Algoritmos de adaptación dinámica del ejercicio para la mejora del rendimiento deportivo

ALGORITMOS DE ADAPTACIÓN DINÁMICA DEL EJERCICIO PARA MEJORA DEL RENDIMIENTO DEPORTIVO TRABAJO FIN DE GRADO GRADO EN INGENIERÍA DE COMPUTADORES CURSO 2013-1014 Jesús Mariano García-Bravo Fernández Director José Luis Ayala Rodrigo Departamento de Arquitectura de Computadores y Automática Facultad de Informática Universidad Complutense de Madrid. Madrid, 23 de Junio de 2014 Autorización de difusión y utilización Jesús Mariano García-Bravo Fernández autoriza a la Universidad Complutense de Madrid a difundir y utilizar con fines académicos, no comerciales, y mencionando expresamente a su autor, tanto la propia memoria, como el código, la documentación y/o la aplicación desarrollada. Agradecimientos A todos mis familiares y amigos que han estado apoyándome todo este tiempo, aguantando mi mal genio cuando no me salían las cosas, y que me han ayudado de la mejor manera que podían. Agradecer a José L. Ayala, director del TFG, la confianza mostrada en mí y su ayuda durante todo el TFG. También quiero agradecer al entrenador Raúl Pérez, su ayuda tanto en conceptos sobre rendimiento deportivo, como por la prueba de la aplicación y posterior análisis de los resultados, con usuarios reales. Índice Índice de figuras ........................................................................................................................... IX Índice de abreviaturas .................................................................................................................. XI Resumen ..................................................................................................................................... XIII Abstract ....................................................................................................................................... XV Capítulo 1 ...................................................................................................................................... 1 Introducción .............................................................................................................................. 1 1.1 Conceptos ............................................................................................................................ 1 1.1.1. Rendimiento deportivo ............................................................................................... 1 1.1.2. Zonas de trabajo o entrenamiento ............................................................................. 1 1.1.3. Variables de entrenamiento ........................................................................................ 2 1.1.4. Test de evaluación inicial ............................................................................................ 2 1.1.5 Ejercicios de resistencia ............................................................................................... 2 1.1.6. Sistemas de recomendación ....................................................................................... 3 1.1.7. Ítem ............................................................................................................................. 3 1.1.8. Aprendizaje automático .............................................................................................. 3 1.1.9. Android ........................................................................................................................ 3 1.1.10. Android SDK .............................................................................................................. 3 1.2 Motivaciones ....................................................................................................................... 4 1.3 Objetivos ............................................................................................................................. 4 1.4 Visión general del documento. Estructura .......................................................................... 5 Capítulo 2 ...................................................................................................................................... 7 2.1 Estado del arte .................................................................................................................... 7 2.1.1 Adidas MiCoach ............................................................................................................ 7 2.1.2 Entrenamiento Flanax .................................................................................................. 7 2.1.3 Last.fm .......................................................................................................................... 7 2.1.4. Manual del Entrenador Personal [11] ......................................................................... 8 Capítulo 3 ...................................................................................................................................... 9 Especificaciones y Métodos ...................................................................................................... 9 3.1 Requisitos ............................................................................................................................ 9 3.2. Funcionamiento de la aplicación ...................................................................................... 10 3.3. Investigación preliminar ................................................................................................... 12 3.3.1. Algoritmos de Filtrado Colaborativo basados en memoria [13] ............................... 13 VII 3.3.1. Sistemas de Recomendación híbridos basados en memoria [13]............................. 14 3.3.2. Enfoque de sistemas basados en memoria ............................................................... 14 3.3.3. ¿Qué es Mahout? ...................................................................................................... 15 3.3.4 ¿Cómo realizar una valoración de un ejercicio? ....................................................... 17 3.4. Algoritmos usados ............................................................................................................ 20 3.4.1. Algoritmo del Método 1 de recomendación de la aplicación ................................... 21 3.4.2 Algoritmo del Método 2 de recomendación de la aplicación .................................... 23 3.4.3. Algoritmo del Método 3 de recomendación de la aplicación ................................... 25 3.5. Entorno de desarrollo y banco de pruebas ..................................................................... 26 Capítulo 4 .................................................................................................................................... 27 Arquitectura ............................................................................................................................ 27 4.1. Introducción ..................................................................................................................... 27 4.2. Módulo de interfaz de Usuario ........................................................................................ 29 4.3. Módulo de gestión de Usuarios ....................................................................................... 29 4.4. Módulo de BB.DD ............................................................................................................. 30 4.5. Módulo de recomendación .............................................................................................. 33 Capítulo 5 .................................................................................................................................... 35 Resultados ............................................................................................................................... 35 5.1. Introducción ..................................................................................................................... 35 5.2. Metodología de evaluación .............................................................................................. 35 5.3. Análisis de resultados ....................................................................................................... 37 Capítulo 6 .................................................................................................................................... 41 Conclusiones ........................................................................................................................... 41 6.1.1 Conclusiones .................................................................................................................. 