Scheda studio
Frequenza cardiaca e punteggio nel tiro: Guru 2025
Can we predict archery performance using shooting heart rate and other biophysical parameters? A machine learning approach
Citazione
Guru, C. S., Mahajan, U., Krishnan, A., Datta, K., & Sharma, D. (2025). Can we predict archery performance using shooting heart rate and other biophysical parameters? A machine learning approach. Acta Gymnica, 55. https://doi.org/10.5507/ag.2025.007
DOI: 10.5507/ag.2025.007Leggi la versione ad accesso aperto
Cita lo studio
Guru, C. S., Mahajan, U., Krishnan, A., Datta, K., & Sharma, D. (2025). Can we predict archery performance using shooting heart rate and other biophysical parameters? A machine learning approach. Acta Gymnica, 55. https://doi.org/10.5507/ag.2025.007
@article{guru2025predictheart,
author = {Guru, Chandra Sekara and Mahajan, Uma and Krishnan, Anup and Datta, Karuna and Sharma, Deep},
title = {Can we predict archery performance using shooting heart rate and other biophysical parameters? A machine learning approach},
year = {2025},
journal = {Acta Gymnica},
volume = {55},
doi = {10.5507/ag.2025.007}
}
Scheda tecnica
- Disegno
- Studio trasversale
- Popolazione
- Arcieri
- Livello
- Livelli diversi
- Disciplina
- Più discipline
- Numero di soggetti
- 32
- Tipo
- Articolo in rivista
- Lingua
- Inglese
- Revisione tra pari
- Sì
- Sede
- Acta Gymnica
Cosa ha misurato e cosa ha trovato
Trentadue arcieri uomini di un istituto sportivo residenziale indiano, 15 d'élite e 17 non d'élite, fra ricurvo e compound, hanno tirato due sessioni da 30 frecce al coperto con una fascia cardiaca e una telecamera. Per ogni freccia sono stati estratti 11 valori di frequenza cardiaca, da 5 secondi prima a 5 secondi dopo il rilascio: in tutto 21.120 valori. A questi gli autori hanno aggiunto 35 variabili fra misure del corpo, dati fisiologici a riposo, tratti psicologici, qualità del sonno, punteggio della gara precedente e categoria dell'arciere, per costruire dodici modelli di apprendimento automatico che prevedessero il punteggio della sessione.
Il risultato descrittivo più interessante riguarda l'andamento della frequenza cardiaca intorno al tiro. In entrambe le sessioni si vede un rallentamento, e il punto di massima decelerazione cade 2 o 3 secondi dopo il rilascio, nella fase di follow-through, dopo di che la frequenza risale. Nella mappa delle correlazioni, i valori di frequenza cardiaca di tutte e tre le fasi sono correlati negativamente al punteggio, mentre età, anni di pratica, anni di allenamento all'istituto e punteggio della gara precedente sono correlati positivamente.
Fra i dodici modelli, il Cat Boost con i valori cardiaci trattati come lineari è stato scelto come migliore: errore quadratico medio 6,262 punti su un punteggio massimo di 300, R quadro 0,575 e quella che gli autori chiamano accuratezza, 98,18%, ricavata dall'errore percentuale medio. Il punteggio medio previsto è 279,4, contro medie osservate di 279,4 e 279,5 nelle due sessioni.
Con l'analisi di Shapley gli autori ordinano le variabili per importanza. Le prime dieci sono gli anni di pratica, la pressione sistolica a riposo, il punteggio della gara precedente, la forza di presa della mano destra, l'età, la frequenza cardiaca 2 secondi prima del rilascio, il rapporto fra vita e fianchi, l'ansia di tratto da disturbo della concentrazione e la frequenza cardiaca 5 secondi dopo il rilascio. Due direzioni vanno contro quello che la letteratura si aspetta: valori più alti di ansia da disturbo della concentrazione e valori più bassi di forza di presa spingono verso un punteggio previsto più alto.
