enrique.buendia@correo.buap.mx

libni.morales@correo.buap.mx

daniel.castillo@correo.buap.mx

Profesores de tiempo completo

Facultad de Cultura Física de la Benemérita 

Universidad Autónoma de Puebla (BUAP)

(México)

Recepción: 30/05/2025 - Aceptación: 24/09/2025

1ª Revisión: 07/09/2025 - 2ª Revisión: 20/09/2025

Documento accesible. Ley N° 26.653. WCAG 2.0

Cita sugerida: Buendia-Lozada, E.R.P., Morales Lorenzana, L., y Castillo Díaz, D. (2026). Sistema integrado para el análisis de la actividad física: acelerometría, frecuencia cardiaca y gasto energético. Lecturas: Educación Física y Deportes, 30(334), 103-115. https://doi.org/10.46642/efd.v30i334.8409

 

Resumen

    Este estudio aborda el desafío de integrar conocimientos multidisciplinarios (como Cultura Física, Actividad Física y Ciencias del Deporte) mediante el desarrollo de una herramienta tecnológica. Se implementó una aplicación de computación en el lenguaje Rust, concebida específicamente como una iniciativa didáctica para facilitar la comprensión y aplicación práctica de estos conceptos. El método se fundamentó en la búsqueda, uso y diseño de algoritmos capaces de procesar y analizar datos biométricos, específicamente información de aceleraciones y frecuencia cardíaca. La herramienta funcionaliza la información de aceleraciones y frecuencia cardiaca para mostrar estimaciones del gasto energético, realizar clasificaciones de la actividad física, hacer estimaciones de consumo de oxígeno y de frecuencia cardiaca máxima y sus respectivas clasificaciones porcentuales; además, realiza clasificación de intensidad usando magnitudes de aceleración, detección de impactos para prevenir lesiones, y realiza estimación personalizada de VO2max y FC máx. Los resultados demuestran que la aplicación permite el cálculo efectivo de variables fisiológicas y cinemáticas en forma asíncrona, logrando traducir datos crudos en indicadores útiles para el análisis del rendimiento y la salud. Se concluye que el uso de esta aplicación computacional apoya exitosamente la integración del conocimiento multidisciplinario, consolidándose como un recurso educativo valioso que vincula la teoría científica con sus posibles aplicaciones en la práctica del ejercicio físico.

    Palabras clave: Biofísica. Deporte. Fisiología humana. Formación de docentes.

 

Abstract

    This study addresses the challenge of integrating multidisciplinary knowledge (such as Physical Culture, Physical Activity, and Sport Sciences) through the development of a technological tool. A computing application implemented in the Rust programming language was developed specifically as a didactic initiative to facilitate the understanding and practical application of these concepts. The method was based on the search, use, and design of algorithms capable of processing and analyzing biometric data, specifically acceleration and heart rate information. The tool operationalizes acceleration and heart rate data to provide estimates of energy expenditure, classify physical activity, estimate oxygen consumption and maximum heart rate and their respective percentage classifications; additionally, it performs intensity classification using acceleration magnitudes, impact detection for injury prevention, and personalized estimation of VO2max and HRmax. The results demonstrate that the application enables the effective asynchronous calculation of physiological and kinematic variables, successfully transforming raw data into useful indicators for performance and health analysis. It is concluded that the use of this computational application effectively supports the integration of multidisciplinary knowledge, consolidating itself as a valuable educational resource that links scientific theory with its potential applications in physical exercise practice.

    Keywords: Biophysics. Sport. Human physiology. Teacher training.

