Giovanni usava la bici tre volte a settimana. Dopo sei mesi, il ginocchio destro cominciò a fare male. Il fisioterapista abbassò il sellino di qualche centimetro. Il dolore migliorò. Ma la domanda rimasta senza risposta era: come si fa a sapere, prima che il dolore arrivi, che la posizione è sbagliata?

La ricerca degli ultimi anni lavora esattamente su questo problema. Tre studi pubblicati su Frontiers in Sports and Active Living, BMC Musculoskeletal Disorders e Sensors mostrano che i modelli di machine learning analizzano gli angoli articolari durante la pedalata reale e classificano l’altezza ottimale del sellino con un’accuratezza del 99,79%. Non si tratta di tecnologia riservata agli atleti professionisti. I modelli funzionano allo stesso modo per uomini e donne, giovani e adulti, ciclisti amatoriali e riabilitativi.

Questo articolo descrive come funziona questa tecnologia, cosa ha scoperto la ricerca sulle forze di pedalata e perché il ginocchio è l’articolazione più vulnerabile a errori minimi di setup.

La Biomeccanica della Pedalata Non è Semplice come Sembra

Pedalare sembra un gesto semplice e ripetitivo. In realtà è un movimento tridimensionale che coinvolge simultaneamente anca, ginocchio e caviglia in tutti e tre i piani anatomici: sagittale, frontale e trasversale. Capire questa complessità è il punto di partenza per capire perché la posizione sulla bici conta molto più di quanto si pensi.

Una ricerca pubblicata su BMC Musculoskeletal Disorders nel 2021 da Yum e collaboratori ha misurato i movimenti articolari degli arti inferiori in 16 adulti sani durante la pedalata su cicloergometro. I risultati mostrano escursioni articolari considerevoli durante ogni singolo ciclo di pedalata:

• Anca: 43,9 gradi nel piano sagittale, con rotazione interna/esterna di 11,6 gradi
• Ginocchio: 75,2 gradi nel piano sagittale, con rotazione di 6,6 gradi
• Caviglia: 26,9 gradi nel piano sagittale, con rotazione di 10,3 gradi
• Pelvi: solo 1,6 gradi di movimento totale

Il fatto che il bacino si muova così poco ha implicazioni pratiche dirette. Significa che la maggior parte del lavoro di adattamento posturale ricade sulle tre articolazioni degli arti inferiori. Quando il sellino non è alla quota corretta, il corpo compensa automaticamente: attraverso una maggiore flessione plantare della caviglia, una rotazione eccessiva del bacino o un’angolazione anomala del ginocchio. Questi adattamenti distribuiscono il carico in modo non uniforme, producendo tensioni ripetute che nel tempo generano infortuni da sovraccarico.

I metodi tradizionali di bike fitting misurano l’altezza del sellino in modo statico: il ciclista si siede, si misura l’angolo del ginocchio quando il pedale è in basso, e si cerca di mantenerlo tra 25 e 35 gradi. Il problema è che questo angolo statico differisce da quello dinamico durante la pedalata reale fino a 8,2 gradi. Il carico massimo sulle articolazioni durante la pedalata può raggiungere il doppio del peso corporeo, un dato che le misurazioni statiche non catturano.

La pedalata ciclistica è uno strumento utile per la riabilitazione muscolo-scheletrica degli arti inferiori proprio perché genera movimenti controllati in tutti i piani anatomici senza impatto articolare. Ma perché questo vantaggio si realizzi, la configurazione della bici deve essere corretta. Una posizione sbagliata trasforma un esercizio sicuro in un fattore di rischio sistematico.

Come il Machine Learning Classifica l’Altezza del Sellino

Lo studio centrale è quello di Bing e collaboratori, pubblicato su Frontiers in Sports and Active Living nel 2025. I ricercatori hanno sviluppato un modello di machine learning per classificare l’altezza del sellino in tre categorie: bassa (95% dell’altezza del grande trocantere, GTH), media (97–103% del GTH) e alta (105% del GTH). L’input del modello erano gli angoli articolari dinamici rilevati durante la pedalata reale, non misurazioni statiche.

Sedici adulti sani hanno pedalato su cicloergometro con un sistema di motion capture che registrava le traiettorie di marcatori applicati agli arti inferiori. Dagli 81 parametri inizialmente calcolati, un algoritmo di selezione sequenziale forward ha identificato i 14 più informativi per il modello:

1. 3 parametri angolari della caviglia
2. 4 parametri angolari dell’anca
3. 7 parametri angolari del ginocchio

I ricercatori hanno confrontato quattro modelli di machine learning: support vector machine, k-nearest neighbors, naive Bayes e alberi decisionali. Il modello k-nearest neighbors ha ottenuto l’accuratezza media più alta, pari al 99,79%. Gli altri modelli hanno ottenuto risultati inferiori, confermando che la scelta dell’algoritmo influisce in modo significativo sulla precisione finale.

