{"id":695761,"date":"2026-09-23T10:24:16","date_gmt":"2026-09-23T10:24:16","guid":{"rendered":"https:\/\/www.europesays.com\/it\/695761\/"},"modified":"2026-09-23T10:24:16","modified_gmt":"2026-09-23T10:24:16","slug":"lia-puo-capire-quando-i-muscoli-stanno-cedendo-il-test-sui-ciclisti-elite","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/it\/695761\/","title":{"rendered":"L\u2019IA pu\u00f2 capire quando i muscoli stanno cedendo? Il test sui ciclisti \u00e9lite"},"content":{"rendered":"<p><strong>Il ciclista continua a pedalare. La potenza comincia a scendere. Ma quanto sono davvero affaticati i suoi muscoli?<\/strong><\/p>\n<p>\u00c8 una domanda molto pi\u00f9 difficile di quanto sembri.<\/p>\n<p>La sensazione di fatica \u00e8 soggettiva. La potenza pu\u00f2 diminuire per diversi motivi. E osservare dall\u2019esterno un atleta che sta dando tutto non permette necessariamente di capire cosa stia accadendo dentro i suoi muscoli.<\/p>\n<p>Ora un gruppo di ricercatori ha provato a trasformare proprio quel segnale invisibile in un numero.<\/p>\n<p>Uno studio pubblicato il <strong>16 settembre 2026 su BMC Sports Science, Medicine and Rehabilitation<\/strong> ha utilizzato l\u2019<strong>elettromiografia di superficie (sEMG)<\/strong> e un modello di intelligenza artificiale per stimare continuamente la fatica muscolare durante uno sprint ciclistico massimale. La sperimentazione ha coinvolto <strong>14 ciclisti \u00e9lite<\/strong>, sottoposti a 30 secondi di pedalata \u201call out\u201d, cio\u00e8 con il massimo sforzo possibile.<\/p>\n<p>Il risultato \u00e8 sorprendente: il modello, combinando segnali elettrici provenienti dai muscoli e informazioni temporali, \u00e8 riuscito a seguire abbastanza bene l\u2019evoluzione della fatica.<\/p>\n<p>Ma la vera domanda non \u00e8 soltanto se l\u2019algoritmo funziona.<\/p>\n<p>\u00c8 <strong>quanto manca perch\u00e9 una tecnologia del genere possa diventare uno strumento realmente utilizzabile durante un allenamento<\/strong>.<\/p>\n<p>Il muscolo manda continuamente segnali<\/p>\n<p>Ogni contrazione muscolare \u00e8 accompagnata da un\u2019attivit\u00e0 elettrica.<\/p>\n<p>L\u2019elettromiografia di superficie permette di registrare questi segnali attraverso piccoli elettrodi applicati sulla pelle. Non misura direttamente la forza prodotta dal muscolo, ma registra l\u2019attivit\u00e0 elettrica associata al reclutamento delle fibre muscolari.<\/p>\n<p>\u00c8 una tecnologia utilizzata da anni nella ricerca biomeccanica e nella fisiologia dell\u2019esercizio.<\/p>\n<p>La novit\u00e0 dello studio sta nel modo in cui questi dati vengono interpretati.<\/p>\n<p>I ricercatori hanno posizionato gli elettrodi su <strong>quattro muscoli della gamba<\/strong>: retto femorale, bicipite femorale, tibiale anteriore e gastrocnemio laterale. Contemporaneamente hanno registrato la potenza prodotta sulla cyclette.<\/p>\n<p>La potenza ha permesso di costruire un indice continuo di fatica, basato sulla diminuzione della potenza rispetto al picco raggiunto dall\u2019atleta.<\/p>\n<p>L\u2019algoritmo ha poi cercato di capire se dai segnali muscolari fosse possibile ricostruire quella curva.<\/p>\n<p>Quando la potenza scende, il muscolo cambia<\/p>\n<p>Durante i 30 secondi di sprint il quadro \u00e8 molto chiaro: <strong>la potenza diminuisce progressivamente mentre l\u2019indice di fatica aumenta<\/strong>.<\/p>\n<p>Ma non tutti i muscoli sembrano comportarsi allo stesso modo.<\/p>\n<p>Nel segnale elettromiografico analizzato dagli autori, retto femorale e gastrocnemio mostravano una riduzione progressiva dell\u2019attivit\u00e0 durante lo sprint, mentre per bicipite femorale e tibiale anteriore i cambiamenti apparivano meno evidenti.<\/p>\n<p>\u00c8 proprio questa complessit\u00e0 a rendere interessante l\u2019intelligenza artificiale.<\/p>\n<p>Un essere umano potrebbe osservare quattro tracciati e cercare manualmente di interpretarli.