 

Resumo

    Este estudo aborda o desafio de integrar conhecimentos multidisciplinares (como a Cultura Física, a Atividade Física e as Ciências do Desporto) através do desenvolvimento de uma ferramenta tecnológica. Foi implementada uma aplicação computacional na linguagem de programação Rust, especificamente concebida como uma iniciativa didática para facilitar a compreensão e a aplicação prática destes conceitos. O método baseou-se na procura, utilização e desenvolvimento de algoritmos capazes de processar e analisar dados biométricos, especificamente informação de aceleração e frequência cardíaca. A ferramenta funcionaliza os dados de aceleração e frequência cardíaca para exibir as estimativas do gasto energético, classificar a atividade física, estimar o consumo de oxigénio e a frequência cardíaca máxima, bem como as suas respetivas classificações percentuais; também classifica a intensidade utilizando as magnitudes da aceleração, detecta impactos para prevenir lesões e fornece estimativas personalizadas do VO2máx e da frequência cardíaca máxima. Os resultados demonstram que a aplicação permite o cálculo assíncrono eficaz de variáveis ​​fisiológicas e cinemáticas, traduzindo com sucesso os dados brutos em indicadores úteis para a análise de desempenho e saúde. Conclui-se que a utilização desta aplicação computacional apoia com sucesso a integração do conhecimento multidisciplinar, estabelecendo-se como um valioso recurso educativo que conecta a teoria científica com as suas potenciais aplicações na prática do exercício físico.

    Unitermos: Biofísica. Desporto. Fisiologia humana. Formação de professores.

 

Lecturas: Educación Física y Deportes, Vol. 30, Núm. 334, Mar. (2026)

---

 

    La Cultura Física abarca todo un campo de conocimiento que involucra factores biológicos, psicológicos, sociales, pedagógicos entre otros (Comisión Nacional de Cultura Física y Deporte, 2014). Mientras que hay muchos recursos para acceder a información detallada sobre cada uno de los campos, combinar todo este conocimiento en un enfoque integrado y práctico presenta un desafío significativo, como la formación de profesorado (Colén Riau, y Castro González, 2017). Los profesionales de Cultura Física se enfrentan a obstáculos para conectar la teoría y la práctica, como los estudiantes y aficionados que luchan por sintetizar vastas cantidades de información y aplicarla eficientemente en situaciones de la vida real. Asimismo como a los profesores de asignaturas que deberían integrar el conocimiento de formas accesibles y fáciles de llevar a la práctica (Pedraja Rejas, 2012), se enfrentan a una multitud de factores que impiden el avance rápido de dichas soluciones.

 

    Por otro lado, esto parece tener cierta solución en los dispositivos ponibles (relojes y pulseras digitales, entre otros) que representan una de las tendencias más populares en salud y bienestar; de los cuales la literatura actual muestra una validez y fiabilidad inconsistentes para diversas métricas, con algoritmos no disponibles públicamente o carentes de estudios de validación de alta calidad (Shei, Holder, y Oumsang, 2022); los avances en tecnología ponible deberían considerar la estandarización de las métricas de validación, la transparencia en los algoritmos utilizados y la mejora en la adaptación de la tecnología a las necesidades individuales. (Shei, Holder, y Oumsang, 2022)

 

    Al considerar que se ha planteado en los salones de clase, la integración de los siguientes puntos: Intensidad de la actividad, Consumo de oxígeno, Intensidad de la actividad (física, deportiva, recreativa, entre otros) y gasto calórico.

 

    Por lo anterior se planteó crear un objeto técnico (Ocaña Rebollo, Romero Albaladejo, y Gil Cuadra, 2017) que en este caso es crear una aplicación de computación que apoye a dicha integración de conocimiento, como una iniciativa didáctica.

 

Método 

 

    Buscar información en la literatura científica relacionada con: intensidad, consumo de oxígeno (VO2), frecuencia cardiaca (FC), gasto calórico; buscando sus posibles relaciones; búsqueda, uso y diseño de algoritmos capaces de procesar y analizar datos biométricos.

Usar el lenguaje Rust para construir el objeto didáctico correspondiente a una forma de usar la anterior información, verificando la cantidad de error correspondiente. Hacer la aplicación disponible y gratuita, para futuras actualizaciones o mejoras o como referencia.

