Come può l'IA insegnare a sollevare il peso giusto senza farsi male?

Il deadlift è uno degli esercizi più amati in palestra, ma una postura sbagliata può trasformare il workout in una fonte di infortuni. Un team di ricercatori ha quindi creato un’app che, grazie al deep learning, analizza i video dei sollevatori e riconosce tre stili di deadlift – convenzionale, rumeno e sumo – oltre a segnalare errori comuni come la schiena curva, l’estensione eccessiva o l’alzata precoce dei fianchi. Per addestrare l’algoritmo, hanno registrato centinaia di video laterali, annotandoli con cura. Hanno poi adattato il modello MoveNet per tracciare i punti chiave delle articolazioni, trasformandoli in “coordinate” che descrivono il movimento. Queste coordinate sono state usate sia da una rete neurale convoluzionale (CNN) sia da un modello LSTM, specializzato nel riconoscere sequenze temporali. I risultati sono sorprendenti: entrambi i modelli hanno raggiunto un punteggio F1 di 0,99 per la classificazione dello stile e perfino 1,00 per l’identificazione della forma corretta. L’app non solo mostra le pose corrette, ma permette anche di rivedere il proprio video con le sovrapposizioni dei punti chiave, offrendo un feedback immediato. In pratica, è come avere un personal trainer digitale che ti avvisa prima che la schiena si incurvi, aiutandoti a migliorare la tecnica e a ridurre il rischio di lesioni.

Il modello MoveNet, originariamente sviluppato per il tracking in tempo reale di pose umane, è stato ottimizzato per estrarre 17 keypoint anatomici (caviglia, ginocchio, anca, spalla, ecc.). Questi punti sono stati normalizzati rispetto alla lunghezza del tronco per rendere il modello indipendente dalla statura dell’atleta. La CNN impiegata utilizza una architettura ResNet‑18 modificata, con strati di convoluzione 3×3 e batch‑normalization, per catturare le caratteristiche spaziali dei keypoint in singoli frame. Parallelamente, il modello LSTM, con due layer di 128 unità ciascuno, elabora sequenze di 30 frame (circa un secondo di video) per apprendere la dinamica temporale del movimento. La combinazione di entrambe le architetture consente di distinguere non solo la postura statica ma anche la velocità e la sincronia dei segmenti corporei. Per la classificazione degli errori, è stato implementato un sistema di soglie basato su deviazioni angolari: ad esempio, un angolo lombare inferiore a 70° per più di 0,2 s è segnalato come "schiena curva". L'addestramento è avvenuto su GPU NVIDIA RTX 3080, con data augmentation (rotazioni ±10°, zoom 0.9‑1.1) per migliorare la robustezza. Il risultato è un modello capace di inferenza in tempo reale (≈30 fps) su dispositivi mobili, aprendo la strada a soluzioni di coaching sportivo basate su IA.