Browsing by Author "Haar, Benjamin"

Now showing 1 - 1 of 1

Open Access
Analyse und Prognose von Trainingswirkungen: multivariate Zeitreihenanalyse mit künstlichen neuronalen Netzen
(2011) Haar, Benjamin; Alt, Wilfried (Prof. Dr.)
Einleitung Modelle zur Analyse und Prognose von Trainingswirkungen sind vielversprechende Verfahren für eine individuelle Optimierung der Belastungsgestaltung. Die starken Vereinfachungen der antagonistischen und non-parametrischen Modelle führen aber zu einer geringen Modellgüte und Prognoseleistung. Forschungsbedarf besteht daher hinsichtlich neuer multifaktorieller Modelle, die den komplexen und dynamischen Trainingsprozess hinreichend abbilden. Künstliche neuronale Netze (KNN) haben sich als Methode zur Analyse und Prognose von nichtlinearem und dynamischem Systemverhalten bewährt. Das Ziel dieser Arbeit ist es, den Zusammenhang zwischen Beanspruchung und sportlicher Leistungsfähigkeit mit KNN verlaufsorientiert abzubilden und die Leistungsentwicklung vorherzusagen. Material und Methoden An dieser Studie nahmen drei hochtrainierte Triathleten teil (27 ± 10 Jahre; VO2 max = 3,72 ± 0,15 l/min). Während des dreimonatigen Untersuchungszeitraums wurde täglich die Trainingsbeanspruchung in vier Kategorien (Laufen, Radfahren, Schwimmen und Krafttraining) anhand der Herzfrequenz und des zeitlichen Umfangs dokumentiert. Die Erholungs-Beanspruchungsbilanz der Athleten wurde jeden dritten Tag an 30 Messzeitpunkten mit einem Fragebogen erfasst. Die maximale Sauerstoffaufnahme wurde als Maß für die Ausdauerleistungsfähigkeit ebenfalls alle drei Tage mit einer Fahrrad-Spiroergometrie bestimmt. Für die multivariate Zeitreihenanalyse wurde ein Backpropagation-Netz eingesetzt. Die Trainingsbeanspruchung und der psychometrisch erfasste Erholungs- und Beanspruchungszustand wurden als Prädiktorvariablen berücksichtigt. Die Dynamik des Trainingsprozesses wurde über den Zusammenhang zwischen der Leistungsfähigkeit und der Leistungsentwicklung abgebildet. Die KNN wurden für jeden Athleten mit 24 Datensätzen trainiert. Die Entwicklung der Leistungsfähigkeit wurde über vier Messzeitpunkte vorhergesagt. Durch eine schrittweise Reduktion der Eingabedaten, wurde das multivariate Modellkonzept auf seine Gültigkeit hin geprüft. Die Modellgüte und Prognoseleistung wurden im Vergleich zu den antagonistischen Modellen bewertet. Ergebnisse Bei allen Probanden wird bei der Analyse und Prognose von Trainingswirkungen mit KNN (KNN-Modell) eine hohe Modellgüte (root mean square error (RMSE) = 0,05 ± 0,02 l/min) und Vorhersagegenauigkeit (RMSE = 0,08 ± 0,03 l/min) erreicht. Die Reduktion der Eingabedaten führt zu einer abnehmenden Abbildungs- und Prognoseleistung. Die Modellgüte und Prognoseleistung des KNN-Modells ist im Vergleich zu den antagonistischen Trainings-Wirkungs-Modellen höher. Diskussion KNN sind besonders zur verlaufsorientierten Analyse und Prognose von Trainingswirkungen geeignet. Der Vorteil dieser Methode ist in der multivariaten Modellstruktur zu sehen. Durch die differenzierte Berücksichtigung trainingsinduzierter Beanspruchungen und des aktuellen Erholungs- und Beanspruchungszustands wird ein höherer Erklärungswert für die Leistungsentwicklung erreicht. Trainings-Wirkungs-Modelle mit geringerer Komplexität bilden den Leistungsverlauf nur ungenau ab und können die Leistungsentwicklung nicht exakt vorhersagen. Schlussfolgerung Simulative Trainings-Wirkungs-Modelle eignen sich für eine individuelle Trainingssteuerung nur dann, wenn sie in hohem Maße die Komplexität und Dynamik des Trainingsprozesses abbilden. Dann bietet sich aber ein praktischer Einsatz vor allem in der kurzfristigen Trainingsplanung oder Wettkampfvorbereitung an.