ES EN

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)	28%	2.80p	21-day rolling average
Sleep Quality	28%	2.80p	14-day rolling average
Cognitive-Motor Performance	28%	2.80p	14-day rolling average
Perceived Fatigue (PSE)	16%	1.60p	14-day rolling average

Performance sub-block (2.80p):

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
• No-HRV Redistribution: When HRV data is unavailable, its 2.80p are redistributed proportionally across remaining blocks (factor ~ 1.389)
• 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, balanced wait intervals in Reaction Time, fixed ODD-left/EVEN-right mapping). Anticipatory responses below 100 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.

Authentication	Firebase Anonymous Auth (unique UID per session). PIN-based player login with SHA-256 hashing (Web Crypto API) + salted fallback. Rate limiting: 3 failed attempts -> 60s lockout.
Data at rest	Firestore (Google Cloud, EU region) with security rules requiring request.auth != null on all collections. 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). License agreement prohibits reverse engineering. Cloud Functions migration planned for server-side IP protection.

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.

FitForEsports es una plataforma de monitorizacion de fatiga en tiempo real disenada para organizaciones profesionales de esports. Integra datos biometricos, cognitivos y subjetivos en una unica puntuacion diaria (0-10) que cuantifica la disponibilidad competitiva de cada jugador.

El sistema recoge datos de cuatro bloques fisiologicos y cognitivos independientes: recuperacion autonomica (HRV), arquitectura del sueno, rendimiento cognitivo-motor (4 tests) y fatiga percibida. Cada bloque aporta un componente ponderado a la puntuacion global, comparado contra el baseline individual del jugador de 14-21 dias.

La plataforma se despliega como una aplicacion web de pagina unica accesible desde cualquier dispositivo, con Firebase Firestore como backend cloud para sincronizacion entre dispositivos.

Bloque	Peso	Puntos Max.	Baseline
HRV (Recuperacion Autonomica)	28%	2.80p	Media movil 21 dias
Calidad de Sueno	28%	2.80p	Media movil 14 dias
Rendimiento Cognitivo-Motor	28%	2.80p	Media movil 14 dias
Fatiga Percibida (PSE)	16%	1.60p	Media movil 14 dias

Sub-bloque de Rendimiento (2.80p):

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

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

Desde v3.1 (abril 2026), dos bloques de rendimiento capturan metricas secundarias con validacion cientifica que alimentan una formula de puntuacion composite: Go/No-Go registra adicionalmente el Stroop Effect (coste de tiempo de reaccion 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 metrica primaria y la secundaria mediante una formula 70 % primaria + 30 % sub-metrica avanzada, con clamps por componente (+/-40 % de variacion) para evitar que un unico outlier domine el score. Los entries historicos sin los campos nuevos caen transparentemente al calculo con solo la metrica primaria (migracion retrocompatible, sin discontinuidad en el score).

• Override de Sueno: Sueno < 5.5h -> estado CRITICO automatico + reduccion de score efectivo: effectiveTotal = total x (sleepH / 5.5)
• Deuda Cronica de Sueno: 3+ dias consecutivos a 5.5-6.0h -> piso de PRECAUCION 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
• Analisis de Tendencias: Deteccion de rachas, indice de monotonia (Foster, 1998), y regresion lineal sobre ventanas de 5 dias para alertas predictivas
• Redistribucion sin HRV: Cuando los datos de HRV no estan disponibles, sus 2.80p se redistribuyen proporcionalmente entre los bloques restantes (factor ~ 1.389)
• Diseno Experimental Controlado (v3.1): Los 4 tests de rendimiento usan secuencias de estimulos pseudo-aleatorias balanceadas (distribucion Latin-square con de-clustering en 3 pasadas en Go/No-Go, layouts visuales deterministicos sembrados por fecha en Number Sequence, intervalos de espera balanceados en Tiempo de Reaccion, mapping ODD-izquierda/EVEN-derecha fijo). Las respuestas anticipatorias por debajo de 100 ms se rechazan como fisiologicamente imposibles; 3 clicks anticipatorios abortan el test de Tiempo de Reaccion. Estas medidas minimizan la varianza por azar y maximizan el signal-to-noise ratio en la medicion de fatiga.
• Ventanas de Baseline Diferenciadas (v3.2): Las ventanas de media movil se ajustan por metrica segun la sensibilidad a la curva de aprendizaje. HRV usa 21 dias (estabilidad autonomica); Sueno, PSE, Velocidad de Reaccion y CPS Sustain usan 14 dias; Go/No-Go y CPS Peak usan 10 dias; Number Sequence usa 7 dias (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 senal de fatiga cuando la habilidad evoluciona rapido — un jugador estable y uno en curva de aprendizaje reciben lecturas de fatiga precisas respecto a su capacidad actual, no a la historica.

