RT Generic
T1 Predicción del rendimiento de deportistas mediante técnicas de Machine Learning
T1 Prediction of athlete performance using machine learning techniques
A1 Ortiz Delgado, Francisco Daniel
A1 Nafría Medina, Alejandro
AB El presente Trabajo de Fin de Grado aborda el problema de la gestión de la fatiga en el fútbol, un factor determinante tanto en el rendimiento deportivo como en la prevención de lesiones. Para dar respuesta, se diseñó una aplicación que combina datos obtenidos mediante chalecos GPS con algoritmos de machine learning, con el fin de predecir en tiempo real el nivel de fatiga de los jugadores durante pausas de hidratación, tiempos muertos y descansos.El proyecto incluyó un proceso exhaustivo de adquisición, limpieza y análisis de datos, mediante el uso de métricas fisiológicas extraídas de los dispositivos, su segmentación en intervalos cortos y la aplicación de técnicas de normalización y correlación para seleccionar las variables más relevantes. Estos datos constituyeron la base sobre la que se entrenaron y evaluaron distintos modelos predictivos.Para asegurar la relevancia práctica de nuestra propuesta, el prototipo fue evaluado con entrenadores de distintas categorías:•David Novalbos Utrilla, entrenador preferente.•Manuel Alejandro Liquiñano Mandillo, técnico de Primera Autonómica de Madrid.•Pablo López García, entrenador de Segunda División Española.•Zuhaitz Astondoa Benítez, entrenador de fútbol base.Los feedbacks obtenidos respaldan la utilidad de la aplicación para anticipar puntos críticos de fatiga y optimizar la gestión de la plantilla en tiempo real.Con este enfoque integral —desde la adquisición y procesamiento de datos hasta la inteligencia predictiva y el soporte táctico—, nuestra memoria aporta un marco de trabajo novedoso para la aplicación del machine learning en el deporte de élite y de base, a la vez que sienta las bases para futuras mejoras como la ampliación de muestras, la integración con APIs oficiales y el despliegue en la nube.
AB This Final Degree Project addresses the problem of fatigue management in football, a key factor both in performance and in injury prevention. To tackle this challenge, we designed an application that combines data collected from GPS vests with machine learning algorithms, in order to predict players’ fatigue levels in real time during hydration breaks, time-outs, and half-time intervals.The project included an extensive process of data acquisition, cleaning, and analysis, involving the extraction of physiological metrics from the devices, their segmentation into short intervals, and the application of normalization and correlation techniques to select the most relevant variables. These data served as the foundation for training and evaluating different predictive models.To ensure the practical relevance of our proposal, the prototype was evaluated by coaches from different competitive levels:•David Novalbos Utrilla, Preferente coach.•Manuel Alejandro Liquiñano Mandillo, coach in the Primera Autonómica of Madrid.•Pablo López García, coach in the Spanish Second Division.•Zuhaitz Astondoa Benítez, grassroots football coach.The feedback obtained confirmed the usefulness of the application to anticipate critical fatigue points and optimize squad management in real time.With this comprehensive approach —from data acquisition and processing to predictive intelligence and tactical support—, our dissertation provides a novel framework for the application of machine learning in both elite and grassroots sports, while laying the foundations for future improvements such as expanding the dataset, integrating official monitoring APIs, and deploying the platform in the cloud.
YR 2025
FD 2025
LK https://hdl.handle.net/20.500.14352/124757
UL https://hdl.handle.net/20.500.14352/124757
LA spa
NO Trabajo de Fin de Grado en Ingeniería Informática y Grado en Ingeniaría de Computadores, Facultad de Informática UCM, Departamento de Ingeniería de Software e Inteligencia Artificial, Curso 2024/2025.El código fuente puede consultarse en el repositorio de GitHub:•Backend: https://github.com/DanielOrtizDelgado/backendtfg.git•Frontend: https://github.com/DanielOrtizDelgado/frontendtfg.gitEl dataset con los datos de los entrenamientos que hemos recopilado lo hemos publicado en Kaggle:•https://www.kaggle.com/datasets/alejandronafria/football-fatigue-metrics-dsl
DS Docta Complutense
RD 17 mar 2026