LiftTrack: Una solución móvil basada en 3D CNN para monitorear y mejorar técnicas de levantamiento de pesas

Proyecto de Fin de Carrera - Grado en Ingeniería Informática con especialización en Ingeniería de Software

Una aplicación móvil basada en Flutter diseñada para realizar un seguimiento del progreso del entrenamiento y mejorar la forma de levantamiento utilizando retroalimentación en tiempo real impulsada por una Red Neuronal Convolucional 3D (3D CNN). Este proyecto integra desarrollo móvil, aprendizaje automático y computación en la nube en una solución de fitness unificada.

Duración del Desarrollo: 8 meses (julio 2024 - febrero 2025)

Nota: El repositorio de GitHub para este proyecto es privado debido a políticas académicas/institucionales. Una demostración y un recorrido por el código están disponibles bajo petición.
El documento de investigación de fin de carrera también está disponible bajo petición.
Para explorar más, haga clic en el icono de IA en la parte inferior derecha de este sitio web.

Características

• Seguimiento de entrenamientos y registro de sesiones de ejercicio
• Monitoreo del progreso a largo plazo y objetivos de fitness
• Retroalimentación personalizada basada en la actividad del usuario
• Interfaz de usuario responsiva e intuitiva tanto para Android como para iOS

Mis Contribuciones

• Frontend Flutter (iOS/Android): Construcción de la interfaz móvil multiplataforma usando Dart y Flutter
• Arquitectura: Aplicación de Clean Architecture con BLoC para un código escalable y mantenible
• Funcionalidades Principales: Ingeniería de la funcionalidad principal para el registro de entrenamientos, seguimiento del progreso y autenticación
• Diseño UI/UX: Diseño de interfaces interactivas con énfasis en la claridad y la retroalimentación
• Compatibilidad con iOS: Resolución de problemas específicos de la plataforma e implementación de alternativas a paquetes de Flutter exclusivos para Android
• Refactorización: Liderazgo de la refactorización arquitectónica del módulo de Perfil para mejorar la separación de responsabilidades
• Infraestructura en la Nube: Asistencia en el despliegue del modelo 3D CNN en un servidor remoto en la nube debido a los altos requerimientos de cómputo
• Configuración DevOps: Integración del frontend con servicios de ML en el backend utilizando un pipeline de despliegue personalizado

Desafíos Enfrentados

• Barreras de Desarrollo en iOS: El desarrollo inicial se basó en simuladores de MacBook, aunque ciertas funcionalidades de la cámara requirieron soluciones alternativas.

• Integración Multiplataforma: Varias librerías de Flutter orientadas primero a Android no tenían alternativas para iOS. Investigué e implementé soluciones multiplataforma.

• Complejidad en la Gestión de Estado: Gestionar el estado a través del registro de entrenamientos, la autenticación de usuarios y la retroalimentación en tiempo real utilizando BLoC requirió un diseño cuidadoso.

Arquitectura del Proyecto

Esta aplicación sigue Clean Architecture con capas modulares y organización basada en características.

• Estructura por Capas: Las capas de Presentación, Dominio y Datos están estrictamente separadas
• Módulos de Características: Cada característica principal (ej. Perfil, Progreso, Registro de Entrenamiento) está estructurada de forma independiente
• Gestión de Estado BLoC: Asegura transiciones de estado predecibles y lógica de negocio testable