Come è stato misurato
Lo studio è osservazionale, condotto su arcieri uomini di un istituto sportivo residenziale indiano con l'approvazione del comitato etico dell'Armed Forces Medical College di Pune. Il campione ha 21,8 anni di media, 7,6 anni di pratica e 4,1 anni di allenamento all'istituto; statura 168,7 cm, peso 66,7 kg, rapporto vita-fianchi 0,9, grasso corporeo 10,9%. La forza di presa è 41,6 kg a destra e 40,8 a sinistra, la frequenza a riposo 58,8 battiti al minuto, la pressione a riposo 114,5 su 64,4 mmHg. Sui tratti d'ansia, i punteggi medi sono 13,9 per la componente somatica, 13,1 per la cognitiva e 8,2 per il disturbo della concentrazione. Il punteggio più alto nella gara precedente è 660,4 ± 29,68 su 720, con sette arcieri che venivano da gare internazionali, undici da gare nazionali e quattordici da gare sotto il livello nazionale.
Ogni arciere ha tirato 30 frecce in due sessioni, per 1.920 frecce in tutto, con una fascia cardiaca al torace e una ripresa video che permetteva di collocare ciascun battito rispetto al tiro. Da ogni freccia sono stati estratti 11 valori di frequenza cardiaca, uno al secondo da meno 5 a più 5 rispetto al rilascio, divisi nelle tre fasi: mira da meno 5 a meno 1, rilascio a 0, follow-through da più 1 a più 5. Il punteggio massimo per freccia è 10, quindi quello della sessione è 300. I materiali e i metodi di dettaglio sono quelli di uno studio pilota degli stessi autori del 2020.
Le variabili indipendenti sono 35 e comprendono profilo dell'arciere, misure antropometriche, parametri fisiologici, tratti psicologici, qualità del sonno e gli 11 valori cardiaci. I modelli sono stati costruiti in Python 3.11.4 in due versioni: una con i valori cardiaci come variabili lineari e una che aggiunge anche i loro polinomi di secondo grado, per tenere conto dell'andamento curvilineo della decelerazione. Sei modelli per versione, dodici in tutto: regressione lineare, ElasticNet, foresta casuale, XG Boost, Cat Boost e Light GBM, con gli iperparametri scelti per ricerca a griglia con validazione incrociata.
I dati della sessione 1 (960 righe) servono ad addestrare, quelli della sessione 2 (960 righe) a provare. Le misure di qualità sono l'errore quadratico medio, l'R quadro, l'errore percentuale assoluto medio e quella che gli autori chiamano accuratezza, definita come cento meno l'errore percentuale. L'importanza delle variabili è calcolata con il metodo di Shapley, che fornisce sia un ordinamento complessivo sia la scomposizione per singolo arciere, mostrata per quattro arcieri a coppie dentro la stessa categoria.
Il metodo, spiegato: Come si misurano frequenza cardiaca e HRV negli arcieri, Machine learning e visione artificiale negli studi sul tiro, Questionari psicologici
Limiti
Il modo in cui i dati sono stati divisi fa sì che la prova non sia una prova fuori campione. Le righe sono 960 per sessione, cioè 32 arcieri per 30 frecce, mentre la cosa da prevedere è il punteggio della sessione, un numero solo per arciere: lo stesso valore è quindi ripetuto trenta volte. E gli stessi 32 arcieri stanno sia nell'addestramento sia nella prova, con le loro variabili costanti, cioè età, anni di pratica, pressione, forza di presa, rapporto vita-fianchi, tratti d'ansia e punteggio della gara precedente. Un modello così può riconoscere di quale arciere si tratta dalle sue caratteristiche fisse e restituire il totale che quell'arciere fa di solito. Non è un errore di calcolo, è il disegno: per sapere se il modello prevede davvero servirebbe tenere fuori degli arcieri interi, non una seconda sessione delle stesse persone. Gli autori non lo elencano fra i limiti.