41 6.1.2 Conclusions .................................................................................................................... 42 6.2. Trabajo Futuro ................................................................................................................. 42 6.3. Seguimiento del Proyecto ............................................................................................... 43 Capítulo 7 .................................................................................................................................... 45 Manual de uso ......................................................................................................................... 45 7.1 Introducir usuario en la aplicación .................................................................................... 45 7.2 Modificar datos de un usuario .......................................................................................... 46 7.3 Test de valoración inicial ................................................................................................... 49 7.4 Añadir entrenamientos y ejercicios .................................................................................. 50 ANEXO 1 ...................................................................................................................................... 57 ANEXO 2 ...................................................................................................................................... 63 Bibliografía .................................................................................................................................. 65 VIII Índice de figuras Figura 3.1 Esquema Funcionamiento General Aplicación ...................................................... 10 Figura 3.2 Arquitectura algoritmo Recommneder, de Mahout ............................................. 16 Figura 3.3 Valores de similaridad, usando coeficiente de Tanimoto ..................................... 21 Figura 3.4. Código algoritmo, coeficiente de Tanimoto ......................................................... 22 Figura 3.5 Distancia euclídea entre Usu1 y otros usuarios .................................................... 23 Figura 3.6. Código algoritmo, usando distancia euclídea para similaridad............................ 24 Figura 4.1. Esquema MVC ...................................................................................................... 27 Figura 4.2. Esquema MVC en Android ................................................................................... 28 Figura 4.3. Diagrama mostrando dependencias entre paquetes de la aplicación ................. 28 Figura 4.4. Diagrama Controlador de la aplicación. ............................................................... 29 Figura 4.5. Diagrama clases referente a la BB.DD .................................................................. 31 Figura 4.6. Clases que intervienen en la recomendación ...................................................... 33 Figura 5.1. Relación ejercicios recomendados VS ejercicios rechazados ............................... 38 Figura 5.2. Porcentaje de ejercicios rechazados por cada método. ...................................... 38 Figura 7.1 Menú principal ...................................................................................................... 45 Figura 7.2 Introducir datos ..................................................................................................... 45 Figura 7.3 Botón menú principal ............................................................................................ 45 Figuras 7.4 Buscador de usuarios ........................................................................................... 46 Figura 7.5 Perfil de un usuario ............................................................................................... 47 Figura 7.6 Cambio datos en perfil de un usuario ................................................................... 48 Figura 7.7 Cuestionario .......................................................................................................... 48 Figura 7.8 Test valoración inicial ............................................................................................ 49 Figura 7.9 Ejemplo test valoración inicial ............................................................................... 50 Figura 7.10 Añadir entrenamiento ......................................................................................... 51 Figura 7.11 Añadir entrenamiento por método de recomendación ..................................... 52 Figura 7.12 Ventana entrenamientos de usuario .................................................................. 53 IX XVI Capítulo 1 Introducción Este Trabajo de Fin de Grado, de aquí en adelante TFG, “Algoritmos de adaptación dinámica del ejercicio para mejora del rendimiento deportivo” consiste en la realización de una aplicación en Android en la que un monitor o entrenador va a poder gestionar un entrenamiento compuesto de una serie de ejercicios a ciertas personas que sean introducidas en la aplicación. Para ello, la aplicación se basará en unos métodos de recomendación que ayudarán al entrenador a elegir los ejercicios de los que tiene que componerse un entrenamiento. Es en este punto es cuando hay que resaltar el uso de tres algoritmos de recomendación, dos de los cuales hacen uso de la librería Mahout y un tercero que está inspirado en el funcionamiento de éstos y desarrollado específicamente para el entrenamiento deportivo. 1.1 Conceptos 1.1.1. Rendimiento deportivo Parece existir un amplio acuerdo en considerar que el rendimiento deportivo es el resultado de una actividad deportiva. A veces el rendimiento deportivo no se considera sólo el resultado de una actividad, sino que en su valoración y en la definición de su concepto se incluyen también el método y el esfuerzo individual que han conducido a ese resultado, es decir, el proceso de rendir [1]. 1.1.2. Zonas de trabajo o entrenamiento “La resistencia física viene determinada por la potencia y la capacidad de las fuentes de energía para mantener dicha potencia” (Zhelyazkov, 2001). Se entiende por zonas de entrenamiento o áreas funcionales a la aplicación de cargas de trabajo que provocan modificaciones específicas. La experiencia 1 permite dividir las zonas de entrenamiento según las capacidades biomotoras y definir, de forma más precisa, las variables de las tareas (Raczek, 1990). La estructura de un modelo basado en zonas de potencia puede estar formada por los objetivos funcionales de la magnitud de las cargas y sus respuestas fisiológicas dentro de cada una de esas zonas [2]. En este trabajo nos vamos a centrar en cuatro zonas de entrenamiento: Aeróbica, umbral anaeróbico, potencia aeróbica y capacidad anaeróbica. 1.1.3. Variables de entrenamiento Vamos a referirnos a variables de entrenamiento como aquéllos parámetros que nos ayudan a determinar el rendimiento de un individuo. Estas variables pueden indicarnos si se está trabajando en una zona de entrenamiento o no, dependiendo de sus valores obtenidos tras la realización de un ejercicio físico. 1.1.4. Test de evaluación inicial Los test de evaluación inicial son una serie de ejercicios que sirven al entrenador para ver el estado físico de una persona y así poder trazar su plan de entrenamiento. En este trabajo, además de información para el monitor, nos va a servir para poder crear grupos de individuos con una condición física parecida. En el Anexo 1 se pueden consultar los test utilizados por la aplicación. 1.1.5 Ejercicios de resistencia La resistencia busca que puedas hacer un esfuerzo físico durante el mayor tiempo posible. Los ejercicios de resistencia, aumentan el ritmo cardíaco y de respiración. Mantienen en forma el corazón, los pulmones y el sistema circulatorio, además de mejorar la aptitud física general. Y es que la resistencia del corazón, los pulmones y el sistema circulatorio para aportar oxígeno y nutrientes a los músculos, serán las claves de nuestra resistencia [3]. 2 1.1.6. Sistemas de recomendación Los sistemas de recomendación son herramientas que generan recomendaciones sobre un determinado objeto o ítem de estudio, a partir de las preferencias y opiniones dadas por los usuarios. El uso de estos sistemas se está poniendo cada vez más de moda en Internet debido a que son muy útiles para evaluar y filtrar la gran cantidad de información disponible en la Web con objeto de asistir a los usuarios en sus procesos de búsqueda y recuperación de información [4]. 