<\/p>\n<p>Un modello di deep learning pu\u00f2 invece analizzare simultaneamente <strong>migliaia di variazioni nel segnale e la loro evoluzione nel tempo<\/strong>, cercando combinazioni che permettano di stimare il livello di fatica.<\/p>\n<p>L\u2019algoritmo segue la fatica quasi in diretta<\/p>\n<p>Il modello sviluppato dai ricercatori combina tre componenti: una rete <strong>CNN<\/strong>, una rete <strong>Bi-LSTM<\/strong> e un meccanismo di attenzione.<\/p>\n<p>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 pi\u00f9 utili.<\/p>\n<p>Il risultato \u00e8 stato confrontato con otto modelli alternativi.<\/p>\n<p>Il sistema combinato ha ottenuto un <strong>errore assoluto medio di 0,048<\/strong>, una correlazione di Pearson di <strong>0,822<\/strong> e un valore di R\u00b2 di <strong>0,493<\/strong>. \u00c8 stato inoltre l\u2019unico modello testato ad avere un R\u00b2 positivo. Rispetto a una semplice regressione basata soltanto sul trascorrere del tempo, l\u2019errore \u00e8 stato ridotto del <strong>35,1%<\/strong>.<\/p>\n<p>Il dato pi\u00f9 interessante non \u00e8 quindi che l\u2019IA \u201cindovini\u201d la fatica.<\/p>\n<p>\u00c8 che <strong>riesca a ricostruirne continuamente l\u2019andamento utilizzando un segnale fisiologico prodotto direttamente dai muscoli<\/strong>.<\/p>\n<p>Perch\u00e9 potrebbe cambiare l\u2019allenamento<\/p>\n<p>Immaginiamo un ciclista durante una seduta ad alta intensit\u00e0.<\/p>\n<p>Oggi il preparatore pu\u00f2 osservare potenza, frequenza cardiaca, velocit\u00e0, cadenza e percezione dello sforzo. Sono informazioni preziose, ma non raccontano necessariamente nello stesso momento cosa sta accadendo ai singoli gruppi muscolari.<\/p>\n<p>Un sistema basato sulla sEMG potrebbe aggiungere un livello completamente diverso.<\/p>\n<p>Potrebbe aiutare a capire <strong>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\u2019atleta produce potenza<\/strong>.<\/p>\n<p>In prospettiva, questo potrebbe servire per personalizzare il carico di allenamento.<\/p>\n<p>Non tutti gli atleti raggiungono lo stesso livello di fatica dopo lo stesso numero di sprint. Un protocollo identico per tutti pu\u00f2 quindi produrre risposte molto diverse.<\/p>\n<p>L\u2019idea futura \u00e8 passare dall\u2019allenamento basato soltanto su ci\u00f2 che l\u2019atleta dovrebbe fare all\u2019allenamento basato anche su <strong>ci\u00f2 che il suo corpo sta effettivamente mostrando in quel momento<\/strong>.<\/p>\n<p>Il limite \u00e8 enorme: erano soltanto 14 ciclisti<\/p>\n<p>\u00c8 qui che bisogna frenare l\u2019entusiasmo.<\/p>\n<p>Lo studio \u00e8 interessante, ma \u00e8 anche piccolo.<\/p>\n<p>Sono stati coinvolti soltanto <strong>14 ciclisti \u00e9lite<\/strong>, tutti sottoposti a una singola sessione sperimentale di 30 secondi su un cicloergometro in condizioni controllate. Il modello \u00e8 stato valutato con una procedura leave-one-subject-out e con una rapida calibrazione individuale.<\/p>\n<p>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.<\/p>\n<p>E c\u2019\u00e8 un altro dettaglio fondamentale.<\/p>\n<p><strong>L\u2019indice di fatica non era misurato direttamente dal muscolo.<\/strong><\/p>\n<p>Era ricavato dalla diminuzione della potenza prodotta durante lo sprint. L\u2019IA cercava quindi di stimare un indicatore di fatica basandosi sull\u2019attivit\u00e0 elettrica muscolare.<\/p>\n<p>\u00c8 un approccio molto interessante, ma non equivale ancora a dire che il dispositivo \u201clegga\u201d direttamente quanto \u00e8 affaticato un muscolo.<\/p>\n<p>Dal laboratorio alla maglia intelligente<\/p>\n<p>La vera frontiera sar\u00e0 portare questa tecnologia fuori dal laboratorio.<\/p>\n<p>Oggi gli elettrodi vengono applicati con attenzione, i segnali vengono acquisiti con apparecchiature dedicate e l\u2019analisi richiede un sistema informatico.<\/p>\n<p>Domani, almeno in teoria, <strong>sensori miniaturizzati potrebbero essere integrati in una fascia, in una maglia tecnica o persino in un indumento da ciclismo<\/strong>.