Athlete Performance Monitor
CMJ · IMTP · Sistema de alertas neuromusculares
Dataset sintético de ~6.500 medições gerado em Python — distribuições calibradas com normas publicadas na literatura de sport science. Por cima: sistema de alertas com limiares dinâmicos por percentil (p25/p75) e acompanhamento longitudinal com média móvel de 5 avaliações.
Por que dados sintéticos? Dados reais de atletas contêm informações de saúde sensíveis. Em vez de omiti-los ou simplificá-los, gerei dados fictícios com a mesma estrutura e as mesmas distribuições estatísticas — IDs com hash desde a origem, nenhum nome real armazenado. A metodologia é idêntica à do sistema real que construí na Ivolution.
150
atletas gerados
7
esportes
6.500+
medições
12
meses de dados
Pipeline
Da geração até os alertas em produção.
generate_athlete_dataset.py
Faker · numpy · hashlib — 150 atletas, 6.500+ medições, 0 PII
measurements.csv / athletes.csv
Saída limpa · athlete_id com hash · pronto para carregar
mart_fatigue_alerts.sql
Limiares dinâmicos p25/p75 · SUPERCOMPENSAÇÃO / ATENÇÃO / FADIGADO
mart_athlete_trend.sql
Média móvel de 5 avaliações · % de variação desde a baseline
Dashboard de monitoramento
Estado neuromuscular em tempo real · visão por atleta e por esporte
Lógica de alertas
Janela dinâmica de 90 dias por atleta e tipo de exercício.
métrica ≥ p75
O atleta supera sua faixa habitual. Pico de desempenho ou overreaching positivo.
p25 < métrica < p75
Dentro da faixa normal. Acompanhar a tendência.
métrica ≤ p25
Queda abaixo do quartil inferior. Revisar a carga de treino.
Código
Geração do dataset e os dois modelos SQL principais.