1.1.7. Ítem Un ítem es cualquier entidad empleada como objeto de recomendación. Pueden ser películas, libros, música…dependiendo del dominio del sistema [5]. En el caso del TFG, se refiere a un ejercicio de entrenamiento. 1.1.8. Aprendizaje automático “El aprendizaje automático es parte de la inteligencia artificial relacionado con las técnicas que permiten a las computadoras mejorar sus salidas de acuerdo a la experiencia previa. Para ello el sistema debe de tener la habilidad de aprender en un medio cambiante” [6]. 1.1.9. Android Android es un sistema operativo basado en Linux, diseñado principalmente para dispositivos móviles con pantalla táctil, como smartphones y tablets. Inicialmente fue desarrollado por Android Inc pero Google más tarde lo compró en 2005. Android fue presentado en 2007 junto con la fundación del Open Handset Alliance. El primer móvil con el sistema operativo Android fue el HTC Dream y se vendió en octubre de 2008 [7]. 1.1.10. Android SDK Software Development Kit (SDK) proporciona las APIs y herramientas de desarrollo necesarias para construir, testear y depurar aplicaciones para Android [8]. 3 1.2 Motivaciones Hasta donde nos alcanza el conocimiento, no tenemos constancia de la existencia de APPs desarrolladas en Android en la que los ítems que se recomiendan a los usuarios sean ejercicios para un entrenamiento. Sí que conocemos que existen APPs como por ejemplo Last.fm para recomendar canciones musicales, entre otras. Por este motivo, la principal motivación para la realización de este TFG es la de desarrollar una aplicación novedosa a la hora de realizar ejercicio físico que esté orientada para un entrenador en la que pueda controlar los entrenamientos de varios usuarios a la vez. Sabemos que existen multitud de APPs que monitorizan nuestros entrenamientos o nos muestran cómo realizar ciertos ejercicios, como puede ser el caso de Endomondo, Adidas miCoach, Entrenamiento Flanax, etc. Pero estas APPs, aparte de estar orientadas para un único usuario, no nos indican qué ejercicio realizar para favorecer nuestro rendimiento deportivo en función de nuestros resultados y los de otras personas, de las variables de entrenamiento. Esta es la gran diferencia que encontraremos en esta aplicación con las demás. Además existe la posibilidad de crear un entrenamiento, compuesto por ejercicios que no sean recomendados sino que se añadan manualmente. Esto aparte de ser una prestación más para el entrenador que le da total libertad a la hora de crear entrenamientos, es necesario para el sistema de recomendación que necesita de resultados de ejercicios ya realizados para poder recomendar. 1.3 Objetivos Uno de los principales objetivos de este TFG es el desarrollo de una aplicación en Android que sea capaz de monitorizar las sesiones de entrenamiento de un deportista donde un entrenador puede tener almacenada toda la información relacionada con él, necesaria para tener en cuenta a la hora de trazar un plan de entrenamiento. De este modo el monitor puede crear entrenamientos para una persona compuestos por ejercicios que él añada manualmente a ese entrenamiento, basándose en los datos que tiene almacenados en la aplicación sobre el deportista en concreto. 4 Otro objetivo de este trabajo es identificar y clasificar las variables de entrenamiento que intervienen en el rendimiento deportivo de una persona. La aplicación ofrece una BB.DD en la que están almacenados un gran número de ejercicios de resistencia categorizados en las cuatro zonas de trabajo indicadas anteriormente, donde se encuentran estas variables de entrenamiento. Además, este trabajo pretende evaluar, mediante la opinión de un experto en la materia, los resultados de tres algoritmos de recomendación que recomiendan unos ejercicios para un entrenamiento personalizado. Dos de ellos son algoritmos de recomendación genéricos existentes en la librería Mahout y utilizados en cualquier contexto de aplicación que requiera de una recomendación automatizada. Por otro lado, el tercer algoritmo es una propuesta específica de este TFG, que pretende diseñar un algoritmo de recomendación adaptado específicamente a las necesidades de nuestro objetivo (sistema automatizado de entrenamiento deportivo). 1.4 Visión general del documento. Estructura Este documento está estructurado de la siguiente manera: En primer lugar, Capítulo 1, se hace una introducción del trabajo. Se enumeran los conceptos generales para comprender el resto de lectura del documento, se exponen las motivaciones que han llevado al desarrollo del TFG, y finalmente se muestran los objetivos que se pretenden con su realización. En el Capítulo 2, se exponen las referencias que han servido para tomar ideas y asentar conceptos para la realización del TFG. Seguidamente, se explican los requisitos y métodos utilizados para el desarrollo de la aplicación en el Capítulo 3. Se muestra una descripción del funcionamiento del sistema y una explicación de los tipos de algoritmos de recomendación utilizados. Además de una explicación detallada de los tres algoritmos implementados. En el capítulo 4, se expone la arquitectura llevada a cabo para el desarrollo de la aplicación, distinguiendo las partes principales. Finalmente, en los capítulos 5 y 6, se muestran los resultados de los algoritmos de recomendación, comparando sus resultados, y las conclusiones con posibles mejoras de la aplicación en un futuro. Y en el capítulo 7, un pequeño manual de uso de la aplicación. 5 6 Capítulo 2 2.1 Estado del arte Como referencias para la realización del TFG y obtener ideas de APPs enfocadas en el campo del rendimiento deportivo y sistemas de recomendación de ítems a un usuario, podemos mencionar las siguientes: 2.1.1 Adidas MiCoach La aplicación Adidas miCoach ofrece la posibilidad de realizar entrenamientos predefinidos y el entrenamiento eligiendo los ejercicios. Una vez realizado un ejercicio, evalúa los resultados indicando si vamos o no por el buen camino para conseguir nuestro objetivo. 2.1.2 Entrenamiento Flanax Flanax es una aplicación que ofrece rutinas de entrenamiento de carrera con recomendaciones, retos y consejos saludables para mejorar el rendimiento de nuestro cuerpo al hacer las actividades físicas manteniendo sanos nuestro cuerpo y mente. [9] Esta aplicación sólo solicita la edad y el sexo, y a partir de ahí recomienda rutinas de entrenamiento. 2.1.3 Last.fm Last.fm [10] es una red social, una radio vía Internet y además un sistema de recomendación de música que construye perfiles y estadísticas sobre gustos musicales, basándose en los datos enviados por los usuarios registrados. Un usuario de Last.fm puede construir un perfil musical escuchando su colección musical personal. Estas canciones escuchadas son añadidas a un registro desde donde se calcularán las recomendaciones musicales. Estas recomendaciones son calculadas usando un algoritmo de filtrado colaborativo, así los usuarios pueden explorar una lista de artistas no listados en su propio perfil pero que sí aparecen en otros usuarios con gustos similares. 7 La característica más usada por la comunidad de Last.fm es la formación de grupos de usuarios con algo en común (por ejemplo, militancia en otro foro de Internet). Last.fm generará un perfil de grupos similar a los perfiles de los usuarios, mostrando una amalgama de datos y mostrando listas con los gustos globales del grupo. 2.1.4. Manual del Entrenador Personal [11] En este artículo se muestran indicaciones como que las funciones de un entrenador son evaluar, planificar y ajustar los programas de entrenamiento. Estas tareas pertenecen a un continuo proceso sin fin, en el que permanentemente se está evaluando, ajustando y planificando los entrenamientos del deportista. Cuando un deportista acude a un entrenador, primero se le realiza una valoración mediante una recogida de datos y una serie de ejercicios de acondicionamiento y test, que muestran el estado físico en que se encuentra el deportista. Esto ayudará al entrenador en las planificaciones y creación de entrenamientos. 8 Capítulo 3 Especificaciones y Métodos En este capítulo vamos a describir el diseño del proyecto, centrándonos en el análisis y especificación del sistema. Por ello, se detallarán los requisitos que definen la funcionalidad de la aplicación, para más tarde explicar con detalle los algoritmos utilizados para llevar a cabo el principal objetivo de la aplicación. 3.1 Requisitos En este punto se describen las funcionalidades de la aplicación. Este trabajo ha sido desarrollado con la ayuda de un entrenador conocedor del campo del rendimiento deportivo, y se han consensuado una serie de requisitos: 1. Guardar los datos personales y físicos (estatura, peso, cintura…) de multitud de usuarios para que puedan ser evaluados posteriormente. Un nombre de usuario es único en la BB.DD de la aplicación. 