 

Resultados 

 

Análisis de datos de aceleración 

 

    Fuentes de datos: Los datos de aceleración se obtienen de un archivo llamado accdata.csv, que debe tener la siguiente estructura (Raut, 2024):

 

Fecha, Tiempo, acel_x, acel_y, acel_z

 

03/09/2022,23:35:16,-1.838746905,3.543418407,9.126696587

 

    Cálculo de magnitud de aceleración: La magnitud de la aceleración se calcula usando la teoría de (Lynch, 2023) y su aplicación como se define en (Kindschi, Higgins, Hillman, Penczek, y Lincoln, 2017), con la fórmula de (Devi, 2004):

 

Magnitud = (acc_x**2​+acc_y**2​+acc_z**2) ** 0.5​​

 

donde acc_x, acc_y, y acc_z son las aceleraciones en los ejes x, y, z respectivamente.

 

Fuerza percibida g = magnitud/9.81 (muchos usos en biomecánica)

 

    Histograma de magnitudes: Se genera un histograma de las magnitudes de aceleración para visualizar la distribución de los datos, el eje y es la magnitud de la aceleración resultante.

 

    Diagrama de dispersión de magnitudes: Se crea un diagrama de dispersión de las magnitudes de aceleración con una línea que representa el promedio de las magnitudes.

 

    Clasificación de actividad física: La actividad física se clasifica en función de la magnitud de la aceleración, así se puede relacionar: MET, la actividad física correspondiente como caminar, y la magnitud de la aceleración que es el promedio de todos los datos registrados (Kindschi, Higgins, Hillman, Penczek, y Lincoln, 2017):

• Actividad ligera (<3.0 METs): Magnitudes de aceleración bajas (<2g).

• Actividad moderada (3.0–5.9 METs): Magnitudes de aceleración moderadas (2g a 5.9g).

• Actividad vigorosa (≥6.0 METs): Magnitudes de aceleración altas (≥6g).

    Para el caso del consumo de calorías como ya se vio se usó la unidad MET que es el equivalente metabólico de la tarea que es una aproximación no exacta ni personalizada (Ainsworth et al., 2011): se calcula la magnitud promedio de la aceleración como la intensidad de la actividad. Considerando que en la actualidad, existen diferentes propuestas de umbrales basados en intensidades relativas (considerando características individuales) e intensidades absolutas (que no tienen en cuenta características individuales) (Mendes et al., 2018); y que las guías han recomendado utilizar el equivalente metabólico de la tarea (METs) como umbrales de referencia de intensidades absolutas (ligeras, <3,0 METs; moderadas, 3,0-5,9 METs; vigorosas ≥6,0 METs), sin embargo, sus parámetros de validez no están disponibles en la literatura (Mendes et al., 2018). Propuesta alternativa ligera < 4.9; moderada 4.9-6.8; vigorosas ³ 6.8. (Mendes et al., 2018)

 

    Se solicita al usuario su peso en kg. Se calcula el tiempo total de actividad en horas sumando todos los intervalos y dividiendo entre 3600 segundos. Finalmente, se calcula el consumo de calorías usando la fórmula:

 

Calorías_totales = MET × peso × tiempo_total_horas (Hospitals, 2025)

 

    Donde el MET es una estimación promedio de las magnitudes de las aceleraciones.

 

    El archivo de entrada datos.csv contiene la intensidad (%), frecuencia cardiaca (lpm) y VO2 (ml/kg/min), si estos datos son correctos y de preferencia son actualizados y son más de dos renglones de información, la ecuación creada sería más exacta y personalizada que la David Swain y la de Mojtaba.

 

Análisis de datos de frecuencia cardiaca 

 

    Fuentes de datos: Los datos de frecuencia cardiaca se obtienen de un archivo llamado fc.csv.

