Il ciclista continua a pedalare. La potenza comincia a scendere. Ma quanto sono davvero affaticati i suoi muscoli?

È una domanda molto più difficile di quanto sembri.

La sensazione di fatica è soggettiva. La potenza può diminuire per diversi motivi. E osservare dall’esterno un atleta che sta dando tutto non permette necessariamente di capire cosa stia accadendo dentro i suoi muscoli.

Ora un gruppo di ricercatori ha provato a trasformare proprio quel segnale invisibile in un numero.

Uno studio pubblicato il 16 settembre 2026 su BMC Sports Science, Medicine and Rehabilitation ha utilizzato l’elettromiografia di superficie (sEMG) e un modello di intelligenza artificiale per stimare continuamente la fatica muscolare durante uno sprint ciclistico massimale. La sperimentazione ha coinvolto 14 ciclisti élite, sottoposti a 30 secondi di pedalata “all out”, cioè con il massimo sforzo possibile.

Il risultato è sorprendente: il modello, combinando segnali elettrici provenienti dai muscoli e informazioni temporali, è riuscito a seguire abbastanza bene l’evoluzione della fatica.

Ma la vera domanda non è soltanto se l’algoritmo funziona.

È quanto manca perché una tecnologia del genere possa diventare uno strumento realmente utilizzabile durante un allenamento.

Il muscolo manda continuamente segnali

Ogni contrazione muscolare è accompagnata da un’attività elettrica.

L’elettromiografia di superficie permette di registrare questi segnali attraverso piccoli elettrodi applicati sulla pelle. Non misura direttamente la forza prodotta dal muscolo, ma registra l’attività elettrica associata al reclutamento delle fibre muscolari.

È una tecnologia utilizzata da anni nella ricerca biomeccanica e nella fisiologia dell’esercizio.

La novità dello studio sta nel modo in cui questi dati vengono interpretati.

I ricercatori hanno posizionato gli elettrodi su quattro muscoli della gamba: retto femorale, bicipite femorale, tibiale anteriore e gastrocnemio laterale. Contemporaneamente hanno registrato la potenza prodotta sulla cyclette.

La potenza ha permesso di costruire un indice continuo di fatica, basato sulla diminuzione della potenza rispetto al picco raggiunto dall’atleta.

L’algoritmo ha poi cercato di capire se dai segnali muscolari fosse possibile ricostruire quella curva.

Quando la potenza scende, il muscolo cambia

Durante i 30 secondi di sprint il quadro è molto chiaro: la potenza diminuisce progressivamente mentre l’indice di fatica aumenta.

Ma non tutti i muscoli sembrano comportarsi allo stesso modo.

Nel segnale elettromiografico analizzato dagli autori, retto femorale e gastrocnemio mostravano una riduzione progressiva dell’attività durante lo sprint, mentre per bicipite femorale e tibiale anteriore i cambiamenti apparivano meno evidenti.

È proprio questa complessità a rendere interessante l’intelligenza artificiale.

Un essere umano potrebbe osservare quattro tracciati e cercare manualmente di interpretarli.

Un modello di deep learning può invece analizzare simultaneamente migliaia di variazioni nel segnale e la loro evoluzione nel tempo, cercando combinazioni che permettano di stimare il livello di fatica.

L’algoritmo segue la fatica quasi in diretta

Il modello sviluppato dai ricercatori combina tre componenti: una rete CNN, una rete Bi-LSTM e un meccanismo di attenzione.

Semplificando molto, la CNN cerca caratteristiche locali nei segnali muscolari, la Bi-LSTM cerca di comprendere come questi segnali cambiano nel tempo e il sistema di attenzione prova a dare maggiore peso alle informazioni più utili.

Il risultato è stato confrontato con otto modelli alternativi.

Il sistema combinato ha ottenuto un errore assoluto medio di 0,048, una correlazione di Pearson di 0,822 e un valore di R² di 0,493. È stato inoltre l’unico modello testato ad avere un R² positivo. Rispetto a una semplice regressione basata soltanto sul trascorrere del tempo, l’errore è stato ridotto del 35,1%.

Il dato più interessante non è quindi che l’IA “indovini” la fatica.

È che riesca a ricostruirne continuamente l’andamento utilizzando un segnale fisiologico prodotto direttamente dai muscoli.