Un dato che vale la pena esaminare: usando solo i parametri angolari del ginocchio nel piano sagittale, l’accuratezza scende all’80%. Quando si aggiungono anca e caviglia, si arriva al 99,79%. Questo mostra che una valutazione biomeccanica completa che include tutte e tre le articolazioni in tutti i piani è nettamente superiore all’approccio tradizionale che guarda quasi solo al ginocchio. La differenza tra 80% e 99,79% non è marginale: in un ciclista che pedala 150 chilometri a settimana, si traduce in migliaia di cicli con configurazione subottimale.

Un altro risultato rilevante: tutti e quattro i modelli mostravano un’accuratezza leggermente inferiore nel classificare l’altezza media rispetto alle posizioni estreme. Le altezze bassa e alta producono variazioni angolari più marcate, più facili da riconoscere. L’altezza media è più sottile perché le differenze angolari sono meno evidenti. Questo è coerente con l’esperienza clinica: gli errori di setup estremi si riconoscono facilmente, quelli moderati passano spesso inosservati per mesi.

L’intelligenza artificiale applicata allo sport sta cambiando l’approccio alla prevenzione degli infortuni proprio perché permette di lavorare sui dati dinamici invece di affidarsi a misurazioni statiche prese in condizioni artificiali.

Le Reti Neurali Prevedono le Forze di Pedalata Senza Sensori Costosi

Il secondo studio è quello di Ahmadi e collaboratori, pubblicato su Sensors (MDPI) nel 2024. Questo lavoro affronta un problema diverso: non classificare la posizione del sellino, ma prevedere le forze esercitate sul pedale durante la pedalata, articolate in componente radiale e componente mediolaterale.

Misurare queste forze normalmente richiede sensori di forza tridimensionali , dispositivi tecnici costosi e delicati, disponibili solo in laboratori specializzati. L’obiettivo del gruppo di ricerca era verificare se un modello di rete neurale potesse stimare queste forze usando parametri molto più semplici e accessibili: potenza erogata, cadenza, angolo della manovella, peso e altezza del ciclista.

I risultati sono stati convincenti. Il modello ha ottenuto un errore quadratico medio normalizzato (NRMSE) di 0,15 per le forze radiali e 0,26 per quelle mediolaterali alla cadenza alta. A cadenza libera, 0,20 per le forze radiali e 0,22 per quelle mediolaterali. Questi valori di accuratezza sono paragonabili a quelli degli algoritmi di machine learning usati per stimare le forze di reazione al suolo durante la camminata.

In pratica: un ciclista amatoriale con un misuratore di potenza e un accelerometro economico potrebbe ottenere stime accurate delle forze di pedalata senza accedere a un laboratorio di biomeccanica. La velocità di inferenza del modello è compatibile con applicazioni in tempo reale, aprendo la possibilità di un monitoraggio continuo durante l’allenamento.

Questo tipo di analisi è utile per la prevenzione delle lesioni muscolari e tendinee perché permette di identificare pattern di carico anomali prima che si traducano in sintomi clinici. Un ciclista che produce forze mediolaterali elevate in modo sistematico, per esempio, sta scaricando stress sulla capsula articolare del ginocchio che né lui né il suo allenatore possono vedere a occhio nudo.

Il Ginocchio: l’Articolazione più Vulnerabile agli Errori di Setup

Tra le tre articolazioni analizzate, il ginocchio è quella che mostra la maggiore sensibilità alle variazioni di altezza del sellino. I dati dello studio di Bing e collaboratori lo confermano in modo preciso, identificando quattro parametri del ginocchio come i più influenzati dalle modifiche di altezza:

• Angolo massimo di flessione
• Angolo medio di flessione
• Escursione totale del ginocchio (range of motion)
• Deviazione standard dell’angolo nel piano frontale (adduzione/abduzione)

Quando il sellino è troppo basso, il ginocchio rimane più flesso durante il ciclo di pedalata. Questo aumenta il momento estensore, un indicatore diretto della forza compressiva tibio-femorale. In altri termini, un sellino basso carica la cartilagine del ginocchio in modo sistematico, ciclo dopo ciclo. Su lunghe distanze, questo produce condropatia rotulea, sindrome della banda ileotibiale o tendinopatia del tendine rotuleo.

Quando il sellino è troppo alto, il meccanismo è diverso ma altrettanto lesivo. La deviazione standard degli angoli di adduzione/abduzione e rotazione interna/esterna del ginocchio aumenta. Questo indica maggiore instabilità e oscillazione laterale durante la pedalata. Il ginocchio non si muove in modo uniforme e controllato: oscilla lateralmente, distribuendo le forze in modo irregolare su strutture come legamenti collaterali e menischi.