 

    Algoritmo DBSCAN: Se utiliza el algoritmo DBSCAN de inteligencia artificial para identificar clústeres de frecuencias cardiacas con una separación máxima de 3 latidos por minuto (lpm) y un mínimo de 2 integrantes por clúster.

 

    Regresión lineal: En cada clúster, se crean bandas de separación lineal de 3 lpm (Robergs, R. A., y Landwehr, R., 2002) y se calculan las ecuaciones de regresión lineal correspondientes. La ecuación de regresión lineal se calcula usando la fórmula:

 

y=slope⋅x + intercept

 

donde:

 

slope = (nΣxy - ΣxΣy) / (nΣx² - (Σx)²)

 

​intercept= (ΣyΣx² - ΣxΣxy) / (nΣx² - (Σx)²)

 

    Además, se calcula el coeficiente de determinación R2 para evaluar la bondad de ajuste.

 

    Relación entre consumo de oxígeno y frecuencia cardiaca: Un error de predicción aceptable para la FC máx (frecuencia cardiaca máxima) para su aplicación a la estimación del VO2máx (consumo máximo de oxígeno) es 3 lpm (Robergs, y Landwehr, 2002). Se utiliza la fórmula de David Swain (1994) para relacionar el consumo de oxígeno con la frecuencia cardiaca (Fitness, 1999):

 

%HR max​≈0.64⋅%VO2máx​+37

 

    y la fórmula de ACSM (2006) para estimar el consumo máximo de oxígeno, esta relación es significativa, ya que proporciona un método práctico para que los atletas y entrenadores midan la intensidad del ejercicio sin necesidad de realizar pruebas exhaustivas (Mojtaba, Dooaly, Seyedhoseini, y Davood, 2010):

 

%VO2máx​≈1.5⋅%FC máx ​– 27

 

    Otra forma de relacionar VO2máx y FC máx es mediante la aplicación de la fórmula de Wicks donde METs = 6 × HRI - 5 para predecir el VO2 que tiene menor error para intensidades bajas; donde el Heart Rate Index (HRI) = FC durante el ejercicio / FC reposo (FCrest) (Kang et al., 2020). Asimismo la frecuencia cardiaca de reserva se calcula con HRR = FC máx – FCrest. (Solheim, Keller, y Fountaine, 2014)

 

    Asimismo se tiene que VO2máx= HRmáx / HRrest * 15.3 mL/kg*min para personas bien entrenadas es mejor. (Uth, Sorensen, y Overgaard, 2004)

 

Estimación del gasto energético 

 

    Gasto Energético Basal (GEB): El gasto energético basal (GEB), es la cantidad mínima de energía que es compatible con la vida el GEB refleja la energía necesaria para mantener el funcionamiento de las células y los tejidos, además de la energía necesaria para mantener la circulación sanguínea y la respiración, es decir el costo básico para mantenernos vivos (Departamento de Fisiología, Facultad de Medicina, UNAM, 2022). Se calcula el GEB usando las fórmulas de Harris-Benedict y Mifflin-St Jeor; Harris-Benedict (Departamento de Fisiología, Facultad de Medicina, UNAM, 2022), verificado en Berral de la Rosa, y Del Águila Quirós (2002):

• Hombres: GEB=66.5+13.75⋅Peso (kg)+5.08⋅Talla (cm)−6.78⋅Edad (años)

• Mujeres: GEB=66.51+9.56⋅Peso (kg)+1.85⋅Talla (cm)−4.68⋅Edad (años)

    Caso Mifflin-St Jeor (Mifflin et al., 1990):

• Hombres: GEB=(10.0⋅Peso) + (6.25⋅Estatura) − (5.0⋅Edad) +5.0

• Mujeres: GEB=(10.0⋅Peso) +(6.25⋅Estatura) − (5.0⋅Edad) −161.0

    Caso Roza, y Shizgal (Roza, y Shizgal, 1984):

• GEB hombres=88.362 + (13.397×peso) + (4.799 × altura) − (5.677×edad), r=0.88

• GEB mujeres=447.593 + (9.247×peso) + (3.098 × altura) − (4.330×edad), r=0.83

Cálculo del GER (Gasto Energético Total) 

 

    Multiplica el GEB por un factor de actividad física: GER = GEB × factor de actividad GER (Tabla 1).

