Clasificación de los ejercicios de fuerza: tecnología, retos y futuro

En el contexto del entrenamiento de fuerza, la tecnología está dando pasos firmes para automatizar tareas que antes dependían únicamente de la observación del entrenador/a o del registro manual del atleta.

Una de estas tareas es clasificar los ejercicios de fuerza, es decir, identificar de forma automática qué ejercicio se está realizando a partir de los datos recogidos por los sensores o los sistemas de captura de movimiento implementados.

La precisión de los modelos de clasificación depende de:

• El tipo de ejercicio. Incluido en el conjunto de entrenamiento del modelo.
• La similitud entre ejercicios. Cuanto más semejantes son los patrones de movimiento, más difícil es para el sistema su diferenciación.
• El grupo muscular y la región corporal implicada. Ejercicios de tren superior, de tren inferior y de core.
• El plano y la amplitud del movimiento. Recorrido en grados en los diferentes planos sagital, frontal o transversal.
• La carga externa y su forma de ejecución. Peso y potencia desarrollada con barra, mancuernas, peso corporal, máquina….

Este proceso de clasificación comienza con la captura de datos mediante herramientas como unidades de medición inercial (IMU), acelerómetros, electromiografía o cámaras. Posteriormente, la señal se procesa y se extraen características clave como aceleración, ángulos articulares, fuerza aplicada o activación muscular. Con esta información, un modelo de predicción (machine learning o deep learning) determina de qué ejercicio se trata, distinguiendo incluso entre variaciones muy similares, y registrando parámetros como repeticiones, volumen y calidad técnica.

Una revisión sistemática publicada en 2025 en Sport Medicine ha analizado 44 estudios sobre tecnologías para clasificar ejercicios de fuerza y sus principales conclusiones se concretan en:

• Las IMU (unidad de medición inercial) colocadas en la muñeca destacan por su alta exactitud, incluso en ejercicios de tren inferior. La electromiografía y otros sensores portátiles también ofrecen buenos resultados, mientras que los dispositivos fijos son muy precisos pero menos prácticos fuera del laboratorio.
• Cuanto más similares sean los movimientos, mayor es el reto para su clasificación automática. La variedad y el número de ejercicios incluidos en el entrenamiento del modelo influyen directamente en la precisión.
• Actualmente, cada estudio define su propio conjunto de ejercicios y criterios, lo que dificulta la comparación y la identificación de la mejor tecnología.
• Muchas soluciones comerciales carecen de validación científica y no están preparadas para un uso amplio en entornos reales.

Como conclusiónes destacadas, clasificar ejercicios de fuerza con precisión es posible gracias a la tecnología de sensores pero todavía existen retos importantes a superar:

• Necesidad de protocolos estandarizados que permitan comparar y validar soluciones.
• Desarrollo de tecnologías robustas capaces de distinguir patrones muy similares.
• Validación científica rigurosa de las herramientas disponibles para garantizar su fiabilidad.

El futuro de esta área pasa por combinar ciencia, ingeniería y entrenamiento para ofrecer soluciones fiables tanto a entrenadores como a deportistas.

Brennan, T.R., Weakley, J., Johnston, R.D. et al. Exercise Classification in Resistance Training: A Systematic Review of Technological Approaches. Sports Med (2025). https://doi.org/10.1007/s40279-025-02281-8