<\/p>\n<p>L\u2019IA potrebbe elaborare i dati in tempo reale e restituire un\u2019indicazione comprensibile all\u2019atleta o al preparatore.<\/p>\n<p>Non necessariamente un messaggio come \u201csei al 73% di fatica\u201d.<\/p>\n<p>Potrebbe essere molto pi\u00f9 utile un\u2019indicazione relativa al comportamento abituale di quella persona: <strong>il muscolo sta lavorando diversamente dal solito, la fatica sta aumentando rapidamente, il recupero potrebbe essere insufficiente<\/strong>.<\/p>\n<p>\u00c8 una differenza importante.<\/p>\n<p>La tecnologia pi\u00f9 promettente non sar\u00e0 quella che assegna un numero alla fatica, ma quella che riuscir\u00e0 a capire <strong>quando quel numero sta diventando rilevante per quell\u2019atleta<\/strong>.<\/p>\n<p>Non \u00e8 ancora un dispositivo per tutti<\/p>\n<p>Gli stessi autori riconoscono diversi limiti: campione ridotto, assenza di validazione esterna, indice di fatica derivato indirettamente dalla potenza e necessit\u00e0 di testare il sistema su gruppi pi\u00f9 numerosi e diversificati. Soprattutto, servono studi <strong>in condizioni reali di allenamento<\/strong>, non soltanto durante uno sprint controllato.<\/p>\n<p>Per ora, quindi, nessun ciclista dovrebbe pensare di poter acquistare un sensore e ottenere una misura clinicamente affidabile della propria fatica muscolare.<\/p>\n<p>Ma la direzione \u00e8 interessante.<\/p>\n<p>Perch\u00e9 la medicina dello sport sta passando da una fotografia del corpo a qualcosa di molto pi\u00f9 dinamico: <strong>misurare continuamente come il corpo cambia mentre si allena<\/strong>.<\/p>\n<p>E forse il prossimo grande salto non sar\u00e0 trovare un atleta capace di spingere ancora pi\u00f9 forte.<\/p>\n<p>Sar\u00e0 capire <strong>il momento esatto in cui spingere ancora non serve pi\u00f9<\/strong>.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/www.europesays.com\/it\/wp-content\/uploads\/2026\/09\/ChatGPT_Image_23_set_2026,_09_20_19-1790148039783.webp\" alt=\"\" width=\"1024\" height=\"1536\" caption=\"false\"\/><\/p>\n<p><strong>Fonti:<\/strong><\/p>\n<p> BMC Sports Science, Medicine &amp; Rehabilitation, 2026; PubMed; letteratura su elettromiografia di superficie, fatica neuromuscolare e intelligenza artificiale nello sport.<\/p>\n","protected":false},"excerpt":{"rendered":"Il ciclista continua a pedalare. La potenza comincia a scendere. Ma quanto sono davvero affaticati i suoi muscoli?&hellip;\n","protected":false},"author":3,"featured_media":695762,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","_share_on_mastodon":"0"},"categories":[173],"tags":[382433,381698,198449,382429,382430,668,1537,90,89,329503,382432,195,198,199,197,200,201,345516,382431,194,196],"class_list":["post-695761","post","type-post","status-publish","format-standard","has-post-thumbnail","category-scienza-e-tecnologia","tag-bi-lstm","tag-bmc-sports-science-medicine-and-rehabilitation","tag-deep-learning","tag-elettromiografia-di-superficie","tag-fatica-muscolare","tag-intelligenza-artificiale","tag-it","tag-italia","tag-italy","tag-pubmed","tag-rete-cnn","tag-science","tag-science-and-technology","tag-scienceandtechnology","tag-scienza","tag-scienza-e-tecnologia","tag-scienzaetecnologia","tag-semg","tag-sprint-ciclistico-massimale","tag-technology","tag-tecnologia"],"share_on_mastodon":{"url":"https:\/\/pubeurope.com\/@it\/117319872193079182","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/695761","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/comments?post=695761"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/posts\/695761\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media\/695762"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/media?parent=695761"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/categories?post=695761"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/it\/wp-json\/wp\/v2\/tags?post=695761"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}