B.1. Breve descripción del Trabajo de Fin de Grado (TFG) y puntuación obtenida El fútbol es el deporte más practicado del mundo y requiere altas capacidades físicas y mentales. Gracias a la medicina deportiva, la tecnología y la especialización de profesionales, se ha impulsado la ciencia deportiva para prevenir lesiones. Hoy en día, varios clubes usan algoritmos de aprendizaje automático en entrenamientos, pero este trabajo busca ir más allá: predecir lesiones tanto en entrenamientos como en competición. El estudio se centra en el uso del perfil Fuerza-Velocidad (F-V) y el promedio de microciclos como métodos de preprocesado, junto con variables como antecedentes de lesiones y posición en el campo. Para ello, se analizaron datos biomecánicos, futbolísticos y temporales de jugadores de la U.D. Las Palmas, procesados en R y Python. Se aplicaron algoritmos de machine learning con técnicas de muestreo para resolver el desbalance entre datos de jugadores sanos y lesionados. Los resultados mostraron que las variables más relevantes son el momento de la lesión, la posición y el tipo de entrenamiento. Entre los modelos probados, el más efectivo fue el Easy Ensemble Classifier con el dataset basado en el perfil F-V y un etiquetado específico de lesiones. En conclusión, el sistema permite identificar factores de riesgo y optimizar entrenamientos personalizados, mejorando el rendimiento y reduciendo lesiones. Como pasos futuros, se propone aumentar la muestra, usar tecnología más avanzada, incorporar factores psicológicos y combinar algoritmos balanceados. 

Puntuación obtenida: 9.4

B.2. Breve descripción del Trabajo de Fin de Máster (TFM) y puntuación obtenida El salto vertical es una habilidad clave en baloncesto, utilizada en ataque y defensa. Este TFM plantea que es posible clasificar a los jugadores por posición mediante aprendizaje automático y la medición del salto vertical con sensores inerciales Movella Awinda. Para ello, se compararon sus registros con plataformas de fuerza Hawkin Dynamic en 10 jugadores amateur de diferentes posiciones, empleando 7 sensores en los miembros inferiores y técnicas como PCA y clustering. Los resultados mostraron alta correlación entre tecnologías, buenos valores de ICC y concordancia en el análisis de Bland-Altman. El clustering permitió dividir eficazmente a los jugadores según su posición y demandas físicas, aportando información útil para entrenadores en rendimiento, prevención de lesiones y captación de talentos. No obstante, el estudio presenta limitaciones como el tamaño reducido de la muestra y diferencias entre tecnologías. 

Puntuación obtenida: 8