2. Poder consultar y editar los datos de un usuario cuando sea necesario. 3. Poder evaluar la condición física de un usuario realizando test de evaluación inicial. 4. Crear entrenamientos para un usuario compuestos de ejercicios con total libertad de elección de ejercicios. En este caso, se puede añadir los ejercicios manualmente y también se puede elegir que los ejercicios sean recomendados por alguno de los tres métodos de recomendación que se explicarán más adelante. Aunque los ejercicios hayan sido recomendados, el entrenador podrá eliminar del entrenamiento aquéllos que estime oportunos y añadir otros que considere que debe realizar el usuario. 5. Introducir los valores de las variables de entrenamiento correspondientes a un ejercicio. 6. En la BB.DD se almacenan todos los ejercicios realizados por todos los usuarios, junto con sus resultados. De un mismo ejercicio ejecutado por un usuario, se van a almacenar los resultados de las últimas tres veces que lo ha practicado, para poder valorar la tendencia de ese ejercicio y saber si es favorable o no para el usuario. 9 5. Por último se obtienen los ítems recomendados al indicar sobre cuál usuario realizar la recomendación. A continuación se muestra una imagen de la arquitectura de un Algoritmo de recomendación de Mahout, para explicar su funcionamiento [15]: Figura 3.2. Arquitectura algoritmo Recommneder, de Mahout. 16 3.3.4 ¿Cómo realizar una valoración de un ejercicio? En este punto se va a explicar los criterios seguidos para realizar las valoraciones de un usuario respecto de un ejercicio de entrenamiento. Estas valoraciones van a ser calculadas de manera automática por la aplicación y en ningún momento interfieren el usuario y el entrenador en ellas. Primero, hay que recordar que un ejercicio de entrenamiento se compone de varias variables de entrenamiento. Para poder valorar ese ejercicio, nos vamos a centrar en las variables que son resultado de la realización del ejercicio, ya que otras sólo sirven como indicador para saber cómo realizar el ejercicio en cuestión (variables antes de realizar el ejercicio). Las variables de entrenamiento que son consideradas para realizar estas valoraciones se pueden clasificar en tres grupos: variables de intensidad, de volumen y de densidad. Comenzamos explicando las variables de entrenamiento que establecen la zona de trabajo de un deportista. Estas variables pertenecen al grupo de variables de intensidad y son cuatro: 1. Frecuencia Cardiaca Máxima (FcMáx) La frecuencia cardiaca (Fc) es el número de veces que el corazón se contrae en un minuto, y es importante conocer su comportamiento entre otras razones por su utilidad práctica como un índice de intensidad para dosificar el ejercicio físico [16]. La FcMáx es la frecuencia máxima (teórica) que puedes alcanzar en un ejercicio de esfuerzo sin poner en riesgo tu salud, siempre y cuando te encuentres en óptima condición física. Al alcanzar la frecuencia cardiaca máxima, teóricamente, se ha alcanzado la máxima capacidad de trabajo [16]. La FcMáx de una persona se calcula mediante la fórmula 220-Edad. 2. Frecuencia Cardiaca de Reserva (FcReserva) La FcReserva es la diferencia entre la FcMáx y la cardiaca de reposo (FcReposo). La FcReserva permite un cálculo más ajustado de la frecuencia cardiaca de entrenamiento o instantánea (FCE), puesto que tiene en cuenta la de FcReposo [16]: FcReserva = FcMáx – FcReposo 17 3. Volumen Máximo de Oxígeno (VO2Máx) Es la cantidad máxima de oxígeno que el organismo puede absorber, transportar y consumir por unidad de tiempo determinado, es decir, el máximo volumen de oxígeno en la sangre que nuestro organismo puede transportar y metabolizar. Es la manera más eficaz de medir la capacidad aeróbica de un individuo. Cuanto mayor sea el VO2Máx, mayor será la capacidad cardiovascular [17]. 4. Velocidad Aeróbica Máxima (VAM) Es la velocidad de carrera alcanzada por un atleta cuando su consumo de oxígeno es máximo. Para un deportista, conocer su VAM es indispensable para planificar su entrenamiento y establecer las velocidades del entrenamiento. Todas las velocidades de entrenamiento se trabajan a un cierto porcentaje del VAM del deportista. Existen diferentes pruebas para calcular el VAM de un deportista. En esta aplicación el entrenador ya conoce el VAM del usuario y lo introduce directamente en sus datos de perfil. Una vez que tenemos definidas estas cuatro variables, para conocer si un usuario está trabajando en la zona de entrenamiento a la que pertenece el ejercicio realizado, los resultados se comparan con una escala (ver en anexo 2) que indica en qué porcentaje del valor de estas variables debe trabajar el deportista para pertenecer a una zona de trabajo. Según la información del entrenador experto, no es necesario tomar el valor de todas las variables cada vez que se realiza un ejercicio. Por tanto, bastaría con que el valor de una de estas cuatro variables cumpla los valores de la escala. Ahora vamos a pasar a explicar las demás variables que son producto de la realización del ejercicio y se deben tener en cuenta para saber si un ejercicio es favorable o no para el usuario que lo realiza. En las cuatro zonas de entrenamiento, dentro del grupo de las variables de intensidad, tenemos las kilocalorías y las sensaciones que son resultado de la realización de un ejercicio: o Kilocalorías: Es una unidad de energía térmica, que es usada para expresar el valor energético de los alimentos. Cuantas más calorías se consuma en la práctica del ejercicio, mejor será para el deportista. 18 o Sensaciones: son un indicador del esfuerzo que realiza un deportista. Se miden por la escala de Borg [18], que es una escala de valores de 0 a 10 en el que el 0 indica que el esfuerzo es mínimo y el 10 que es máximo. Por tanto cuanto mayor sea el valor de esta variable, peor será para el deportista. Luego, dependiendo de la zona de entrenamiento y tipo de ejercicio realizado podemos encontrar variables de tiempo, distancia recorrida, y más variables relacionadas con éstas como pueden ser el número de brazadas, remadas, tiempo medio de unas series, etc. En el caso de las variables relacionadas con el tiempo, cuanto menor sea ese valor mejor para el deportista, al contrario de lo que ocurre con las variables relacionadas con la distancia. Al tener definidas las variables que van a ser consideradas a la hora de realizar la valoración del ejercicio, ya se puede pasar a explicar en qué consiste dicha valoración. Los pasos son los siguientes: - Un ejercicio será valorado en una escala de 1 a 5, siendo las puntuaciones de la siguiente manera:  1: los resultados de las variables VAM, FcReserva, FcMáx, y VO2Máx indican que el usuario no está trabajando en la zona de trabajo correspondiente al ejercicio, y además en el cómputo global de resultados de las demás variables empeora respecto a resultados anteriores del mismo ejercicio realizado por el usuario.  2: los resultados de las variables VAM, FcReserva, FcMáx, y VO2Máx indican que el usuario sí está trabajando en la zona de trabajo correspondiente al ejercicio, pero los resultados en el cómputo global del resto de variables empeoran respecto a resultados anteriores del mismo ejercicio realizado por el usuario.  3: los resultados de las variables VAM, FcReserva, FcMáx, y VO2Máx indican que el usuario sí está trabajando en la zona de trabajo correspondiente al ejercicio, pero los resultados en el cómputo global del resto de variables no alteran los resultados.  4: los resultados de las variables VAM, FcReserva, FcMáx, y VO2Máx indican que el usuario no está trabajando en la zona de trabajo correspondiente al ejercicio, pero sin embargo los resultados en el cómputo global del resto de variables mejoran respecto a resultados anteriores.  5: los resultados de las variables VAM, FcReserva, FcMáx, y VO2Máx indican que el usuario sí está trabajando en la zona de trabajo 19 correspondiente al ejercicio, y los resultados en el cómputo global del resto de variables mejoran respecto a resultados anteriores. - Y ahora bien, ¿qué método se sigue para saber si los resultados de las variables mejoran con respecto a los anteriores? Como se ha comentado en esta memoria en puntos anteriores, la aplicación almacena hasta un máximo de tres, los resultados de las veces que un usuario practica el mismo ejercicio. Por tanto, se pueden llegar a comparar hasta 4 resultados para una variable (los tres ya almacenados, más el que el monitor está introduciendo), y hallando la ecuación de la tendencia de esos valores por el Método de los Mínimos Cuadrados [19], se puede saber si esos valores tienen una progresión alta o baja fijándonos en la pendiente de la recta, si es positiva o negativa respectivamente. Una vez sabido si cada una de las variables mejora o empeora pueden ocurrir tres casos: 1. Si la suma de las variables que mejoran es mayor que las que empeoran, se considera que en el cómputo global las variables del último ejercicio realizado con respecto a los anteriores mejoran. 