Perché potrebbe cambiare l’allenamento

Immaginiamo un ciclista durante una seduta ad alta intensità.

Oggi il preparatore può osservare potenza, frequenza cardiaca, velocità, cadenza e percezione dello sforzo. Sono informazioni preziose, ma non raccontano necessariamente nello stesso momento cosa sta accadendo ai singoli gruppi muscolari.

Un sistema basato sulla sEMG potrebbe aggiungere un livello completamente diverso.

Potrebbe aiutare a capire quando un muscolo sta aumentando il proprio carico di lavoro, quando la coordinazione neuromuscolare cambia e quando la fatica comincia a modificare il modo in cui l’atleta produce potenza.

In prospettiva, questo potrebbe servire per personalizzare il carico di allenamento.

Non tutti gli atleti raggiungono lo stesso livello di fatica dopo lo stesso numero di sprint. Un protocollo identico per tutti può quindi produrre risposte molto diverse.

L’idea futura è passare dall’allenamento basato soltanto su ciò che l’atleta dovrebbe fare all’allenamento basato anche su ciò che il suo corpo sta effettivamente mostrando in quel momento.

Il limite è enorme: erano soltanto 14 ciclisti

È qui che bisogna frenare l’entusiasmo.

Lo studio è interessante, ma è anche piccolo.

Sono stati coinvolti soltanto 14 ciclisti élite, tutti sottoposti a una singola sessione sperimentale di 30 secondi su un cicloergometro in condizioni controllate. Il modello è stato valutato con una procedura leave-one-subject-out e con una rapida calibrazione individuale.

Questo significa che non abbiamo ancora dimostrato che la stessa tecnologia funzioni durante una vera gara, su strada, con sudore, movimento, vibrazioni, variazioni di posizione e segnali rumorosi.

E c’è un altro dettaglio fondamentale.

L’indice di fatica non era misurato direttamente dal muscolo.

Era ricavato dalla diminuzione della potenza prodotta durante lo sprint. L’IA cercava quindi di stimare un indicatore di fatica basandosi sull’attività elettrica muscolare.

È un approccio molto interessante, ma non equivale ancora a dire che il dispositivo “legga” direttamente quanto è affaticato un muscolo.

Dal laboratorio alla maglia intelligente

La vera frontiera sarà portare questa tecnologia fuori dal laboratorio.

Oggi gli elettrodi vengono applicati con attenzione, i segnali vengono acquisiti con apparecchiature dedicate e l’analisi richiede un sistema informatico.

Domani, almeno in teoria, sensori miniaturizzati potrebbero essere integrati in una fascia, in una maglia tecnica o persino in un indumento da ciclismo.

L’IA potrebbe elaborare i dati in tempo reale e restituire un’indicazione comprensibile all’atleta o al preparatore.

Non necessariamente un messaggio come “sei al 73% di fatica”.

Potrebbe essere molto più utile un’indicazione relativa al comportamento abituale di quella persona: il muscolo sta lavorando diversamente dal solito, la fatica sta aumentando rapidamente, il recupero potrebbe essere insufficiente.

È una differenza importante.

La tecnologia più promettente non sarà quella che assegna un numero alla fatica, ma quella che riuscirà a capire quando quel numero sta diventando rilevante per quell’atleta.

Non è ancora un dispositivo per tutti

Gli stessi autori riconoscono diversi limiti: campione ridotto, assenza di validazione esterna, indice di fatica derivato indirettamente dalla potenza e necessità di testare il sistema su gruppi più numerosi e diversificati. Soprattutto, servono studi in condizioni reali di allenamento, non soltanto durante uno sprint controllato.

Per ora, quindi, nessun ciclista dovrebbe pensare di poter acquistare un sensore e ottenere una misura clinicamente affidabile della propria fatica muscolare.

Ma la direzione è interessante.

Perché la medicina dello sport sta passando da una fotografia del corpo a qualcosa di molto più dinamico: misurare continuamente come il corpo cambia mentre si allena.

E forse il prossimo grande salto non sarà trovare un atleta capace di spingere ancora più forte.

Sarà capire il momento esatto in cui spingere ancora non serve più.

Fonti:

BMC Sports Science, Medicine & Rehabilitation, 2026; PubMed; letteratura su elettromiografia di superficie, fatica neuromuscolare e intelligenza artificiale nello sport.