Uso de video y machine learning para evaluación de calidad de entrenamientos de la actividad deportiva balonmano.
| dc.contributor.advisor | Torres Inostroza, Sergio | es |
| dc.contributor.author | Cancino Morales, Felipe Esteban | es |
| dc.date.accessioned | 2026-01-27T15:23:09Z | |
| dc.date.available | 2026-01-27T15:23:09Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil en Telecomunicaciones. | es |
| dc.description.abstract | En la intersección de la tecnología y el deporte, esta investigación se ha enfocado en la utilización de un sistema basado en Machine Learning, utilizando el modelo YOLOv8 [1] y el software Kinovea [2], para la detección de puntos de interés enfocados a la actividad de balonmano. El objetivo principal ha sido mejorar el rendimiento de los atletas mediante el análisis detalla do de videos de entrenamiento, identificando ángulos de lanzamiento óptimos, alturas máximas de salto y patrones de movimiento que contribuyan al éxito en el campo de juego. En la pri mera fase de la investigación, se logró implementar y probar con éxito un sistema que analiza ángulos de lanzamiento, estableciendo un rango óptimo de 50° a 150°, lo que permitió identifi car lanzamientos más efectivos en base a recomendaciones de expertos en el área. Este análisis proporcionó una base sólida para la evaluación del rendimiento de los jugadores, destacando la importancia de la biomecánica en el balonmano. Como continuación de esta investigación, se trabajó en dos enfoques clave. El primero, sobre la Efectividad de los Rangos de Ángulos de Lanzamiento, en donde se obtuvieron ángulos ideales de 50° a 150° en el trabajo previo de PHP [3], particularmente en situaciones sin oposición. Sin embargo, se encontró que cada jugador tiene una curva ideal de lanzamiento óptimo, que varía ligeramente dentro del rango general y refleja la adaptación individual en técnica de cada individuo, como se pudo apreciar con el sujeto número 3 que obtuvo un ideal de ángulos de lanzamiento entre 100° y 165°. El segundo enfoque, complementario al primero, se centró en la Influencia de la Posición Defensiva en la Efectividad del Lanzamiento, mostrando que solo un sujeto mantuvo una efec tividad del 40% con defensa, mientras que los demás jugadores disminuyeron su precisión en estas condiciones. Estos hallazgos aportan una base sólida para ajustar estrategias defensivas y ofensivas, optimizando el entrenamiento y la toma de decisiones tácticas en situaciones de juego reales. | es |
| dc.description.abstract | At the crossroads of technology and sports, this research has focused on utilizing a system based on Machine Learning, employing the YOLOv8 model [1] and Kinovea software [2] to detect key points relevant to handball activities. The primary goal has been to enhance athletes’ performance through a detailed analysis of training videos, identifying optimal throwing angles, maximum jump heights, and movement patterns that contribute to success on the playing field. In the initial phase of the research, a system was successfully implemented and tested to analyze throwing angles, establishing an optimal range of 50° to 150°. This allowed for the identification of more effective throws based on expert recommendations in the field. This analysis provided a solid foundation for evaluating player performance, emphasizing the importance of biomechanics in handball. As a continuation of this research, two key approaches were explored. The first focused on the Effectiveness of Throwing Angle Ranges, where ideal angles of 50° to 150° were obtained from prior PHP work [3], particularly in situations without opposition. However, it was found that each player has an optimal throwing curve that varies slightly within the general range, reflecting individual adaptations in technique. This was evident with Subject 3, who achieved ideal throwing angles between 100° and 165°. The second approach, complementary to the first, centered on the Influence of Defensive Position on Throwing Effectiveness, revealing that only one subject maintained a 40% effec tiveness under defensive pressure, while other players saw a decrease in accuracy under these conditions. These findings provide a strong basis for adjusting both defensive and offensive strategies, optimizing training and tactical decision-making in real-game situations. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/13663 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Aprendizaje de máquina | es |
| dc.subject | Video digital | es |
| dc.subject | Deportes | es |
| dc.title | Uso de video y machine learning para evaluación de calidad de entrenamientos de la actividad deportiva balonmano. | es |
| dc.type | Thesis | en |