 

Actividad física	Factor de actividad física
Sedentario	1,20
Ligera actividad	1,375
Moderada actividad	1,55
Alta actividad	1,725
Muy alta actividad	1,90

Nota: El factor de actividad física se utiliza para estimar el gasto energético total a partir de la tasa metabólica basal.

 

Estimación del gasto calórico usando VO2máx y FC máx 

 

    Estimación del VO2máx: Se utiliza la fórmula de Keytel para estimar el VO2máx y verificada en (DocDroid, 1999):

 

    Hombres: 

Cal/min=4.184−59.3954+0.2017⋅Edad+0.6309⋅HR+0.4024⋅Temp+0.09036⋅Peso+0.2710⋅Estatura​

    Mujeres: 

 

Cal/min=4.184−59.3954+0.1034⋅Edad+0.6309⋅HR+0.4024⋅Temp+0.09036⋅Peso+0.2710⋅Estatura​

Información extra 

 

    Gráficos: Se generan gráficos para visualizar los clústeres de frecuencias cardiacas (clusters_plot.png), las ecuaciones de regresión y los puntos correspondientes (equations_plot.png); así mismo la gráfica de conversión de magnitudes de aceleración a fuerzas g y su promedio.

 

    Salida de información: La información de los clústeres, las ecuaciones de regresión, los puntos utilizados y los cortes de 3 lpm se guardan en el archivo ecu.txt.

 

Discusión 

 

    Con la información generada puede apoyar a conocer la tasa de impactos (golpes, caídas entre otras) como se describe en (Caswell et al., 2019) con la formula tasa de impactos= (suma de impactos ³ 20) /suma de juegos jugados por el jugador. Se propone que podrían usarse para:

 

Identificación de patrones de riesgo de lesiones 

 

    La tasa de impactos permite identificar situaciones específicas durante un deporte en las que los atletas están expuestos a mayores riesgos de lesiones, especialmente lesiones en la cabeza. En deportes como el lacrosse, fútbol americano o hockey sobre hielo, donde los impactos son frecuentes, conocer la tasa ayuda a determinar qué actividades (por ejemplo, placajes, choques con otros jugadores o caídas) tienen mayor probabilidad de causar lesiones graves.

 

Diseño de estrategias de prevención 

 

    Al comprender la frecuencia y naturaleza de los impactos, los entrenadores y profesionales médicos pueden diseñar programas de entrenamiento más seguros. También permite ajustar las reglas del juego para reducir conductas peligrosas. Por ejemplo, penalizar comportamientos como placajes dirigidos a la cabeza puede disminuir la tasa de impactos de alta magnitud.

 

Evaluación de equipos protectores

 

    La tasa de impactos proporciona datos críticos para evaluar la efectividad de los cascos u otros equipos protectores. Los investigadores podrían usar esta información para mejorar el diseño de estos equipos, asegurando que puedan absorber mejor las fuerzas de impacto y reducir el riesgo de conmociones cerebrales u otras lesiones.

 

Monitoreo de exposición acumulativa 

 

    No solo los impactos individuales de alta magnitud son preocupantes; la exposición acumulativa a múltiples impactos de menor intensidad también puede tener efectos negativos en la salud cerebral a largo plazo. Conocer la tasa de impactos permite monitorear la carga biomecánica total que experimenta un atleta durante una temporada, lo cual es crucial para prevenir lesiones crónicas como la encefalopatía traumática crónica (CTE).

 

Contextualización mediante análisis de video 

 

    La tasa de impactos combinada con análisis de video permite entender mejor las circunstancias específicas en las que ocurren los impactos. Esto incluye:

• La actividad del jugador en el momento del impacto (por ejemplo, si estaba defendiendo, atacando o luchando por la posesión del balón).

