FitForEsports

FitForEsports is a real-time fatigue monitoring platform designed for professional esports organisations. It integrates biometric, cognitive, and subjective data into a single daily score (0-10) that quantifies each player's readiness to compete.

The system collects data across four independent physiological and cognitive blocks: autonomic recovery (HRV), sleep architecture, cognitive-motor performance (4 tests), and perceived fatigue. Each block contributes a weighted component to the global score, compared against the player's individual 14-21 day rolling baseline.

The platform is deployed as a single-page web application accessible from any device, with Firebase Firestore as the cloud backend for cross-device synchronisation.

Block	Weight	Max Points	Baseline
HRV (Autonomic Recovery)	25%	2.50p	21-day rolling average
Sleep Quality	25%	2.50p	14-day rolling average
Cognitive-Motor Performance	25%	2.50p	14-day rolling average
Perceived Fatigue (PSE)	25%	2.50p	14-day rolling average

Performance sub-block (2.50p):

Test	Weight	Max	Measures
Reaction Time (VR)	30%	0.84p	Visual-motor processing speed
Go/No-Go (Stroop)	30%	0.84p	Inhibitory control + decision throughput
Number Sequence	25%	0.70p	Visual search + motor precision + working memory
CPS/APM	15%	0.42p	Neuromuscular drive (finger tapping)

All transfer functions use continuous linear interpolation (no discrete steps) with a +/-4% noise zone and a hard cap at -20% from baseline. The mathematical model is fully documented in the internal Technical Log.

Since v3.1 (April 2026), two performance blocks capture scientifically-validated secondary metrics that feed a composite scoring formula: Go/No-Go additionally records the Stroop Effect (reaction time cost under colour-word interference, Meeusen et al. 2013) as a direct marker of prefrontal inhibitory control under fatigue; CPS/APM additionally records Peak APM, Sustain Ratio and Decay Slope as a neuromuscular fatigue signature. Both blocks combine primary and secondary metrics via a 70 % primary + 30 % advanced sub-metric formula, with per-component clamps (+/-40 % variation) to prevent single-outlier domination. Legacy entries without the new fields transparently fall back to the primary-only formula (backward-compatible migration, no score discontinuity).

• Sleep Override: Sleep < 5.5h -> automatic CRITICAL status + effective score reduction: effectiveTotal = total x (sleepH / 5.5)
• Chronic Sleep Debt: 3+ consecutive days at 5.5-6.0h -> forced CAUTION floor (Banks & Dinges, 2007)
• Performance Hard Cap: Any cognitive test >20% below baseline -> 0 points for that component + acute performance drop diagnostic
• Trend Analysis: Streak detection, monotony index (Foster, 1998), and linear regression across 5-day windows for predictive alerts
• Missing Data Strategy (v3.2): Three-tiered approach based on absence type. Technical absence (no HRV/wearable): redistribute missing 2.50p across remaining blocks (~1.333x — Modelo v2 25/25/25/25). Operational absence (rest day): carry forward recent 14-day non-rest performance average — rest days are invisible to trend analysis. First day (no baseline): fixed neutral anchor (1.25p performance). Each strategy preserves score validity while respecting the nature of the absence.
• Controlled Experimental Design (v3.1): The 4 performance tests use balanced pseudo-random stimulus sequences (Latin-square distribution with 3-pass de-clustering in Go/No-Go, deterministic visual layouts seeded per date in Number Sequence with normalised total cursor-travel distance (12,000px constant across all instances), balanced wait intervals in Reaction Time, fixed ODD-left/EVEN-right mapping). Anticipatory responses below 80 ms are rejected as physiologically impossible; 3 anticipatory clicks abort the Reaction Time test. These measures minimise luck-based variance and maximise signal-to-noise ratio in fatigue measurement.
• Differentiated Baseline Windows (v3.2): Rolling-average windows are tuned per metric based on learning-curve sensitivity. HRV uses 21 days (autonomic stability); Sleep, PSE, Visual Reaction, and CPS Sustain use 14 days; Go/No-Go and CPS Peak use 10 days; Number Sequence uses 7 days (high learning effect from spatial chunking strategies). Shorter windows on learning-heavy tests prevent baseline lag from masking fatigue signal when skill evolves rapidly — a stable skilled player and a learning player both get accurate fatigue readings relative to their current capability, not their historical one.
• Circadian Reward (v3.2): The circadian modifier range extends from [0.90, 1.00] to [0.90, 1.05]. Players with consistent bedtime in the optimal window (22:00-23:30) and low variability (stdDev ≤15 min) receive up to +5% bonus on the sleep block. Requires ≥7 bedtime entries (stricter than the penalty threshold of 5). Based on Wittmann et al. (2006) — circadian alignment has measurable physiological benefit, not just absence of harm.
• Fragmented Sleep Debt Detection (v3.2): Chronic sleep debt detection now includes a second method: 7-day mean <6.5h AND stdDev >1.0h triggers caution. This captures alternating patterns (e.g. 4h/8h/4.5h/7h) common in esports due to tournament schedules, streaming, and travel — patterns the original consecutive-days method (Banks & Dinges 2007) misses.
• Asymmetric Projection Bands (v3.2): D+1/D+2/D+3 confidence bands now widen with the projection horizon (D+1: ±0.3, D+2: ±0.5, D+3: ±0.7 at high confidence), reflecting increasing uncertainty. Previously symmetric bands gave false confidence in longer-range projections.

