El model de Hill aplicat a l'àmbit de la salut i l'esport

Abstract

Per optimitzar el rendiment i reduir el risc de lesions durant l'entrenament de força, presentem una aplicació per a iOS que detecta en temps real els punts articulars i analitza quatre exercicis bàsics (curls de bíceps, press de banca, esquats i rems) mitjançant visió per computador. A partir de les dades cinemàtiques i la càrrega introduïda per l’usuari, s’integra el model muscular de Hill (Hamard et al., 2022) per estimar la velocitat i la potència, així com per comptar repeticions amb precisió. A diferència dels sistemes basats en dispositius portables, aquesta eina no depèn de maquinari addicional i ofereix recomanacions específiques per millorar la tècnica i prevenir lesions (Rodríguez et al., 2024). A més, combina modelatge biomecànic i psicologia conductual, amb seguiment automàtic del progrés (Miao et al., 2024) i mecanismes de motivació gamificats (Bassanelli et al., 2022), contribuint a millorar l’adherència i l’eficàcia de l’entrenament. Aquesta proposta representa un pas endavant cap a tecnologies de fitness personalitzades, escalables i científicament fonamentades (Jossa-Bastidas et al., 2021; Boucher et al., 2021).

Para optimizar el rendimiento y reducir el riesgo de lesiones en el entrenamiento de fuerza, presentamos una aplicación para iOS que detecta en tiempo real los puntos articulares y analiza cuatro ejercicios básicos (curl de bíceps, press de banca, sentadillas y remo) mediante visión por computador. Utilizando datos cinemáticos y la carga proporcionada por el usuario, se integra el modelo muscular de Hill (Hamard et al., 2022) para estimar la velocidad, la potencia y contar repeticiones con precisión. A diferencia de los sistemas con dispositivos portátiles, esta herramienta no depende de hardware adicional y ofrece recomendaciones técnicas específicas para evitar lesiones (Rodríguez et al., 2024). Además, combina modelado biomecánico con psicología conductual, incorporando seguimiento automático del progreso (Miao et al., 2024) y retroalimentación gamificada (Bassanelli et al., 2022), mejorando así la motivación y adherencia al entrenamiento. Esta propuesta representa un avance hacia tecnologías de fitness personalizadas, escalables y con base científica (Jossa-Bastidas et al., 2021; Boucher et al., 2021).

To optimize performance and reduce injury risk during strength training, we present an iOS application that uses real-time joint landmark detection to analyze four foundational exercises (biceps curls, bench press, squats, and rows) via computer vision. Using joint kinematics and user-provided load data, the Hill muscle model (Hamard et al., 2022) is applied to estimate velocity, power output, and accurately count repetitions. Unlike wearable-based systems, this tool requires no additional hardware and offers exercise-specific feedback to improve technique and prevent injury (Rodríguez et al., 2024). The app also integrates behavioral psychology through automated progress tracking (Miao et al., 2024) and gamified feedback (Bassanelli et al., 2022) to enhance motivation and adherence. This approach represents a step forward in personalized, scalable, and scientifically grounded fitness technology (Jossa-Bastidas et al., 2021; Boucher et al., 2021).