L'accuratezza del 98,18% non vuol dire quasi niente. Deriva dall'errore percentuale medio su una grandezza che vale in media 279 su 300 e che varia poco, con deviazione standard fra 7,4 e 9,8: sbagliare di 5 punti su 279 fa meno del 2%. La prova migliore che quel numero non misura la capacità di prevedere sta nella loro stessa tabella: il modello Light GBM ha R quadro 0,000, cioè non spiega niente, e la sua «accuratezza» è 97,27%. Fra il modello che non prevede nulla e quello dichiarato migliore c'è meno di un punto percentuale. L'R quadro di 0,575 è l'unica misura leggibile delle quattro, ed è moderata.
Fra le variabili più importanti, la seconda cosa da notare è quali sono. Sette delle prime dieci sono caratteristiche fisse dell'arciere, non cose che succedono durante il tiro, e una di queste è il punteggio della gara precedente, cioè una misura passata della stessa cosa che si vuole prevedere. Metterla fra le variabili garantisce potere predittivo e non dice niente di utile a un allenatore: il modello sta in buona parte affermando che chi tira da più anni e ha già segnato bene segnerà bene. Solo due dei primi dieci posti sono valori cardiaci presi durante il tiro, che è la novità dichiarata del lavoro.
Due direzioni dell'effetto vanno contro quello che la letteratura si aspetta, e gli autori le riportano senza discuterle: una presa più debole e un punteggio più alto di ansia da disturbo della concentrazione spingono verso un punteggio previsto più alto. Su un modello costruito così è più probabile che siano artefatti di un campione di 32 persone con molte variabili correlate fra loro che effetti reali; in ogni caso non si possono usare come indicazione pratica.
Restano cose più ordinarie. Il campione è di soli uomini, 32, di un solo istituto residenziale, e non è vario come la ripartizione fra élite e non élite suggerisce: il punteggio medio nella gara precedente è 660 su 720, cioè 9,17 per freccia, quindi anche i «non élite» tirano bene. Nel testo l'età è data come 21,8 ± 2,0 anni mentre la tabella riporta 21,8 ± 5,63. Il livello e il tipo di arco entrano nel modello come categoria, quindi fra i predittori compare l'appartenenza a un gruppo. L'approvazione etica è del 2016 e il pilota è del 2020, quindi i dati hanno diversi anni. I limiti che gli autori dichiarano sono due e minori: non avere incluso variabili di forma fisica specifica e avere lavorato al coperto in condizioni controllate, che rende difficile estendere il modello alle gare all'aperto.
Cosa vuol dire per chi tira
Il dato che vale indipendentemente dal modello è l'andamento della frequenza cardiaca intorno al tiro, misurato su 21.120 battiti. C'è un rallentamento, e il punto più basso non cade al rilascio ma 2 o 3 secondi dopo, dentro il follow-through; poi la frequenza risale. È una precisazione su quello che si legge di solito, cioè che il cuore rallenta prima di lasciare la corda: in questi arcieri il rallentamento continua oltre la partenza della freccia. Chi usa una fascia cardiaca in allenamento può cercarlo nei propri tracciati, e la finestra da guardare è da cinque secondi prima a cinque dopo.
Sul resto conviene essere prudenti. Il modello non è stato provato su arcieri che non avesse già visto: le stesse 32 persone stanno nell'addestramento e nella prova, e sette delle dieci variabili più importanti sono loro caratteristiche fisse, compreso il punteggio della gara precedente. Quello che il modello riconosce bene, in buona parte, è chi sei, non come stai tirando oggi. L'accuratezza del 98% non cambia il quadro: nella stessa tabella, il modello che spiega zero varianza arriva al 97,3%, perché su punteggi tutti vicini a 279 su 300 basta dire «la media» per sbagliare poco.