2. Si la suma de las variables que mejoran es menor que las que empeoran, se considera que en el cómputo global las variables del último ejercicio realizado con respecto a los anteriores empeoran. 3. Si la suma de las variables que mejoran es igual que las que empeoran, se considera que en el cómputo global las variables del último ejercicio realizado se quedan igual que la vez anterior. 3.4. Algoritmos usados En este apartado se van a explicar los tres algoritmos de recomendación que ofrece la aplicación. Los dos primeros se utilizan para comparar sus resultados con un tercer algoritmo que es el principal de la aplicación. Hay que hacer especial hincapié en que para que los algoritmos generen resultados, deben existir previamente un número de ejercicios valorados en la aplicación, que deben haber sido añadidos de forma manual por el entrenador. 20 3.4.1. Algoritmo del Método 1 de recomendación de la aplicación Este algoritmo hace uso de la librería de Mahout, y es un algoritmo basado en usuario con filtrado colaborativo, y que usa la métrica del coeficiente de Tanimoto y el método NearestUserNeighborhood para definir la vecindad. El coeficiente de Tanimoto [20] ignora las preferencias de los usuarios y solamente se fija en que un usuario exprese preferencia por un ítem, que en nuestro caso es que un ejercicio haya sido realizado por un usuario y tenga una valoración. TanimotoCoefficientSimilarity [20] es una de las implementaciones basadas en el coeficiente de Tanimoto. Es el número de ítems por el que dos usuarios expresan preferencias dividido por el número de ítems para el que cada usuario expresa preferencias. Cuando los ítems valorados por dos usuarios se superponen completamente, el resultado del coeficiente de Tanimoto es 1.0 y cuando no lo hacen, en ningún ítem, es 0.0. Un ejemplo es la siguiente tabla: Ejer1 Ejer2 Ejer3 Ejer4 Ejer5 Ejer6 Ejer7 Similaridad con Usu1 Usu1 x x x 1.0 Usu2 x x x x 0.75 Usu3 x x x x 0.17 Usu4 x x x x 0.4 Usu5 x x x x x x 0.5 Figura 3.3 [20]. Valores de similaridad entre Usu1 y otros usuarios, usando coeficiente de Tanimoto. En esta tabla se aprecian los valores del coeficiente de similaridad de Tanimoto entre Usu1 y los otros 4. Aplicado a nuestro trabajo, las valoraciones de los ejercicios no importan, sólo importa que hayan sido realizados por los usuarios y coincidan los mismos ejercicios realizados lo máximo posible. Una vez que se calcula el coeficiente de similaridad, se hace uso del método NearestUserNeighborhood para definir la vecindad, en el que los primeros N usuarios con mayor coeficiente de similaridad respecto al usuario valorado, serán seleccionados como vecinos. En el algoritmo de esta aplicación se seleccionan 10 vecinos. 21 En la siguiente imagen se muestra el código, usado en el desarrollo de la aplicación, de este algoritmo y la explicación: Figura 3.4. Algoritmo basado en usuario con filtro colaborativo, coeficiente de Tanimoto para similaridad y método NearestUserNeighorhood para definir vecindad. 1. Se obtiene el DataModel que es un archivo CSV, que ha sido generado a partir de las valoraciones que existan de los ejercicios en la BB.DD. En este algoritmo se van a coger todas las valoraciones de todos los usuarios, de aquéllas zonas seleccionadas por el entrenador antes de generar la recomendación. 2. Se calcula el coeficiente de similaridad de Tanimoto entre el usuario en cuestión y los demás. 3. Se hace uso del método NearestUserNeighborhood para obtener 10 usuarios vecinos del usuario. 4. Se crea el motor de recomendación (clase Recommender) haciendo uso del método GenericUserBasedRecommender que usando el DataModel, la definición del vecindario y la métrica de similaridad, va a contener aquéllas líneas del DataModel que cumplen las condiciones. 5. Añade a una lista las 5 recomendaciones que mayor similaridad tienen con el usuario. 6. Se obtiene el idEjercicio (identificador del ejercicio) de esas recomendaciones y se añaden a la lista de ejercicios del entrenamiento. 22 3.4.2 Algoritmo del Método 2 de recomendación de la aplicación Este algoritmo, como el anterior, hace uso de la librería de Mahout y es un algoritmo basado en ítem con filtrado colaborativo, y que usa como métrica de similaridad la distancia euclídea. La distancia euclídea mide la distancia entre dos usuarios u1 y u2, pensando en los ítems como las dimensiones y las valoraciones como puntos a lo largo de esas dimensiones [21]. Esta distancia se calcula utilizando todos los ítems (dimensiones) donde ambos usuarios han expresado su preferencia por ese ítem. Se calcula con la raíz cuadrada de la suma de los cuadrados de las diferencias entre las valoraciones del mismo ítem por parte de los usuarios: Distancia (u1,u2)= √𝑎𝑎2+𝑏𝑏2+⋯+𝑛𝑛2, siendo a, b .. n, las diferencias existentes de las valoraciones entre el mismo ítem valorado por u1 y por u2. La similaridad se calculada como 1 / (1 + la distancia), por lo que los valores resultantes están en el rango (0,1]. Un ejemplo es la siguiente tabla: Ejer1 Ejer2 Ejer3 Distancia Similaridad con Usu1 Usu1 5 3 2 0 1.0 Usu2 2 2 5 4.358 0.186 Usu3 5 3 1 0.5 Usu4 4 3 3 1.4 0.41 Figura 3.5 [20]. Distancia euclídea entre Usu1 y otros usuarios, y valor de similaridad 23 En la siguiente imagen se muestra el código, usado en el desarrollo de la aplicación, de este algoritmo y la explicación: Figura 3.6. Algoritmo basado en ítem con filtro colaborativo y distancia euclídea para similaridad. 1. Se obtiene el DataModel que es un archivo CSV, que ha sido generado a partir de las valoraciones que existan de los ejercicios en la BB.DD. En este algoritmo se van a coger todas las valoraciones de todos los usuarios, de aquéllas zonas seleccionadas por el entrenador antes de generar la recomendación. 2. Se calcula la similaridad, entre los ejercicios de los usuarios, con la distancia euclídea. 3. Se crea la recomendación (Recommender) haciendo uso del método GenericItemBasedRecommender que usando el DataModel, y la métrica de similaridad, va a contener aquéllas líneas del DataModel que cumplen las condiciones. 4. Añade a una lista las 5 recomendaciones que mayor similaridad tienen con los ítems del usuario. 5. Se obtiene el idEjercicio de esas recomendaciones y se añaden a la lista de ejercicios del entrenamiento. 24 3.4.3. Algoritmo del Método 3 de recomendación de la aplicación El algoritmo de recomendación que se encuentra en este método es un algoritmo desarrollado específicamente para la recomendación en la práctica deportiva, sin hacer uso de la librería de Mahout. Se puede clasificar como un algoritmo de recomendación híbrido, basado en usuario, ya que obtiene información tanto de los test de valoración inicial, para crear grupos de usuarios, como de las valoraciones existentes sobre ejercicios, para posteriormente generar recomendaciones de ejercicios que sólo están valorados por los usuarios de ese grupo y por él mismo. Cuando el usuario realiza un test, el resultado del mismo puede ser un valor numérico o un valor de clasificación que indica su estado de forma (por ejemplo muy bajo, bajo, medio, etc). Estos resultados se encuentran dentro de una escala (ver anexo 1) de 6 valores que identifican 6 estados de forma de una persona. A la hora de crear los grupos de usuarios con condiciones físicas similares, los resultados de los test se van a normalizar de tal forma que el estado de forma más bajo le corresponde un 1 y el mayor estado de forma un 6. De esta manera, se puede hallar la media de los resultados de los test y usarla para establecer el factor de similaridad entre dos usuarios. Por tanto, para considerar que dos usuarios o más pertenecen al mismo grupo se tienen que cumplir dos condiciones: 1. Todos los usuarios del mismo grupo deben haber realizado los mismos test de valoración o test cuya finalidad sea la misma. Esto último ocurre con los test de Mader, Hollman, Astrand y Rhyming (submáximo), 1 milla, y Astrand y Rhyming de escalón, que todos ellos miden el VO2Máx del deportista. 