Clasificación automática del “side-kick” en Poomsae mediante aprendizaje automático
Investigadores surcoreanos desarrollaron modelos de aprendizaje automático (machine learning) capaces de clasificar la ejecución del side-kick (patada lateral) en Poomsae, utilizando variables cinemáticas —como ángulos, velocidades y tiempos de movimiento— junto con características físicas de los practicantes. El trabajo fue publicado recientemente en la revista Journal of Sports Sciences (Taylor & Francis, 2025).
Un nuevo estudio combinó parámetros cinemáticos y características físicas para evaluar el rendimiento técnico en Taekwondo.
Investigadores surcoreanos desarrollaron modelos de aprendizaje automático (machine learning) capaces de clasificar la ejecución del side-kick (patada lateral) en Poomsae, utilizando variables cinemáticas —como ángulos, velocidades y tiempos de movimiento— junto con características físicas de los practicantes. El trabajo fue publicado recientemente en la revista Journal of Sports Sciences (Taylor & Francis, 2025).
Análisis del movimiento con inteligencia artificial
Los autores recopilaron mediciones precisas de cada fase del movimiento —levantamiento, impacto y retracción de la pierna— y las integraron con datos físicos como estatura, peso y años de experiencia.
Al entrenar varios modelos de machine learning, los investigadores lograron tasas de clasificación superiores al 75 %, demostrando que las herramientas de inteligencia artificial pueden ofrecer una evaluación técnica objetiva y reproducible en Taekwondo.
Resultados destacados
El modelo identificó que el side-kick se divide aproximadamente en un 38 % de tiempo en la fase de elevación y giro, 16 % en el impacto y 46 % en la retracción. Además, la incorporación de las características físicas de los atletas mejoró la precisión del sistema, al considerar diferencias biomecánicas entre individuos.
Aplicaciones y perspectivas
El estudio sugiere que este tipo de tecnología podría convertirse en una herramienta valiosa para entrenadores y jueces, permitiendo una retroalimentación más precisa y personalizada.
En el futuro, los autores proponen ampliar la muestra, incluir datos de sensores inerciales y explorar redes neuronales más profundas para mejorar la exactitud del modelo.
Autores: Jong-Hoon Park, Ji-Hoon Kim, Kyu-Seok Lee y Kyung-Hoon Kim
Institución: Department of Physical Education, Korea National Sport University (Seúl, Corea del Sur)
Fuente: Journal of Sports Sciences, Taylor & Francis Online, 2025
MASTKD: Media About Sports Taekwondo. Worldwide Leader on Taekwondo Information.
About The Author
Descubre más desde MASTKD
Suscríbete y recibe las últimas entradas en tu correo electrónico.