Autenticacion	Firebase Anonymous Auth (UID unico por sesion). Login de jugador basado en PIN con hashing SHA-256 (Web Crypto API) + fallback con salt. Rate limiting: 3 intentos fallidos -> bloqueo 60s.
Datos en reposo	Firestore (Google Cloud, region UE) con reglas de seguridad que requieren request.auth != null en todas las colecciones. 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 supresion, confidencialidad.
Derecho de Supresion	Cumplimiento RGPD Art. 17. Solicitudes de eliminacion de datos via fitforesports@gmail.com. El staff dispone de herramientas integradas de gestion de datos para eliminacion selectiva de metricas con recalculo automatico del score. Tiempo maximo de respuesta: 30 dias.
Proteccion PI	El algoritmo de puntuacion, las funciones de transferencia y los perfiles diagnosticos son propietarios (registro de autoria activo). El contrato de licencia prohibe la ingenieria inversa. Migracion a Cloud Functions planificada para proteccion de PI del lado servidor.

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).

Indice 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 clinico con 5 zonas diagnosticas y prescripciones especificas. EQUILIBRIO: estado sostenible de mantenimiento. ADAPTACION: carga externa alta bien absorbida — ventana de pico pre-competicion. SOBRECARGA: carga alta y fatiga interna alta — respuesta esperada a una fase de carga intencional, planificar deload en 7–10 dias. DESADAPTACION: fatiga interna elevada sin carga de entrenamiento que la justifique — la senal clinica 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 subclinica, deuda de sueno o carga psicologica; la prescripcion incluye descartar enfermedad primero y consulta medica obligatoria si persiste mas de 5 dias. RECUPERADO: carga baja y fatiga baja — seguro para incrementar volumen o estado pre-taper correcto. Cada zona incluye una prescripcion dirigida al staff con umbrales temporales concretos (3–5 dias de monitorizacion, 7–10 dias de deload, consulta medica a los 5 dias 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 modulo Training Zone dedicado a la adquisicion de habilidad por iniciativa del jugador. Los jugadores pueden realizar sesiones de practica ilimitadas en los 4 tests de rendimiento sin afectar a su score de fatiga diario. Practica 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 mediciones.

Separacion estricta de datos: Las sesiones de entrenamiento se persisten en una coleccion de Firestore dedicada (training_logs), completamente aislada de la coleccion checkins que alimenta el motor de scoring. El motor de scoring nunca lee datos de entrenamiento. Practicar inmediatamente antes de un check-in no puede contaminar la medicion de fatiga diaria -- una invariante critica para la validez cientifica.

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 dias, un heatmap calendario de actividad de 30 dias, y 13 hitos de logro (9 basados en volumen siempre visibles, 4 basados en rendimiento como desbloqueables sorpresa). Todas las metricas se enmarcan contra el propio historico del jugador -- sin comparaciones con companeros, sin ranking, sin codificacion cromatica 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 dias) pero ningun dato de rendimiento de las sesiones de entrenamiento. Esto preserva el territorio privado del jugador en torno a la practica deliberada mientras da al staff la informacion necesaria para detectar patrones de sobreentrenamiento. La decision de exponer volumen pero no resultados es deliberada: evita la dinamica de presion de rendimiento ("por que has sacado mal esto en practica hoy?") que comprometeria la motivacion intrinseca del jugador a auto-practicar.

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