2. Los usuarios cuya media de test similares realizados difiera como máximo en un 10% (factor de similaridad), se consideran que son usuarios de un perfil de condición física similar y pertenecerán al mismo grupo (serán vecinos). Una vez explicado lo anterior vamos a pasar a explicar los pasos que sigue el algoritmo: 1. Se obtienen los resultados de los test del usuario en cuestión, y se normalizan para adecuarlos a la escala de valores de 1 a 6 comentada anteriormente, y calcular su media. 25 - Cuestionario: esta tabla es creada por DBAdapter.java, a través de la clase TablaResultCuestionario.java. Contiene las respuestas de un usuario a las preguntas del cuestionario. Contiene el nombre de usuario y el identificador de pregunta, juntos con las respuestas del usuario a cada pregunta. -Ejercicios: tabla creada por DBAdapter.java, a través de la clase TablaEjercicios.java. En esta tabla se almacenan todos los ejercicios que puede recomendar la aplicación. Son ejercicios de resistencia y de clasifican en 4 zonas de entrenamiento. Contiene, además del identificador de ejercicio, el nombre de todas las variables de entrenamiento de cada ejercicio acompañado del método de entrenamiento, actividad, y la zona de trabajo a la que pertenece el ejercicio. Es una tabla de sólo lectura. - ListadoEntreno: esta tabla es creada por DBAdapter.java, a través de la clase TablaListadoEntreno.java. Almacena los entrenamientos que realizan los usuarios. Contiene el identificador del entrenamiento, el nombre de usuario, el nombre del entrenamiento, y el método de creación de entrenamiento elegido. Al eliminar un entrenamiento, se eliminan a su vez los ejercicios de los que se compone, pero no se eliminan los resultados de los ejercicios (si un usuario ha realizado un ejercicio, se mantienen sus resultados para posteriores comprobaciones). -ListadoEjercicios: tabla creada por DBAdapter.java, a través de la clase TablaListadoEjercicio.java. Almacena los ejercicios que pertenecen a un entrenamiento. Contiene el identificador de ejercicio, el identificador de entrenamiento, y si el ejercicio es añadido de forma manual o automática. -ResultadosEntreno: tabla creada por DBAdapter.java, a través de la clase ResultadoEjercicios.java. Almacena los resultados de las variables de los ejercicios realizados por los usuarios. Se distingue con tabla ejercicios, en que además de tener todos los campos de ésta, contiene el identificador del usuario y la fecha de realización del ejercicio. Se almacenan los 3 últimos resultados de un mismo ejercicio realizado por el mismo usuario, y solo se pueden modificar los últimos resultados de un mismo ejercicio -tabla_valoracion: tabla creada por DBAdapter.java, a través de la clase TablaValoración.java Almacena la valoración que recibe un ejercicio al ser realizado por un usuario. Contiene el identificador del usuario, el identificador del ejercicio y la valoración. A partir de esta tabla se obtiene el archivo CSV, necesario para las recomendaciones generadas por los algoritmos de Mahout. Además de ser usada para la recomendación por el método 3. Un mismo ejercicio no está valorado dos veces por un mismo usuario, siempre se actualiza a la última valoración conseguida. 32 -tabla_zonas: esta tabla es creada por DBAdapter.java, a través de la clase TablaZonasUsuario.java. Almacena las zonas de trabajo en las que cada usuario ha realizado ejercicios. Contiene el nombre de usuario y la zona de entrenamiento. Si al eliminar ejercicios de un entrenamiento, desaparecen todos los de una zona de entrenamiento, en la tabla se elimina esa zona para el usuario en cuestión. 4.5. Módulo de recomendación La funcionalidad de este módulo se encuentra dentro del nivel de Modelo. En la siguiente imagen se muestra el diagrama de clases, indicando las clases que interactúan para generar una recomendación: Figura 4.6. Clases que intervienen en la recomendación. En lo referente a la recomendación, la clase Modelo.java contiene dos atributos: recomendación y recomendacionPersonal, que son los encargados de obtener una lista de ejercicios recomendados. En esta clase se crea el archivo CSV necesario para la recomendación, con las valoraciones de los ejercicios. La clase ItemRecommendMahout.java, contiene los métodos de recomendación 1 y 2, que son los que utilizan los algoritmos de Mahout. Como se ha mencionado antes, en la clase Modelo.java se encuentra el atributo recomendacion, el cual va a ser el encargado de generar la lista de los ejercicios recomendados dependiendo del método de recomendación (el 1 o el 2) elegido por el entrenador. 33 La clase Recomendacion.java es la encargada de gestionar la recomendación por el método 3. Contiene el algoritmo desarrollado para la optimización del rendimiento deportivo. El atributo recomendacionPersonal de la clase Modelo.java es quien se va a encargar de generar la lista de ejercicios recomendados. 34 Capítulo 5 Resultados 5.1. Introducción En este capítulo se van a explicar y analizar la metodología seguida para la evaluación y análisis de la aplicación desarrollada. La aplicación utiliza 3 algoritmos de recomendación, pero sólo uno de los tres (Método 3) está creado específicamente para lo que nos atañe en este TFG, la optimización del rendimiento deportivo. Los otros dos, al ser algoritmos ya implementados pertenecientes a la librería de Mahout, son utilizados para comparar resultados y ayudar a comprender la base del desarrollo del algoritmo del Método 3. 5.2. Metodología de evaluación Para poder evaluar los resultados obtenidos en el uso de esta aplicación, se hizo entrega de la misma a un entrenador conocedor de la materia. El entrenador, al cabo de unos días nos entrega la BB.DD generada de las operaciones que ha realizado con la aplicación. Estas son las características que encontramos en esa BB.DD: - Introdujo hasta 8 usuarios en el sistema, pero con dos de ellos (Usuario2 y Usuario7) no realizó ningún entrenamiento ni test de evaluación inicial, y la aplicación no les recomendaba nada por lo que no se van a tener en cuenta a la hora de analizar los resultados. - Según los test de evaluación inicial que han realizado los 6 usuarios se observa que:  El Usuario1 y Usuario3 tienen el mismo perfil según condición física, y por tanto son vecinos. Por esto, el algoritmo del método 3 les recomendará los ejercicios mejor valorados realizados por ambos.  El Usuario5 y Usuario8 tienen el mismo perfil según condición física (vecinos). Por esto, el algoritmo del método 3 les recomendará los ejercicios mejor valorados realizados por ambos. 35  Los otros 2 usuarios (Usuario4 y Usuario6) no serían vecinos de ninguno, según sus test realizados, por lo que el algoritmo del método 3 sólo les recomendará los ejercicios más valorados, que hayan realizado ellos mismos. - El entrenador creó un total de 11 entrenamientos personalizados y añadió un total de 20 ejercicios a esos entrenamientos (que un ejercicio pertenezca a un entrenamiento no quiere decir que esté realizado, y por tanto no tiene valoración). - El total de ejercicios realizado por los usuarios es de 19, por lo que la BB.DD contaba con 19 valoraciones sobre ciertos ejercicios (algún ejercicio estaba valorado por más de un usuario). - Además, el entrenador generó 8 entrenamientos utilizando los métodos de recomendaciones automáticas, obteniendo un total de 8 ejercicios recomendados entre todos los entrenamientos generados. Con el objetivo de ampliar los casos de pruebas de la aplicación, después de analizar la BB.DD. generada, se amplía el conjunto de entrenamientos de manera sintética para los usuarios dados. A partir de esta BBDD, vamos a generar más entrenamientos compuestos de ejercicios de manera automática. Para ello, se va a seguir el siguiente procedimiento:  Para el usuario1, se van a generar valoraciones aleatorias totalmente indicando que los resultados de los ejercicios de sus entrenamientos son muy dispares. Estos valores estarán comprendidos entre 1 y 5.  Para el Usuario2, como se ha comentado antes, al no tener ejercicios no se hace nada con él.  Para el Usuario3, se generan valoraciones de manera creciente, de tal forma que siempre va mejorando en el ejercicio o se mantiene.  Para el Usuario4, se generan valoraciones aleatorias, entre 1 y 3, indicando que este usuario no es muy bueno en la realización de sus ejercicios. Nunca mejora los resultados de las variables de entrenamiento. Como mucho, alguna vez los resultados indicarán que trabaja en la zona adecuada de entrenamiento.  Para el Usuario5, se generarán valoraciones de tal forma que muestre una progresión en sus resultados decreciente, de forma que siempre empeora en la realización de sus ejercicios. 36  Para el Usuario6, se generan valoraciones aleatorias, entre 3 y 5, indicando que es un usuario con buenos resultados en todos los ejercicios que realiza. Sus resultados muestran que siempre trabaja en la zona de entrenamiento adecuada, y el valor del resto de variables siempre mejora.  