• La fuente del impacto (por ejemplo, contacto con otro jugador, palo, pelota o suelo).

• La ubicación del impacto en el casco (frente, lateral, parte superior, etc.).

• Este contexto es vital para desarrollar intervenciones específicas y personalizadas para diferentes posiciones y roles en el equipo.

La tasa de impactos, comparación entre deportes y niveles competitivos 

 

    La tasa de impactos permite comparar diferentes deportes (por ejemplo, fútbol americano vs. lacrosse) o niveles competitivos (por ejemplo, colegial vs. profesional) para identificar diferencias en los patrones de impacto. Esto puede guiar políticas de seguridad específicas para cada deporte o nivel.

 

Enfoque en "mecanismos de no lesión" 

 

    Según el concepto introducido por Willem Meeuwisse (2009), analizar eventos en los que ocurre un impacto pero no resulta en lesión ("mecanismo de no lesión") puede revelar factores protectores. Comprender estas situaciones puede ayudar a identificar variables que contribuyen al juego seguro y a reducir el riesgo de lesiones futuras.

 

Soporte para cambios regulatorios 

 

    Los datos sobre la tasa de impactos respaldan decisiones regulatorias, como la implementación de nuevas reglas para penalizar comportamientos peligrosos. Por ejemplo, en algún deporte, se pueden instituir reglas para penalizar impactos dirigidos a la cabeza y cuello. Monitorear la tasa de impactos antes y después de estas regulaciones permitiría evaluar su efectividad.

 

Gasto calórico 

 

    Para el caso de las caloría, el "Second Compendium of Physical Activities" es una herramienta valiosa para la investigación y la práctica en el campo de la actividad física y la salud (Ainsworth et al., 2011); sin embargo, sus limitaciones deben ser reconocidas para evitar malinterpretaciones o aplicaciones inapropiadas; la falta de individualización, la generalización de los valores MET y la exclusión de actividades modernas son algunos de los desafíos que deben abordarse en futuras actualizaciones (Ainsworth et al., 2011). A pesar de estas limitaciones, el compendio sigue siendo una referencia fundamental para la promoción de estilos de vida activos y la prevención de enfermedades relacionadas con el sedentarismo. (Ainsworth et al., 2011)

 

    Entre otras variables es necesario saber: Tiempo de actividad antes del descanso (que por ejemplo en un adulto mayor debe detenerse después de cada 10-15 minutos de actividad), Hidratación (de manera básica de 5 a 10 ml/kg de peso por hora de ejercicio en ambiente caluroso y húmedo), Recuperación cardiaca y térmica (caminata suave, ambiente ventilado), Consideraciones especiales (consultar al médico, adaptar actividad a nivel de desarrollo si es niño, entre otras), Intensidad y condición física personalizadas, Clima (problema ³ 30° C), Altitud (problemas cada 500 metros de altitud). Estos valores son genéricos.

 

    Con lo mostrado anteriormente esta investigación solo trata de considerar algunas variables. Es necesario continuar con más investigaciones; hasta entonces, es prudente ser cauteloso al interpretar las métricas reportadas por los dispositivos utilizados. (Shei, Holder, y Oumsang, 2022)

 

Conclusiones 

 

    La integración de conocimiento y aplicación práctica se logra para los casos de gasto energético, clasificación de la intensidad de la actividad física, estimación de VO2máx, y FC máx mediante modelos personalizados, detección de impactos para prevenir lesiones.

 

    La herramienta creada cierra la brecha entre la investigación científica y la aplicación en el campo, ya que el recurso es accesible y gratuito, además se puede tener acceso al codigo Rust fuente para posibles adecuaciones específicas.