Authentication	Firebase Authentication (email + password) with role-based custom claims (player / coach / staff). Session-scoped persistence (closing the tab logs out) for shared studio PCs, plus an 8-hour absolute inactivity cap. Server-side rate limiting on every callable.
Data at rest	Firestore (Google Cloud, EU region) with granular per-role security rules (owner-only access to biometric/mental data, staff-scoped team data, default-deny on everything else). Local mirror in browser localStorage for offline-first capability.
Data in transit	HTTPS enforced via Netlify CDN. All Firebase SDK connections use TLS 1.2+.
Consent	Explicit consent modal (GDPR Art. 6/7) shown before first access. Bilingual (ES/EN). Covers: intellectual property, health data processing, right to erasure, confidentiality.
Right to Erasure	GDPR Art. 17 compliance. Data deletion requests via fitforesports@gmail.com. Staff has built-in data management tools for selective metric deletion with automatic score recalculation. Maximum response time: 30 days.
IP Protection	Scoring algorithm, transfer functions, and diagnostic profiles are proprietary (authorship registration active) and run exclusively server-side in Cloud Functions — the client never receives the scoring math. License agreement prohibits reverse engineering.

Complementing the internal load model, FitForEsports includes a complete external workload tracking system based on the Session-RPE method (Foster, 1998). Staff logs daily training sessions (Scrims, SoloQ, VOD Review, Gym, Official Matches) with configurable duration and intensity factors.

External ACSR: An external Acute:Chronic ratio is computed from training load data (7d acute / 28d chronic), using the same Gabbett (2016) framework as the internal ACSR. The same zone thresholds apply (0.80–1.30 optimal, 1.30–1.50 risk, >1.50 critical).

Efficiency Index — 5-zone integrated classifier: The cross-reference between internal ACSR (fatigue response) and external ACSR (training load applied) is formalised as a clinical classifier with 5 diagnostic zones and specific prescriptions. BALANCED: equilibrium, sustainable maintenance state. ADAPTATION: high external load well absorbed — peak window pre-competition. OVERREACHING: high load plus high internal fatigue — expected during intentional loading, plan deload within 7–10 days. MALADAPTATION: elevated internal fatigue without corresponding training load — the key clinical signal, consistent with the non-training fatigue concept described in Meeusen et al. (2013) ECSS/ACSM consensus statement as an early marker of subclinical illness, sleep debt, or psychological load; prescription includes ruling out illness first and mandatory medical consultation if it persists beyond 5 days. FRESH: low load, low fatigue — safe to ramp up volume or correct pre-taper state. Each zone includes a staff-facing prescription with concrete temporal thresholds (3–5 day monitoring, 7–10 day deload, 5-day medical consultation in MALADAPTATION).

The system includes a monthly heatmap calendar, team roster weekly overview, copy/paste functionality for rapid data entry, automatic match day session suggestions, load distribution analysis by activity type, and weekly summaries cross-referenced with internal fatigue scores. Based on the internal:external load relationship described by Impellizzeri et al. (2004).