Para el usuario7, como se ha comentado antes, al no tener ejercicios no se hace nada con él.  Para el usuario8, se generan valoraciones de forma aleatoria totalmente como en el caso del Usuario1. Esos valores estarán comprendidos entre 1 y 5.  Y por último, para cada uno de estos usuarios, se han realizado tres iteraciones, de tal forma que se generan automáticamente 9 entrenamientos nuevos para cada uno. Es decir, tres entrenamientos (uno por cada método de recomendación) por iteración. Para realizar estas recomendaciones automáticas, sólo se tienen en cuenta aquéllas zonas de entrenamiento del usuario, a las que pertenecen sus ejercicios asignados.  Para hacer todo lo anterior, se ha creado una clase BancoPruebas.java en la que se implementan las funciones necesarias para conseguirlo. Después de realizar las tres iteraciones, al ver la BB.DD vemos que se han generado 51 valoraciones de ejercicios, o lo que es lo mismo, el total de ejercicios realizados por todos los usuarios es de 51. 5.3. Análisis de resultados Tras las pruebas realizadas creando más entrenamientos de manera sintética, se muestran al entrenador los ejercicios recomendados para que valore las decisiones tomadas por los distintos métodos de recomendación de la aplicación. De esta manera, el entrenador, sin conocer lo que cada algoritmo hace, indica aquéllos ejercicios que él considera que no deberían ser recomendados en los entrenamientos de ciertos usuarios. En este apartado se van a mostrar el total de ejercicios recomendados por cada uno de los métodos de entrenamiento, y el número de ejercicios rechazados por el entrenador cada vez que se crea un entrenamiento por un método de recomendación. En la siguiente tabla y gráfico se pueden observar estos datos: 37 Método 1 Método 2 Método 3 Nº Total ejercicios propuestos 16 24 87 Nº Total rechazados por el entrenador 7 8 8 % Rechazo 43.75 % 33.33% 9.19% Figura 5.1. Relación ejercicios recomendados VS ejercicios rechazados. Figura 5.2. Porcentaje de ejercicios rechazados por cada método. Como se puede observar, el porcentaje de ejercicios rechazados por el experto es superior en el caso de los algoritmos de recomendación 1 y 2, ambos pertenecientes a la librería de Mahout. Sin embargo, podemos ver cómo el algoritmo, del Método 3, propuesto en este TFG alcanza resultados sensiblemente mejores (menos de un 10% de rechazos). Al conocer la valoración del entrenador sobre los ejercicios propuestos, tenemos que decir que esos resultados podrían ser aún mejores si los algoritmos tuvieran en cuenta el conocimiento propuesto por el entrenador a la hora de decidir los ejercicios. Esto es, añadir una serie de restricciones como las siguientes a los algoritmos: - No poder recomendar en el mismo entrenamiento, el mismo ejercicio aunque pertenezca a una zona de entrenamiento diferente. - No repetir ejercicios que sean igual en la actividad, pero distintos en el método de realización. 38 - Para evitar que el algoritmo recomiende ninguno o pocos ejercicios, tener asignados unos ejercicios de cada zona por defecto, para recomendar. Estos ejercicios deben ser de actividades distintas. Otro aspecto que no queremos dejar sin comentar es la falta de homogeneidad en el número de ejercicios recomendados por parte de los distintos métodos de recomendación. Esto es debido a que varios entrenamientos recomiendan 0 ejercicios. Estos entrenamientos son generados por los métodos 1 y 2, que pertenecen a los algoritmos de recomendación de la librería Mahout. Estos métodos hacen uso de los coeficientes de Tanimoto y distancia Euclídea respectivamente, como coeficientes de similaridad. Para que se generen recomendaciones, un requisito de estos algoritmos es que debe existir un buen volumen de ítems valorados para crear el CSV, esto es, que en la tabla de valoraciones existan muchos ejercicios valorados. Estos algoritmos se han probado con un “dataset” de MovieLens [24] que contiene 100.000 ítems valorados y sí se obtienen resultados. Y en nuestra BB.DD, después de tres iteraciones, se ha conseguido llegar tan sólo a las 51 valoraciones. Se tienen que ir añadiendo manualmente más ejercicios a los usuarios por parte del entrenador, además de utilizar los métodos de recomendación, y a la larga se deberían ir obteniendo más ejercicios recomendados. Una posible manera de poder solucionar la falta de datos en nuestra aplicación es, como se ha comentado en las restricciones anteriores, recomendar una lista de ejercicios por defecto si la lista de ejercicios recomendados es vacía. Así cada vez se van valorando más ejercicios por parte de los usuarios, y el número de valoraciones irá creciendo. 39 40 Capítulo 6 Conclusiones 6.1.1 Conclusiones El objetivo principal de este TFG es, tal y como se ha explicado en el presente documento, la creación de un mecanismo computacional capaz de optimizar el rendimiento deportivo de un deportista. El rendimiento deportivo de una persona está sujeto a una serie de condicionantes, como las variables de entrenamiento y las características físicas de la persona, que dificultan su optimización. Las herramientas computacionales existentes permiten ayudar a un entrenador a decidir sobre el plan de entrenamiento que va a implantar a un deportista, pero no garantizan la optimización del rendimiento del deportista que sigue el plan de entrenamiento, debido a los condicionantes antes mencionados. En este TFG se ha propuesto una aplicación, portada para Android, que realiza un seguimiento de una serie de usuarios a través de unos entrenamientos compuestos por varios ejercicios de entrenamiento. El desarrollo de esta aplicación se puede decir que es bastante satisfactorio para ser la primera vez que el autor tiene contacto con el desarrollo de programas para esta plataforma. Se han analizado tres algoritmos de recomendación diferentes, uno de los cuáles ha sido propuesto específicamente en este proyecto para la práctica deportiva, y a la vista de los resultados, se puede ver como la tasa de acierto de éste algoritmo mejora, y cada vez se acerca más a la decisión que tomaría el entrenador experto en la elección de ejercicios de entrenamiento. Además, si a dicho algoritmo se le añaden una serie de restricciones ya mencionadas en el apartado de resultados, elevaría más la tasa de aciertos en la elección de los ejercicios recomendados. Los resultados de los otros dos algoritmos demuestran que no están orientados para la recomendación de la práctica deportiva, ya que están orientados para sistemas en los que existen un conjunto amplio de usuarios e ítems valorados, y así generar recomendaciones. 41 Para modificar cualquier dato, bastaría con pinchar sobre el valor que se quiere cambiar y aparecerá una ventana emergente para poder introducir el nuevo valor: Figura 7.6 Cambio datos en perfil de un usuario Una vez modificado todos los valores deseados, pulsamos en “Guardar cambios” y se almacenarán los nuevos datos. Como se observa en las imágenes también en el apartado de “Perfil” se encuentra el cuestionario que sirve al entrenador para tener más información sobre el usuario, a la hora de crear los entrenamientos. Para contestar a las preguntas, se pulsa sobre cualquiera de ellas, y se introduce la respuesta: Figura 7.7 Cuestionario 48 7.3 Test de valoración inicial Para realizar test de evaluación inicial a un usuario, en el menú inicial se pulsa en “Test Iniciales”, y se selecciona el usuario al que se va a realizar el test, como en el apartado anterior. Si el usuario no se encuentra en el sistema, hay que crearlo. Una vez seleccionado nos aparece una ventana con un menú de “pestañas” en las que hay distintos test de evaluación inicial: Figura 7.8 Test valoración inicial Seleccionamos el test que queremos que evalúe al usuario, e introducimos los parámetros que nos solicite el test. Después de obtener la clasificación del test, pulsamos en “Guardar” para almacenarlo en la BB.DD. Por ejemplo para el test de O’neill: 49 Figura 7.9 Ejemplo test valoración inicial 7.4 Añadir entrenamientos y ejercicios Una vez que tenemos usuarios con test realizados para saber su condición física (necesario para poder recomendar ejercicios por el método 3), podemos crear entrenamientos compuestos por ejercicios de entrenamiento. Para ello, en el menú principal pulsamos en “Entrenamientos” y seleccionamos el usuariario como en los apartados anteriores. Después, nos aparecerá la ventana para crear entrenamientos. Pulsamos en “añadir” y aparece la ventana para elegir la forma de creación del entrenamiento: 