 

    Se muestra innovación técnica y validación, esto al usar algoritmos transparentes en el lenguaje Rust, a diferencia de los dispositivos comerciales que no los muestran. Implementación de técnicas avanzadas como: DBSCAN, Regresión Lineal, Cálculo de magnitudes de aceleración para clasificar intensidad de la actividad y detección de riesgos de lesiones.

 

    Los resultados muestran la importancia de validar métricas con datos individualizados, ya que las fórmulas generales como las de Harris-Benedict o METs estándar pueden subestimar o sobreestimar valores en casos específicos.

 

    La aplicación no solo es una solución técnica, sino también un recurso educativo que fomenta la educación integrada promueve la prevención de lesiones.

 

    Se muestra que la tecnología puede ser un puente entre la teoría multidisciplinaria y la práctica en Cultura Física, siempre que se base en evidencia científica y algoritmos transparentes.

 

Referencias 

 

Ainsworth, BE, Haskell, WL, Herrmann, SD, Meckes, N., Bassett, DR, Tudor-Locke, C., Greer, J., Vezina, J., Whitt-Glover, M., y Leon, AS (2011). 2011 Compendium of Physical Activities: A second update of codes and MET values. Medicine & Science in Sports & Exercise, 43(8), 1557-1581. https://doi.org/10.1249/MSS.0b013e31821ece12

 

Berral de la Rosa, F.J., y Del Águila Quirós (2002). Nutritional/anthropometric assessment of patients staying in bead or at hospital. Archivos de Medicina del Deporte, 19(88), 129-135. https://www.researchgate.net/publication/288467069

 

Caswell, S.V., Kelshaw, P., Lincoln, A.E., Hepburn, L., Dunn, R., y Cortes, N. (2019). Game-related impacts in high school boys’ lacrosse. The Orthopaedic Journal of Sports Medicine, 7(4). https://doi.org/10.1177/2325967119835587

 

Colén Riau, M.T., y Castro González, L. (2017). El desarrollo de la relación teoría y práctica en el grado de maestro en educación primaria. Profesorado. Revista de Currículum y Formación de Profesorado, (59), 59-79. https://doi.org/10.30827/profesorado.v21i1.10352

 

Comisión Nacional de Cultura Física y Deporte (2014, 21 de julio). ¿Qué es la Comisión Nacional de Cultura Física y Deporte (CONADE)? https://www.gob.mx/conade/prensa/que-es-la-conade

 

Departamento de Fisiología, Facultad de Medicina, UNAM (2022). Gasto energético y requerimientos nutricionales diarios. https://fisiologia.facmed.unam.mx/wp-content/uploads/2022/03/UTIII-5-Gasto-energetico.pdf

 

Devi, M.L. (2024, 8 de enero). Accelerometer Data Analysis.ipynb. GitHub. https://github.com/leelsankar/Accelerometer-Data-Analysis/blob/main/Accelerometer%20Data%20Analysis.ipynb

 

DocDroid (1999). Formulas for calculating calories burned based on heart rate during exercise. https://www.docdroid.net/zv1GVB9/otf-formulas-docx

 

Fitness, N. C. (1999). Relationship between percent HR max and percent VO2 max. National Council on Strength & Fitness. https://ceu-quizzes-cdn.ncsf.org/training-programming/Relationship_between_Percent_HR_Max_and_Percent_VO2_Max.pdf

 

Hospitals, M. (2025). Calculadora de calorías quemadas durante el ejercicio: Controle su progreso físico. Medicover Hospitals. https://www.medicoverhospitals.in/es/fitness-health-calculators/exercise-calorie-calculator

 

Kang, J., Ratamess, NA, Faigenbaum, AD, Bush-Wallace, JA, Roser, C., Montemarano, D., Mercado, H., Choma, M., Mendez, C., y Pollock, M. (2020). Use of heart rate index to predict oxygen uptake – A validation study. International Journal of Exercise Science, 13(7), 1705-1717. https://doi.org/10.70252/THPW3818

 