Complementing the daily scoring engine, FitForEsports v3.1 includes a dedicated Training Zone module for player-driven skill acquisition. Players can run unlimited practice sessions on the 4 performance tests without affecting their daily fatigue score. Practice and fatigue are treated as orthogonal axes: skill evolves over time while fatigue fluctuates around a stable skill baseline. Conflating them would contaminate both measurements.

Strict data separation: Training sessions persist to a dedicated Firestore collection (training_logs), completely isolated from the checkins collection that feeds the scoring engine. The scoring engine never reads training data. Practice immediately before a check-in cannot contaminate the daily fatigue measurement -- a critical invariant for scientific validity.

Private progress view for players: Each player sees their own personal bests, 10-session rolling medians, 14-day progression sparklines, a 30-day activity calendar heatmap, and 13 achievement milestones (9 volume-based always visible, 4 performance-based as surprise unlocks). All metrics are framed against the player's own historical baseline -- no peer comparisons, no ranking, no judgmental colour coding.

Staff visibility -- volume only: Within the Performance Analysis dashboard, staff see training volume per player (session counts per test, 14-day activity calendar) but no performance metrics from training sessions. This preserves the player's private territory around deliberate practice while giving staff the information needed to detect overtraining patterns. The decision to expose volume but not scores is deliberate: it avoids the performance pressure dynamic ("why did you do badly in practice today?") that would compromise the player's intrinsic motivation to self-practice.

Nocebo-safe design: The stats view uses only motivational framing (personal bests, streaks, milestones, consistency indicators). There are no declining-trend warnings, no red arrows, no "you are getting worse" signals. If longitudinal regression is detected, it surfaces only in the staff check-in dashboard -- never in the player-facing Training Zone.

Cognitive-Motor Profiling (v3.3): Radar/spider charts visualise each player's skill profile across trainable dimensions, normalised against manually-defined elite benchmarks (VR 120ms, Go/No-Go 50pts, Number Sequence 10s). Two separate radar views enforce strict data-source separation: the player-facing radar (Training Zone) uses practice session data (4 axes: RT, Go/No-Go, Sequence, CPS) while the staff-facing radar (Performance Detail) uses check-in data only (3 axes: Reaction, Attention, Motor). CPS/APM is excluded from the staff radar because it measures SNP fatigue state, not a trainable skill. The staff radar displays two overlaid polygons: a solid 14-day profile and a dashed today snapshot, enabling the coach to distinguish stable strengths/weaknesses from acute daily fluctuation. This is the prescriptive tool for individualised training: "this player needs Go/No-Go work" or "focus on Number Sequence."

FitForEsports es una plataforma de monitorización de fatiga en tiempo real diseñada para organizaciones profesionales de esports. Integra datos biométricos, cognitivos y subjetivos en una única puntuación diaria (0-10) que cuantifica la disponibilidad competitiva de cada jugador.

El sistema recoge datos de cuatro bloques fisiológicos y cognitivos independientes: recuperación autonómica (HRV), arquitectura del sueño, rendimiento cognitivo-motor (4 tests) y fatiga percibida. Cada bloque aporta un componente ponderado a la puntuación global, comparado contra el baseline individual del jugador de 14-21 días.

La plataforma se despliega como una aplicación web de página única accesible desde cualquier dispositivo, con Firebase Firestore como backend cloud para sincronización entre dispositivos.

Bloque	Peso	Puntos Max.	Baseline
HRV (Recuperación Autonómica)	25%	2.50p	Media móvil 21 días
Calidad de Sueño	25%	2.50p	Media móvil 14 días
Rendimiento Cognitivo-Motor	25%	2.50p	Media móvil 14 días
Fatiga Percibida (PSE)	25%	2.50p	Media móvil 14 días

Sub-bloque de Rendimiento (2.50p):

Test	Peso	Max	Mide
Tiempo de Reacción (VR)	30%	0.84p	Velocidad de procesamiento visomotor
Go/No-Go (Stroop)	30%	0.84p	Control inhibitorio + throughput de decisión
Number Sequence	25%	0.70p	Búsqueda visual + precisión motora + memoria de trabajo
CPS/APM	15%	0.42p	Activación neuromuscular (finger tapping)

Todas las funciones de transferencia usan interpolación lineal continua (sin escalones discretos) con zona de ruido de +/-4% y un tope rígido en -20% respecto al baseline. El modelo matemático está completamente documentado en el Technical Log interno.

