión en indicadores cinemáticos de fatiga. El proceso se divide en tres etapas principales:

A. Reconstrucción del Estado del Juego (Game State Reconstruction - GSR)

Se utilizan métodos de vanguardia (como Broadcast2Pitch o SoccerMaster) entrenados en el marco de SoccerNet. Estos modelos:

Detectan a los jugadores y el balón.
Calibran la cámara y estiman la homografía.
Proyectan las detecciones 2D de la pantalla a coordenadas métricas en el campo de juego $(x, y)$ .
Realizan el seguimiento (tracking) y reconocimiento de números de camiseta para mantener la identidad de cada atleta a lo largo del tiempo.

B. Estimación de Velocidad y Aceleración

Dado que las trayectorias reconstruidas pueden contener ruido y discontinuidades, se propone un algoritmo de procesamiento cinemático novedoso:

Interpolación: Se rellenan breves huecos temporales (hasta 3 frames) mediante interpolación lineal.
Suavizado Temporal: Se aplican filtros (Kalman o Savitzky-Golay) para reducir el ruido de alta frecuencia en las posiciones.
Diferenciación Temporal: En lugar de calcular derivadas frame a frame (lo que amplifica el ruido), se estima la velocidad y aceleración sobre una ventana temporal más amplia (0.5 - 2 segundos).
- La velocidad se calcula como la diferencia de posición sobre la ventana.
- La aceleración se calcula como la diferencia de velocidad sobre la misma ventana.
Filtrado Post-procesamiento: Se eliminan velocidades irreales (>15 m/s) y se suaviza la aceleración con una media móvil central.

C. Construcción del Perfil Aceleración-Velocidad (A-S)

Se construyen perfiles individuales para cada atleta modelando la relación lineal entre la velocidad de carrera instantánea y la aceleración máxima generada. El modelo lineal se caracteriza por:

$A_0$ (Intersección Y): Aceleración teórica máxima (capacidad de explosividad a baja velocidad).
$S_0$ (Intersección X): Velocidad de carrera teórica máxima (velocidad donde la aceleración es cero).
Pendiente: Refleja el equilibrio entre capacidad de aceleración y velocidad.

La fatiga se infiere analizando la evolución de estos parámetros a lo largo del partido; una disminución en la capacidad de generar aceleración a altas velocidades indica fatiga.

3. Contribuciones Clave

Primera investigación de su tipo: Es el primer estudio que deriva indicadores de fatiga exclusivamente a partir de videos de transmisión monoculares, sin sensores físicos.
Algoritmo de procesamiento cinemático: Introducción de un método novedoso para extraer señales de velocidad y aceleración temporalmente consistentes a partir de trayectorias reconstruidas por GSR, permitiendo la creación de perfiles A-S.
Análisis empírico exhaustivo: Evaluación en el conjunto de datos público SoccerNet-GSR, incluyendo clips cortos (30s) y partidos completos de 45 minutos, identificando tanto el potencial como las limitaciones metodológicas (ruido, errores de calibración).

4. Resultados y Evaluación

Los experimentos se realizaron sobre el conjunto de pruebas de SoccerNet GSR (49 secuencias, 773 atletas).

Precisión de Señales:
- Las predicciones de velocidad muestran una alta correlación con los datos de referencia (Ground Truth), especialmente cuando se utilizan filtros de Kalman y ventanas temporales adecuadas ( $l_n = 20$ , ~1.64s).
- La aceleración es inherentemente más ruidosa (segunda derivada), pero aún muestra una concordancia significativa en los casos más fiables.
Fiabilidad de las Detecciones:
- Se identificó que el 30% de las trayectorias más fiables (con pocas oclusiones y buena detección) permiten construir perfiles A-S robustos.
- El 30% menos fiable (con muchas oclusiones o ruido) genera errores significativos, lo que subraya la necesidad de filtrar las detecciones antes del análisis.
Análisis de Fatiga (Partido Completo):
- Al analizar un partido completo de 45 minutos, se observó cualitativamente que la pendiente del perfil A-S se vuelve más pronunciada en el segundo tiempo. Esto indica una disminución más rápida de la aceleración a medida que aumenta la velocidad, un patrón consistente con la fatiga física acumulada.
Limitaciones:
- Los valores absolutos de amplitud deben interpretarse con cautela debido a errores de escala y ruido.
- La falta de un "Ground Truth" de GPS público para validación directa es una limitación actual, aunque los resultados sugieren que el método es viable.

5. Significado e Impacto

Este trabajo demuestra que el monitoreo de la fatiga en el fútbol puede escalarse y hacerse accesible mediante tecnología de bajo costo (una sola cámara de transmisión) en lugar de sistemas de sensores costosos.

Reproducibilidad: Al basarse únicamente en métodos y conjuntos de datos públicos (SoccerNet), el estudio fomenta la investigación reproducible y transparente.
Aplicabilidad: Ofrece una base para el desarrollo de herramientas de análisis táctico y médico que puedan operar en tiempo real o post-partido sin necesidad de equipamiento adicional en los jugadores.
Futuro: Señala la necesidad de desarrollar benchmarks públicos basados en GPS para una evaluación más rigurosa y estrategias para mitigar las predicciones no fiables en situaciones de oclusión.

En resumen, el artículo valida la viabilidad de utilizar la visión por computadora en videos deportivos para extraer indicadores fisiológicos de fatiga, abriendo una nueva vía para la ciencia del deporte basada en datos no intrusivos.