Kindschi, K., Higgins, M., Hillman, A., Penczek, G., y Lincoln, A. (2017). Video analysis of high-magnitude head impacts in men’s collegiate lacrosse. BMJ Open Sport & Exercise Medicine, 3, e000165. https://doi.org/10.1136/bmjsem-2016-000165

 

Lynch, M. (2023, 16 de septiembre). How to calculate magnitude of a vector. The Tech Edvocate. https://www.thetechedvocate.org/how-to-calculate-magnitude-of-a-vector/

 

Meeuwisse, W.H. (2009). What is the Mechanism of No Injury (MONI)? Clin J Sport Med., 19(1), 1-2. https://doi.org/10.1097/jsm.0b013e3181979c1d

 

Mendes, M., da Silva, I., Ramires, V., Reichert, F., Martins, R., Ferreira, R., y Tomasi, E. (2018). Metabolic equivalent of task (METs) thresholds as an indicator of physical activity intensity. Plos One, 13(7). https://doi.org/10.1371/journal.pone.0200701

 

Mifflin, M., St Jeor, S., Hill, L., Scott, B., Daugherty, S., y Koh, Y. (1990). A new predictive equation for resting energy expenditure in healthy individuals. American Journal of Clinical Nutrition, 51(2), 241-247. https://doi.org/10.1093/ajcn/51.2.241

 

Mojtaba, E., Dooaly, H., Seyedhoseini, M., y Davood, K. (2010, 31 de diciembre). What does the equation %VO2max ≈ 1.5 * %HRmax - 27 signify in exercise physiology? SCISPACE. https://scispace.com/search?q=What+does+the+equation+%25VO2max+%E2%89%88+1.5+*+%25HRmax+-+27+signify+in+exercise+physiology%3F

 

Ocaña Rebollo, G., Romero Albaladejo, I., y Gil Cuadra, F. (2017). Educación stem para integrar conocimientos científicos en la asignatura "tecnología industrial" de bachillerato. Enseñanza de las Ciencias, (Extra), 5327-5336. https://ddd.uab.cat/record/183050

 

Pedraja Rejas, L. (2012). Desafíos para el profesorado en la sociedad del conocimiento. Ingeniare. Revista Chilena de Ingeniería, 20(1), 136–144. https://doi.org/10.4067/S0718-33052012000100014

 

Raut, P. (2024, 27 de agosto). Accelerometer-Data-Analysis-using-Python. GitHub. https://github.com/prashantofficial05/Accelerometer-Data-Analysis-using-Python/tree/main

 

Robergs, R.A., y Landwehr, R. (2002). Prediction of maximal heart rate. Journal of Exercise Physiology Online, 5(2), 1-10. https://www.asep.org/asep/asep/Robergs2.pdf

 

Roza, A., y Shizgal, H. (1984). The Harris Benedict equation reevaluated: Resting energy requirements and the body cell mass. The American Journal of Clinical Nutrition, 40(1), 168-182. https://zakboekdietetiek.nl/wp-content/uploads/2015/06/roza-1984.pdf

 

Shei, R., Holder, I., y Oumsang, A.E. (2022). Wearable activity trackers–advanced technology or advanced marketing? European Journal of Applied Physiology, 122(9), 1975-1990. https://doi.org/10.1007/s00421-022-04951-1

 

Solheim, T.J., Keller, B.G., y Fountaine, C.J. (2014). VO2 reserve vs. heart rate reserve during moderate intensity. International Journal of Exercise Science, 7(4), 311-317. https://doi.org/10.70252/LMXO6754

 

Uth, N., Sorensen, H., y Overgaard, K. (2004). Estimation of V̇O2max from the ratio between HRmax and HRrest–the heart rate ratio method. European Journal of Applied Physiology, 91(1), 111-115. https://doi.org/10.1007/s00421-003-0988-y

Lecturas: Educación Física y Deportes, Vol. 30, Núm. 334, Mar. (2026)