Desde v3.1 (abril 2026), dos bloques de rendimiento capturan métricas secundarias con validación científica que alimentan una fórmula de puntuación composite: Go/No-Go registra adicionalmente el Stroop Effect (coste de tiempo de reacción bajo interferencia color-palabra, Meeusen et al. 2013) como marcador directo del control inhibitorio prefrontal bajo fatiga; CPS/APM registra adicionalmente Peak APM, Sustain Ratio y Decay Slope como firma de fatiga neuromuscular. Ambos bloques combinan la métrica primaria y la secundaria mediante una fórmula 70 % primaria + 30 % sub-métrica avanzada, con clamps por componente (+/-40 % de variación) para evitar que un único outlier domine el score. Los entries históricos sin los campos nuevos caen transparentemente al cálculo con solo la métrica primaria (migración retrocompatible, sin discontinuidad en el score).

• Override de Sueño: Sueño < 5.5h -> estado CRÍTICO automático + reducción de score efectivo: effectiveTotal = total x (sleepH / 5.5)
• Deuda Crónica de Sueño: 3+ días consecutivos a 5.5-6.0h -> piso de PRECAUCIÓN forzado (Banks & Dinges, 2007)
• Hard Cap de Rendimiento: Cualquier test cognitivo >20% por debajo del baseline -> 0 puntos para ese componente + diagnostico de caida aguda de rendimiento
• Análisis de Tendencias: Detección de rachas, índice de monotonía (Foster, 1998), y regresión lineal sobre ventanas de 5 días para alertas predictivas
• Estrategia de Datos Ausentes (v3.2): Tres niveles según el tipo de ausencia. Ausencia tecnica (sin HRV/wearable): redistribuir 2.50p entre bloques restantes (~1.333x — Modelo v2 25/25/25/25). Ausencia operativa (dia de descanso): carry-forward de la media de rendimiento de los ultimos 14 días no-descanso — los rest days son invisibles para el análisis de tendencias. Primer dia (sin baseline): ancla neutra fija (1.25p rendimiento). Cada estrategia preserva la validez del score respetando la naturaleza de la ausencia.
• Diseño Experimental Controlado (v3.1): Los 4 tests de rendimiento usan secuencias de estímulos pseudo-aleatorias balanceadas (distribución Latin-square con de-clustering en 3 pasadas en Go/No-Go, layouts visuales determinísticos sembrados por fecha en Number Sequence con distancia total de cursor normalizada (12.000px constantes en todas las instancias), intervalos de espera balanceados en Tiempo de Reacción, mapping ODD-izquierda/EVEN-derecha fijo). Las respuestas anticipatorias por debajo de 80 ms se rechazan como fisiológicamente imposibles; 3 clicks anticipatorios abortan el test de Tiempo de Reacción. Estas medidas minimizan la varianza por azar y maximizan el signal-to-noise ratio en la medición de fatiga.
• Ventanas de Baseline Diferenciadas (v3.2): Las ventanas de media móvil se ajustan por métrica según la sensibilidad a la curva de aprendizaje. HRV usa 21 días (estabilidad autonómica); Sueño, PSE, Velocidad de Reacción y CPS Sustain usan 14 días; Go/No-Go y CPS Peak usan 10 días; Number Sequence usa 7 días (alto efecto de aprendizaje por estrategias de chunking espacial). Ventanas mas cortas en tests con mayor aprendizaje evitan que el desfase del baseline enmascare la señal de fatiga cuando la habilidad evoluciona rápido — un jugador estable y uno en curva de aprendizaje reciben lecturas de fatiga precisas respecto a su capacidad actual, no a la histórica.
• Reward Circadiano (v3.2): El rango del modificador circadiano se extiende de [0.90, 1.00] a [0.90, 1.05]. Los jugadores con bedtime consistente en la ventana óptima (22:00-23:30) y baja variabilidad (stdDev ≤15 min) reciben hasta un +5% de bonus en el bloque de sueño. Requiere ≥7 entradas con bedtime (mas estricto que la penalizacion). Basado en Wittmann et al. (2006) — la alineación circadiana tiene beneficio fisiológico medible, no solo ausencia de dano.
• Detección de Sueño Fragmentado (v3.2): La detección de deuda crónica de sueño incluye ahora un segúndo método: media de 7 días <6.5h Y stdDev >1.0h activa precaucion. Esto captura patrones de alternancia (ej. 4h/8h/4.5h/7h) comunes en esports por calendarios de competición, streaming y viajes — patrones que el método original de días consecutivos (Banks & Dinges 2007) no detecta.
• Bandas de Proyeccion Asimétricas (v3.2): Las bandas de confianza D+1/D+2/D+3 se amplian con el horizonte de proyección (D+1: ±0.3, D+2: ±0.5, D+3: ±0.7 en confianza alta), reflejando la incertidumbre creciente. Las bandas simétricas anteriores daban falsa confianza en proyecciones a mas días.

