Athlete Performance Monitor
CMJ · IMTP · Sistema de alertas neuromusculares
Dataset sintético de ~6.500 mediciones generado con Python — distribuciones calibradas con normas publicadas en literatura de sport science. Encima: sistema de alertas con umbrales dinámicos por percentil (p25/p75) y seguimiento longitudinal con media móvil de 5 evaluaciones.
¿Por qué datos sintéticos? Los datos reales de atletas contienen información de salud sensible. En lugar de omitirlos o simplificarlos, generé datos ficticios con la misma estructura y distribuciones estadísticas — IDs hasheados desde el origen, ningún nombre real almacenado. La metodología es idéntica al sistema real construido en Ivolution.
150
atletas generados
7
deportes
6.500+
mediciones
12
meses de datos
Pipeline
Desde generación hasta alertas en producción.
generate_athlete_dataset.py
Faker · numpy · hashlib — 150 atletas, 6.500+ mediciones, 0 PII
measurements.csv / athletes.csv
Salida limpia · athlete_id hasheado · listo para cargar
mart_fatigue_alerts.sql
Umbrales p25/p75 dinámicos · SUPERCOMPENSACIÓN / ATENCIÓN / FATIGADO
mart_athlete_trend.sql
Media móvil 5 evaluaciones · % cambio desde baseline
Dashboard de monitoreo
Estado neuromuscular en tiempo real · vista por atleta y por deporte
Lógica de alertas
Ventana dinámica de 90 días por atleta y tipo de ejercicio.
métrica ≥ p75
El atleta supera su rango habitual. Pico de rendimiento o sobreentrenamiento positivo.
p25 < métrica < p75
Dentro del rango normal. Monitorear tendencia.
métrica ≤ p25
Caída por debajo del cuartil inferior. Revisar carga de entrenamiento.
Código
Generación del dataset y los dos modelos SQL principales.