Il dato dell’80% di accuratezza usando solo gli angoli del ginocchio è rilevante dal punto di vista pratico: significa che anche un sistema semplificato, che monitora solo questa articolazione, può fornire indicazioni utili sulla configurazione del sellino. Non è la soluzione ottimale, il 99,79% richiede anche anca e caviglia, ma è un punto di partenza accessibile con hardware minimo.

Le implicazioni per il ciclista amatoriale sono dirette. Molti errori di setup non producono dolore immediato. Si accumulano su centinaia di chilometri. Come documentato in letteratura sulla biomeccanica del movimento sportivo, piccole deviazioni ripetute ad alta frequenza sono spesso più lesive di carichi intensi ma episodici. Un ciclista che pedala 100 chilometri a settimana compie circa 15.000 cicli di pedalata. Se ogni ciclo carica il ginocchio in modo leggermente errato, l’effetto cumulativo diventa clinicamente rilevante nel giro di settimane.

Un dato aggiuntivo dallo studio merita attenzione: la riduzione dell’altezza del sellino aumenta la flessione dorsale della caviglia, la flessione e l’abduzione del ginocchio e la flessione dell’anca, riducendo al contempo l’escursione articolare complessiva in tutte e tre le articolazioni. Questo schema di compensazione, se non identificato e corretto, porta a schemi motori alterati che persistono anche fuori dalla bici. Il ciclista inizia a camminare con pattern biomeccanici alterati, aumentando il rischio di infortuni in altri contesti di attività fisica.

Tecnologia Accessibile a Tutti, Non Solo agli Atleti d’Élite

Uno degli aspetti più rilevanti di entrambi gli studi è che i partecipanti non erano atleti professionisti. Erano adulti sani, ciclisti amatoriali o non ciclisti, con età, peso e livelli di allenamento diversi. I modelli hanno funzionato allo stesso modo per tutti i gruppi demografici testati.

Non sono state rilevate differenze statisticamente significative nelle cinematiche articolari tra uomini e donne, né tra fasce d’età diverse. Questo è un risultato con implicazioni concrete: i modelli non hanno bisogno di essere ricalibrati per ogni tipo di utente. Un ciclista di 25 anni e uno di 60 ottengono la stessa accuratezza di classificazione. Questo suggerisce che personalizzare l’altezza del sellino attraverso il machine learning produce cinematiche articolari coerenti indipendentemente da sesso ed età.

Lo studio di Bing ha usato un sistema di motion capture da laboratorio, che non è disponibile per la maggior parte degli utenti. Ma i ricercatori hanno già identificato la direzione successiva: le unità di misura inerziale (IMU) — piccoli sensori indossabili che misurano accelerazione e velocità angolare — mostrano errori per ciclo di pedalata inferiori a quelli del motion capture, e sono utilizzabili durante la pedalata all’aperto. Il bike fitting non richiederebbe più un laboratorio: basterebbe indossare sensori sulle gambe, pedalare per qualche minuto e ricevere una valutazione oggettiva della posizione.

Per la riabilitazione, questo apre possibilità concrete. La bici stazionaria è già uno strumento terapeutico comune in ortopedia e fisioterapia. Con questi modelli, il fisioterapista potrebbe monitorare che la configurazione della bici non introduca carichi articolari dannosi durante il recupero. Il paziente che si riabilita dopo un intervento al ginocchio, per esempio, potrebbe pedalare con la certezza che la posizione del sellino non stia creando stress aggiuntivi sull’articolazione operata.

Ci sono limiti da tenere presenti. Gli studi hanno coinvolto campioni di soli 16 partecipanti e non hanno stratificato i gruppi per livello di allenamento o per presenza di patologie pre-esistenti. Le differenze antropometriche tra uomini e donne, lunghezza degli arti, distribuzione della massa corporea , potrebbero influenzare gli angoli articolari a identica altezza del sellino, aumentando la dispersione dei dati in campioni più ampi. Servono studi con popolazioni più numerose e diverse.

I ricercatori suggeriscono che integrare nei modelli parametri aggiuntivi — forza sul pedale, attivazione muscolare EMG, consumo di ossigeno — potrebbe migliorare ulteriormente la sensibilità del sistema. Architetture più complesse come le reti neurali convoluzionali o i modelli LSTM potrebbero catturare pattern temporali più sottili nella cinematica articolare. L’obiettivo finale è un sistema portatile, economico e in tempo reale che qualsiasi ciclista

Riferimenti

1. Bing F, Zhang G, Wei L, Zhang M. A machine learning approach for saddle height classification in cycling. Front Sports Act Living. 2025;7:1607212.

2. Yum H, Kim H, Lee T, Park MS, Lee SY. Cycling kinematics in healthy adults for musculoskeletal rehabilitation guidance. BMC Musculoskelet Disord. 2021;22(1):1044.

3. Ahmadi R, Rasoulian S, Veisari SF, Parsaei A, Heidary H, Herzog W, et al. A machine learning approach for predicting pedaling force profile in cycling. Sensors (Basel). 2024;24(19):6440.