Introdução: Esforços para melhor entender a aptidão aeróbia durante exercício físico dinâmico são relevantes para a otimização de futuros programas de tratamento de certas patologias. Objetivo: O objetivo central deste projeto de pesquisa foi utilizar técnicas de inteligência artificial para o modelamento dos sinais biológicos durante exercício físico dinâmico, a fim de explicar os processos envolvidos nos diferentes níveis de aptidão aeróbia entre os indivíduos. A hipótese central deste projeto de pesquisa é que há um conjunto de respostas fisiológicas (integradas à um modelo) que explicam os diferentes níveis de aptidão aeróbia entre os indivíduos. Metodologia: Foram avaliados 16 indivíduos, aparentemente saudáveis, com idade entre 20 a 40 anos. Eles foram submetidos a duas visitas laboratoriais para a realização dos testes: teste de exercício cardiopulmonar e protocolo pseudorrandômico binário (PRBS). Durante o PRBS foram coletadas diversas variáveis fisiológicas relacionadas à resposta aeróbia por meio de um sistema de eletromiografia de superfície, um equipamento de espectroscopia por raios quase infravermelhos, um carro metabólico e um sistema de fotopletismografia de pulso periférico. As variáveis coletadas foram: concentração da deoxi-hemoglobina do vasto lateral ([HHb]VL), eficiência motora do VL (CI_VL), consumo de oxigênio pulmonar (VO₂), produção total de gás carbônico (VCO₂), ventilação minuto (VE) e débito cardíaco (DC). O nível de aptidão aeróbia foi caracterizado pela velocidade da dinâmica do VO₂ durante as oscilações da demanda energética por meio do parâmetro mean normalized gain (VO₂MNG). Ainda, o MNG de todas as demais variáveis, exceto a CI_VL, foi calculado para a avaliação da dinâmica das respostas ([HHb]VLMNG, VO₂MNG, VEMNG, DCMNG). Algoritmos de inteligência artificial foram treinados à predizer a aptidão aeróbia a partir das relações entre as variáveis denominadas inputs ([HHb]VLMNG, CI_VL, VO₂MNG, VEMNG, DCMNG) com a variável output (VO₂MNG, como indicador do nível de aptidão aeróbia). Resultados: Foi utilizado o software WEKA 3.8 (University of Waikato, Hamilton, Nova Zelândia) para buscar qual seria o melhor modelo de machine learning para predizer o VO₂MNG. A regressão linear foi o modelo mais adequado para a predição do VO₂MNG. Além disso, as árvores randômicas mostraram menores erros de predição da aptidão aeróbia baseada nas séries temporais das variáveis DC, VL_RMS, [HHb]VL e W. Conclusões: Conclui-se que as variáveis que mais contribuíram para a predição da aptidão aeróbia da amostra estudada por meio das árvores de decisão foram a carga (W) e a [HHb]VL.