Due risultati specifici non vanno portati in allenamento. Che una presa più debole si associ a un punteggio previsto più alto, e che più ansia da disturbo della concentrazione vada con un punteggio più alto, sono direzioni opposte a quello che la letteratura trova, e su 32 arcieri con decine di variabili correlate è il tipo di risultato che compare per caso.
Resta un riferimento utile: 30 frecce al coperto, punteggio medio 279 su 300 in entrambe le sessioni, cioè 9,3 per freccia, su arcieri che nella gara migliore avevano fatto 660 su 720. E un'osservazione di metodo che il lavoro mostra bene: con una fascia cardiaca e un video si collocano i battiti rispetto al rilascio, senza strumentazione di laboratorio. È la parte del lavoro che un allenatore può copiare.
Nel registro
Le affermazioni in cui questo studio è un'evidenza, con la sua posizione e lo stato attuale.
- ContestatoGli arcieri più ansiosi in gara fanno punteggi più bassi (contro)
- RiportatoIl livello di attivazione ideale per tirare bene cambia da arciere ad arciere (contesto)
- RiportatoNel compound si segna più che nel ricurvo, anche tirando ciascuno alla propria distanza di gara (a favore)
- RiportatoGli arcieri compound raggruppano meglio dei ricurvisti (contesto)
- ContestatoIl cuore dell'arciere rallenta nei secondi che precedono il rilascio (a favore)
- ContestatoLa forza delle braccia è legata alla precisione del tiro (contro)
- RiportatoLa frequenza cardiaca dello stesso arciere cambia da una seduta all'altra (a favore)
- ContestatoUna frequenza cardiaca più bassa al momento del tiro migliora il punteggio (a favore)
- RiportatoA riposo i giovani arcieri hanno valori cardiorespiratori nella norma (a favore)
- ContestatoIl punteggio di un arciere si prevede meglio dall'esperienza e dai risultati passati che dai dati del momento (a favore, contro)
Articoli che lo usano
Filone di ricerca
Popolazione e disciplina
Cita, nel registro
- 1990Fine Body Movements and the Cardiac Cycle in Archery
- 2015The relative importance of performance factors in Korean archery
- 2017Exploring the quiet eye in archery using field- and laboratory-based tasks
- 2018Anthropometry Correlation Towards Archery Performance
- 2018Bio-physiological indicators in evaluating archery performance
- 2022Performance assessment in archery: a systematic review
- 2024Do the physical elements improving archery performance?
- 2024Physical capacity and performance correlation in sub-elite Indonesian archery athletes
Stesso filone
- 2015The relative importance of performance factors in Korean archery
- 2017Exploring the quiet eye in archery using field- and laboratory-based tasks
- 2018Anthropometry Correlation Towards Archery Performance
- 2022Performance assessment in archery: a systematic review
- 2024Do the physical elements improving archery performance?
- 2024Physical capacity and performance correlation in sub-elite Indonesian archery athletes
Cita questa scheda
Campagna, M. (2026). Scheda studio: Can we predict archery performance using shooting heart rate and other biophysical parameters? A machine learning approach. In Registro delle evidenze. matteocampagna.com. Consultato il 16 ottobre 2026, da https://matteocampagna.com/evidence/guru-2025-predict-heart
@misc{campagna2026_evidenceguru2025predictheart,
author = {Campagna, Matteo},
title = {Scheda studio: Can we predict archery performance using shooting heart rate and other biophysical parameters? A machine learning approach},
year = {2026},
howpublished = {Registro delle evidenze, matteocampagna.com},
url = {https://matteocampagna.com/evidence/guru-2025-predict-heart},
note = {consultato il 2026-10-16}
}
Aggiornamenti del registro, per email
Al massimo un'email al mese, e solo nei mesi in cui qualcosa cambia: affermazioni che cambiano stato, affermazioni nuove, previsioni del Laboratorio registrate o verificate, studi nuovi e l'uscita dei libri.
L'iscrizione la gestisce Systeme.io, il servizio della newsletter. In ogni email c'è il link per cancellarti con un clic.