50 Figura 7.10 Añadir entrenamiento Existen 4 maneras de crear un entrenamiento: personalizado, método 1, método 2, y método 3. Personalizado: Se introduce un nombre al entrenamiento y se selecciona el método de recomendación “Personalizado”. Método 1: Se introduce un nombre al entrenamiento y se selecciona el “Método 1” de recomendación. Este método utiliza un algoritmo de Mahout en el que el factor de similaridad es el coeficiente de Tanimoto. Además, se seleccionan las zonas de trabajo para recomendar ejercicios sólo de esas zonas: 51 Figura 7.11 Añadir entrenamiento por método de recomendación Para que este método recomiende ejercicios, el usuario debe haber realizado ejercicios anteriormente, y en la BB.DD, debe existir un volumen de ejercicios valorados considerable. La aplicación lo avisa con un mensaje cuando no se recomiendan ejercicios. Método 2: Se introduce un nombre al entrenamiento y se selecciona el “Método 2” de recomendación. Este método utiliza un algoritmo de Mahout en el que el factor de similaridad es la distancia Euclídea. Además, se seleccionan las zonas de trabajo para recomendar ejercicios sólo de esas zonas, como en el método anterior. Para que este método recomiende ejercicios, el usuario debe haber realizado ejercicios anteriormente, y en la BB.DD, debe existir un volumen de ejercicios valorados considerable. La aplicación lo avisa con un mensaje cuando no se recomiendan ejercicios. 52 Método 3: Se introduce un nombre al entrenamiento y se selecciona el “Método 3” de recomendación. Este método utiliza un algoritmo propuesto específicamente para la práctica deportiva, en el que factor de similaridad se basa en los resultados obtenidos en los test de valoración inicial de los usuarios. Recomienda ejercicios siempre y cuando el usuario haya realizado ejercicios previamente, o existan otros usuarios en el sistema con una condición física parecida y que tengan ejercicios realizados. Como en los métodos anteriores, se seleccionan las zonas de entrenamiento de las que quiere recomendar ejercicios. Figura 7.12 Ventana entrenamientos de usuario El número entre paréntesis al lado del nombre del entrenamiento, hace referencia al número de ejercicios que ha recomendado ese método. Esto se hizo para seguir un trazado de lo que va recomendando la aplicación para después poder ser evaluada. El entrenador, después de ver los ejercicios recomendados, puede eliminar los que considere oportunos y añadir otros que crea conveniente. 53 Los entrenamientos se pueden borrar simplemente manteniendo pulsado el entrenamiento o ejercicio, y nos aparecerá un mensaje si deseamos eliminar: Figura 7.13 Eliminar entrenamientos de usuario Para añadir ejercicios a un entrenamiento se pulsa en el entrenamiento donde se quieren añadir y pulsando en el botón “Añadir”, se añaden los ejercicios deseados seleccionando la zona, método y actividad: Figura 7.14 Añadir ejercicio Figura 7.15 Ejercicios de un entrenamientos 54 Por último nos queda introducir los valores, de las variables de entrenamiento, en los ejercicios realizados por el usuario, para que puedan ser valorados. Pulsamos sobre el ejercicio y nos aparecen las variables para introducir los valores pulsando sobre ellas: Figuras 7.16 Ventana introducir valores de ejercicio También se puede ver en la parte inferior, que existen resultados anteriores de ese ejercicio para ese usuario. Se van a mostrar los resultados de las dos últimas veces que el usuario ha realizado el ejercicio, y se puede editar los resultados del último solamente. Esto es por razones a la hora de evaluar la tendencia de los resultados. Pulsando sobre la fecha, podemos ver los valores de las variables cuando se realizó el ejercicio: 55 Figuras 7.17 Ventana para ver valores de ejercicio realizado Si es el último ejercicio realizado, como se ha dicho anteriormente, la aplicación ofrece la posibilidad de editar los valores. Eso se ve si aparece el botón de “Guardar”. Si no aparece, quiere decir que no es el último ejercicio realizado y es sólo de consulta para el entrenador. Una vez introducidos los valores en ciertas variables de un ejercicio (no es necesario rellenar todas), se pulsa en “Guardar” y ese ejercicio obtiene una valoración por parte del usuario. 56 ANEXO 1 Test de valoración inicial: Todos los test se normalizan con valores de 1 a 6, haciendo el 1 al peor estado de forma y el 6 al mejor. 1Test O’neill: Es un test de remo que consiste en recorrer durante 4 minutos la máxima distancia posible. Los valores que puede tomar el test de O`Neill, dependiendo de la distancia recorrida, el sexo, peso y edad del deportista, son los siguientes [25]: Mujeres Excelente Bueno Superior a la media Media Bajo 19-29 Lwt 1078 1038 958 878 798 30-39 Lwt 1050 1010 929 849 769 40-49 Lwt 1030 990 909 829 749 50-59 Lwt 1011 971 891 811 730 60-69 Lwt 992 951 871 791 711 70-79 Lwt 973 933 852 772 692 19-29 Hwt 1105 1065 985 905 824 30-39 Hwt 1057 1017 936 856 776 40-49 Hwt 1044 1004 923 843 763 50-59 Hwt 1037 997 917 836 756 60-69 Hwt 1023 983 903 823 743 70-79 Hwt 944 904 823 743 663 Lwt: 61.5 kg o menos Hwt: más de 61.5 kg Figura A.1.1. Tabla valores test O’neill (Mujeres) [25]. 57 64 Bibliografía [1] Manual de Metodología del Entrenamiento Deportivo, Dietrich Martin: http://books.google.es/books?id=_ehXzkJzpQIC&pg=PT25&lpg=PT25&dq=definir+rend imiento+deportivo&source=bl&ots=1LCg8yljz2&sig=ntALnHgc_vNb611XROqUZBTLgY&hl=es&sa=X&ei=TAWKU_S_FOmu0QWH5YG4DQ&ved=0CG0Q6 AEwCA#v=onepage&q=definir%20rendimiento%20deportivo&f=false [2] Entrenamiento por zonas: Un modelo sencillo y asequible: http://gse.com/es/org/garciaverdugo-com/blog/el-entrenamiento-de-resistencia-por-zonasun-modelo-sencillo-y-asequible [3] Guia Fitness: http://guiafitness.com/ejercicios-resistencia.html [4] Universitat Pompeu Fabra: http://www.upf.edu/hipertextnet/numero2/recomendacion.html [5] Escuela Superior Politécnica del Litoral: http://www.cib.espol.edu.ec/Digipath/D_Tesis_PDF/D-92363.pdf [6] Suárez I., Plasencia A., Aprendizaje automático: http://www.icimaf.cu/revista_cca/sites/default/files/2M_0.pdf [7] Wikipedia Android: http://es.wikipedia.org/wiki/Android [8] Software Development Kit: http://developer.android.com/sdk/index.html [9] Spain Movil: http://www.spainmovil.es/android/apps/n165/entrenamiento-flanaxapps-gratis-android.html [10] Wikipedia Last.fm: http://es.wikipedia.org/wiki/Last.fm [11] Manual del Entrenador Personal: http://www.felipeisidro.com/articles/manual/manual_del_entrenador_personal.pdf [12] Sergio Manuel Galán S., Filtrado Colaborativo y Sistemas de Recomendación: http://www.it.uc3m.es/~jvillena/irc/practicas/06-07/31.pdf [13] Carrillo G., Ochoa X., Universidad Oberta de Catalunya: http://openaccess.uoc.edu/webapps/o2/bitstream/10609/18962/6/gcarrillobTFM011 3memoria.pdf [14] Su, X., Khoshgoftaar, T., A Survey of Collaborative Filtering Techniques. Advances in Artificial Intelligence Vol 2009. (2012). 65 [15] Cataldo Musto, Apache Mahout - Tutorial (2014) http://www.slideshare.net/Cataldo/apache-mahout-tutorial-recommendation20132014 [16] La frecuencia cardiaca: http://www.elromeralcastejon.com/archivos/FORMACION/LA%20FRECUENCIA%20CA RDIACA.pdf [17] Wikipedia VO2Max: http://es.wikipedia.org/wiki/VO2_m%C3%A1x [18] Escalas de Borg: http://www.bkool.com/content/es/Asesoramiento/Entrenamiento/ESFUERZO%20Y%2 0ESCALAS%20DE%20BORG/ESCALAS-DE-BORG/ [19] Análisis de tendencia para series de tiempo: http://www.monografias.com/trabajos87/analisis-tendencia-series-tiempo/analisistendencia-series-tiempo.shtml [20] Owen S. Anil R., Dunning T., Friedman E., Mahout in Action. 2012 by Manning Publications. [21] https://builds.apache.org/job/MahoutQuality/javadoc/index.html?org/apache/mahout/cf/taste/impl/similarity/EuclideanDis tanceSimilarity.html [22] Proyecto Simio: Programación en Android: http://www.proyectosimio.com/programacion-android-base-de-datos-i-modelo-vistacontrolador/ [23] Sgoliver.net BB.DD en Android: http://www.sgoliver.net/blog/?p=1611 [24] Datasets MovieLens GroupLens: http://grouplens.org/datasets/movielens/ [25] Test O’neill: https://sites.google.com/site/nrctrainingprogram/traininginformation/o-neil-fitness-test [26] http://articulos.forociclista.com/prueba-de-astrand-y-ryhming/ [27] Zonas y Métodos de entrenamiento, García Pallarés J., Morán Navarro R., Pérez Caballero C.: http://www.google.es/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0CCkQFjA A&url=http%3A%2F%2Fdigitum.um.es%2Fxmlui%2Fbitstream%2F10201%2F25373%2F 6%2FZonas%2520y%2520M%25C3%25A9todos%2520de%2520Entrenamiento%2520C ardiorrespiratorio.pdf&ei=LuaQU67iBZSysATrjoHwCw&usg=AFQjCNGf8a_0YG5W5kBwmQWaJGwiuqoEQ&bvm=bv.68445247,d.b2k 66