Analyse und Prognose von Trainingswirkungen: multivariate Zeitreihenanalyse mit künstlichen neuronalen Netzen

Abstract

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.

Introduction Models for analysis and prediction of training effects are encouraging methods for an individual improvement to organize the training loads. The keen simplifications of antagonistic and non-parametric models, however, lead to a weaker model quality and prognostic results. There is research need for new multifactorial models that can sufficiently represent the complex and dynamic training process. Artificial neuronal networks (ANN) have proved themselves as methods for analysis and prediction of nonlinear and dynamic systems. The purpose of this study is to analyze the relationship between strain and performance with the help of ANN and to give a prediction concerning the development of performance.

Material and Methods Three highly-trained triathletes participated in this study (age 27 ± 10; VO2 max = 3,72 ± 0,15 l/min). Daily training amounts in four categories (running, cycling, swimming and strength training) were recorded by means of heart rate and training duration during the three-month period of examination. Stress and recovery assessment was done by a questionnaire every third day for 30 measurements.Maximum oxygen uptake was also measured for endurance performance every third day by means of cycle spiroergometry. A back propagation net was used for multivariate time series analysis. Training strain and the psychometrically documented stress-recovery state were considered as predictors. The dynamic of the training process was represented by the relationship between performance and the development of performance. The ANN was trained for each athlete with 24 data sets. The development of performance was predicted over a period of four measure times. Because of a gradual input data reduction, the multivariate model concept has been proved concerning its validity. The model quality and the prognostic results have been evaluated in comparison with the antagonistic models.

Results Concerning all the test persons, the analysis (root mean square error (RMSE) = 0,05 ± 0,02 l/min)and prediction (RMSE = 0,08 ± 0,03 l/min) of training effects with ANN have reached a high model quality and exactness in prediction. The input data reduction has lead to a decreasing performance and prognosis efficiency. There is a higher model quality and prediction efficiency of the ANN in comparison with the antagonistic training effect models.

Discussion Artificial neuronal networks are especially qualified for process oriented analysis and prediction of training effects. The advance of this method can be seen in the multivariate model structure. Based on the sophisticated consideration of training induced strain and based on the actual recovery and stress state, there can be reached a higher degree of explanation for the development of performance. Models for analysis and prediction of training effects with less complexity reproduce changes in performance inexactly and they cannot predict the development of performance accurately.

Conclusion Models for analysis and prediction of training effects are only suitable for an individual training program design when they represent the complexity and dynamic of the training process in a high level. According to this aspect, these models are practical for an applied charge particularly for short term training programs or for an intensively preparation for the next competition.