Autenticación	Firebase Authentication (email + contraseña) con custom claims por rol (jugador / coach / staff). Persistencia por sesión (cerrar la pestaña cierra la sesión) para PCs compartidos de estudio, más un tope absoluto de inactividad de 8 horas. Rate limiting server-side en cada callable.
Datos en reposo	Firestore (Google Cloud, región UE) con reglas de seguridad granulares por rol (acceso solo-propietario a datos biométricos/mentales, datos de equipo restringidos a staff, denegación por defecto en el resto). Mirror local en localStorage del navegador para capacidad offline-first.
Datos en transito	HTTPS forzado via Netlify CDN. Todas las conexiones del SDK de Firebase usan TLS 1.2+.
Consentimiento	Modal de consentimiento explicito (RGPD Art. 6/7) mostrado antes del primer acceso. Bilingue (ES/EN). Cubre: propiedad intelectual, tratamiento de datos de salud, derecho de supresión, confidencialidad.
Derecho de Supresión	Cumplimiento RGPD Art. 17. Solicitudes de eliminación de datos via fitforesports@gmail.com. El staff dispone de herramientas integradas de gestion de datos para eliminación selectiva de métricas con recálculo automático del score. Tiempo maximo de respuesta: 30 días.
Protección PI	El algoritmo de puntuación, las funciones de transferencia y los perfiles diagnósticos son propietarios (registro de autoría activo) y se ejecutan exclusivamente en el servidor (Cloud Functions) — el cliente nunca recibe la matemática de scoring. El contrato de licencia prohíbe la ingeniería inversa.

Complementando el modelo de carga interna, FitForEsports incluye un sistema completo de tracking de carga externa basado en el método Session-RPE (Foster, 1998). El staff registra sesiones diarias de entrenamiento (Scrims, SoloQ, Revisión de VOD, Gimnasio, Partidos Oficiales) con duración y factores de intensidad configurables.

ACSR Externo: Se calcula un ratio Agudo:Crónico externo a partir de los datos de carga de entrenamiento (aguda 7d / crónica 28d), usando el mismo framework de Gabbett (2016) que el ACSR interno. Los mismos umbrales de zona aplican (0.80–1.30 óptimo, 1.30–1.50 riesgo, >1.50 crítico).

Índice de Eficiencia — clasificador integrado de 5 zonas: El cruce entre ACSR interno (respuesta de fatiga) y ACSR externo (carga aplicada) se formaliza como un clasificador clínico con 5 zonas diagnósticas y prescripciónes específicas. EQUILIBRIO: estado sostenible de mantenimiento. ADAPTACION: carga externa alta bien absorbida — ventana de pico pre-competición. SOBRECARGA: carga alta y fatiga interna alta — respuesta esperada a una fase de carga intencional, planificar deload en 7–10 días. DESADAPTACION: fatiga interna elevada sin carga de entrenamiento que la justifique — la señal clínica clave, coherente con el concepto non-training fatigue descrito en el consensus statement ECSS/ACSM de Meeusen et al. (2013) como marcador temprano de enfermedad subclínica, deuda de sueño o carga psicológica; la prescripción incluye descartar enfermedad primero y consulta médica obligatoria si persiste mas de 5 días. RECUPERADO: carga baja y fatiga baja — seguro para incrementar volumen o estado pre-taper correcto. Cada zona incluye una prescripción dirigida al staff con umbrales temporales concretos (3–5 días de monitorización, 7–10 días de deload, consulta médica a los 5 días en DESADAPTACION).

El sistema incluye calendario mensual con heatmap, vista de roster semanal del equipo, funcionalidad de copiar/pegar para entrada rápida de datos, sugerencias automáticas de sesión en días de partido, análisis de distribución de carga por tipo de actividad, y resúmenes semanales cruzados con los scores internos de fatiga. Basado en la relación carga interna:externa descrita por Impellizzeri et al. (2004).

Complementando el motor de scoring diario, FitForEsports v3.1 incluye un módulo Training Zone dedicado a la adquisición de habilidad por iniciativa del jugador. Los jugadores pueden realizar sesiones de práctica ilimitadas en los 4 tests de rendimiento sin afectar a su score de fatiga diario. Práctica y fatiga se tratan como ejes ortogonales: la habilidad evoluciona con el tiempo mientras que la fatiga fluctua alrededor de un baseline estable de habilidad. Confundirlos contaminaria ambas mediciónes.

Separación estricta de datos: Las sesiones de entrenamiento se persisten en una colección de Firestore dedicada (training_logs), completamente aislada de la colección checkins que alimenta el motor de scoring. El motor de scoring nunca lee datos de entrenamiento. Prácticar inmediatamente antes de un check-in no puede contaminar la medición de fatiga diaria -- una invariante crítica para la validez científica.

Vista privada de progreso para el jugador: Cada jugador ve sus propios records personales, medianas rolling de las ultimas 10 sesiones, sparklines de progresion de 14 días, un heatmap calendario de actividad de 30 días, y 13 hitos de logro (9 basados en volumen siempre visibles, 4 basados en rendimiento como desbloqueables sorpresa). Todas las métricas se enmarcan contra el propio historico del jugador -- sin comparaciones con compañeros, sin ranking, sin codificacion cromática de juicio.

Visibilidad para staff -- solo volumen: Dentro del dashboard de Performance Analysis, el staff ve el volumen de entrenamiento por jugador (contadores de sesiones por test, calendario de actividad de 14 días) pero ningún dato de rendimiento de las sesiones de entrenamiento. Esto preserva el territorio privado del jugador en torno a la práctica deliberada mientras da al staff la información necesaria para detectar patrones de sobreentrenamiento. La decisión de exponer volumen pero no resultados es deliberada: evita la dinámica de presion de rendimiento ("por que has sacado mal esto en práctica hoy?") que comprometeria la motivación intrínseca del jugador a auto-prácticar.

Diseño nocebo-safe: La vista de estadísticas usa únicamente framing motivacional (records personales, rachas, hitos, indicadores de consistencia). No hay avisos de tendencia descendente, no hay flechas rojas, no hay señales de "estás empeorando". Si se detecta regresión longitudinal, solo aparece en el dashboard de check-in del staff -- nunca en el Training Zone visible para el jugador.

Perfilado Cognitivo-Motor (v3.3): Gráficos radar/spider visualizan el perfil de habilidades de cada jugador en dimensiones entrenables, normalizado contra benchmarks elite definidos manualmente (VR 120ms, Go/No-Go 50pts, Number Sequence 10s). Dos vistas radar separadas con estricta separación de fuentes de datos: el radar del jugador (Training Zone) usa datos de sesiones de práctica (4 ejes: RT, Go/No-Go, Secuencia, CPS) mientras que el radar del staff (Performance Detail) usa exclusivamente datos de check-in (3 ejes: Reacción, Atención, Motor). CPS/APM queda excluido del radar staff porque mide fatiga del SNP, no una capacidad entrenable. El radar staff muestra dos polígonos superpuestos: un perfil sólido de 14 días y un snapshot punteado de hoy, permitiendo al preparador distinguir fortalezas/debilidades estables de fluctuaciones agudas diarias. Esta es la herramienta prescriptiva para entrenamiento individualizado: "este jugador necesita trabajo de Go/No-Go" o "priorizar Number Sequence."