Hoe artificiële intelligentie sporters naar een hoger niveau kan tillen

De standaardprocedure om de conditie van een atleet te meten is eenvoudig, maar wel een vorm van zelfkwelling: de sporter moet op een stationaire fiets (of op een loopband) een steeds zwaardere inspanning leveren tot hij of zij compleet uitgeput is.

Tijdens de test worden een aantal parameters gemeten: het geleverde vermogen, de hartfrequentie, de in- en uitgeademde lucht en de 'lactaatconcentratie' in het bloed. Deze parameters geven een idee van hoe efficiënt hart, longen, bloedsomloop en spieren (samen)werken, en dus hoe goed de ‘sportmotor’ van de testpersoon presteert.

"De maximale inspanningstest is een prima ijkmethode", zegt performance coach Bart Nonneman, die onder andere professionele wielrenners begeleidt. "De resultaten vormen de basis voor een gepersonaliseerd trainingsplan. Later in het seizoen geeft de test een idee van de vooruitgang die een atleet heeft geboekt. Indien nodig kan een trainer het programma bijsturen."

Alleen: (top)atleten hebben weinig tijd voor zo'n test. En als ze al tijd voor zo'n uitgebreide test vrijmaken, dan is het pakweg om de paar maanden. Het betekent dus dat de vooruitgang van de atleet maar om de zoveel tijd kan worden bijgestuurd. Dankzij AI kan dat beter, veel beter. 

Nonneman vond een oplossing bij datawetenschapper Steven Latré, die het onderzoek naar kunstmatige intelligentie aan het onderzoekscentrum Imec leidt.

Datawetenschappers, trainers en inspanningsfysiologen sloegen de handen in elkaar en ontwikkelden een applicatie die op basis van de hartfrequentie en het geleverde vermogen tijdens een training voorspelt hoe een atleet op dat moment zou presteren op een maximale inspanningstest, zonder dat hij die hoeft uit te voeren.

De applicatie kan de conditie van een atleet onmiddellijk na elke training evalueren. Een coach kan de trainingsopbouw van zijn atleten desnoods training na training bijsturen.

"Een coach kan uit die analyse bijvoorbeeld afleiden dat een renner de afgelopen trainingen te vaak in het rood ging of, net andersom, te weinig impulsen kreeg om zijn conditie te verbeteren", schetst Nonneman. "Deze inzichten helpen om de trainingen gedurende het seizoen verder te individualiseren."

Voor zinvolle conclusies is het belangrijk om atleten over een langere periode te volgen. "Sommige atleten hebben nood aan meer intensieve trainingen, terwijl anderen meer baat hebben bij rustige duurtrainingen. Hun lichaam reageert anders."

"Artificiële intelligentie kan helpen om die verschillen te detecteren. Ook het risico op overtraining daalt. Als een atleet een bepaalde trainingsopbouw niet goed verdraagt, kan het model waarschuwen voor toekomstige risico’s."  

Inspanningsfysioloog Jan Boone van UGent geeft een voorbeeld van hoe handig een applicatie is, als AI-modellen efficiënt zinvolle informatie uit data filteren: "Als de hartslag van een atleet plotseling hoger is voor hetzelfde geleverde vermogen, kan dat een alarmsignaal zijn dat er iets mis is, zoals vermoeidheid of ziekte. AI pikt zo’n afwijkend patroon meteen op."

AI kan ook helpen om dingen te gaan meten die anders amper waar te nemen zijn: hartslagvariabiliteit bijvoorbeeld, nog een parameter om de conditie van een atleet op te volgen. 

"Het gaat over de tijd die tussen twee hartslagen zit. Stel dat je hart zestig keer per minuut slaat, dan zal het hart niet exact één keer per seconde slaan. Er zit bijvoorbeeld eens 900 milliseconden tussen, dan eens 1.050 milliseconden," zegt Boone.

"De variabiliteit wordt beïnvloed door de gevoeligheid van je autonome zenuwstelsel, en zegt iets over je vermoeidheid. Wanneer een atleet zich in een zware trainingsperiode bevindt, ziek is of net een hoogtestage achter de rug heeft, dan zien we een daling in de hartslagvariabiliteit."

"Een uitzonderlijke daling kan wijzen op oververmoeidheid. Omgekeerd bevestigt een stijgende hartslagvariabiliteit dat een atleet goed herstelt van een zware trainingsperiode en klaar is voor een wedstrijd. Nu is de analyse van de hartslagvariabiliteit grotendeels handwerk. Artificiële intelligentie kan dezelfde informatie veel efficiënter filteren uit hartslagdata."

En het gaat nog verder: ook bij de planning van een wedstrijd kan artificiële intelligentie worden ingezet. Zo werken Jan Boone en zijn collega’s aan een model voor zogenoemde pacing­strategieën.

"Ons model geeft aan hoe een atleet zijn energie moet verdelen om aan de meet de snelst mogelijke tijd neer te zetten. Stel bijvoorbeeld dat je deelneemt aan de Ronde van Vlaanderen, dan kan het pacingplan berekenen hoeveel wattage je bij elke beklimming of tussenstuk moet fietsen om aan de aankomst de voor jou snelst haalbare tijd te realiseren."

Het model ziet het lichaam van een atleet als een soort batterij die tijdens een wedstrijd kan leeglopen en opladen. Boone gebruikt het model o.a. bij de ploegenachtervolging in het baanwielrennen.

Maar het kan ook nuttig zijn voor bijvoorbeeld voetbal of hockey, om te bepalen wanneer een speler gewisseld moet worden. "Zeker bij hockey, waar je een onbeperkt aantal wissels hebt, lijkt me dat zeer zinvol." 

Hoewel AI waardevolle inzichten kan bieden, benadrukt Boone dat de rol van de coach essentieel blijft. De inspanningsfysioloog gelooft meer in een data-informed dan in een data-driven benadering.

"De rol van de coach blijft belangrijk, vooral in het filteren van relevante data. Een coach moet altijd in staat zijn om op basis van zijn kennis, ervaring en overleg met de atleet beslissingen te nemen, zelfs als de data iets anders suggereren."

Er kunnen namelijk nog veel meer factoren meespelen, zoals het belang van een wedstrijd of het persoonlijke gevoel van een atleet. Een te grote focus op data kan volgens Boone zelfs nadelig zijn. "Slaafs data volgen of zelfs opleggen aan atleten kan leiden tot demotivatie. In de sport is ook het buikgevoel van groot belang."

Ook in technische sporten zoals gymnastiek zal artificiële intelligentie vooral assistent-coach zijn, bijvoorbeeld om videobeelden van technieken in detail te bestuderen en zaken te filteren die met het blote oog moeilijker of niet waar te nemen zijn.

"Videoanalyses zijn ontzettend waardevol om technische of tactische zaken te bespreken, maar ze vragen ook ontzettend veel tijd", legt datawetenschapper Steven Verstockt (UGent-imec) uit. AI helpt om videofeedback efficiënter en toegankelijker te maken, want atleten kunnen het meest bijleren meteen na een training of wedstrijd. 

Er zijn nog tal van toepassingen mogelijk, onder andere in het wielrennen op de weg. Tijdens de voorbije Ronde van Frankrijk was er tijdens de massaspurten heel wat te doen over al dan niet gevaarlijk sprinten. De jury schatte de ene keer een sprint van een bepaalde renner als te gevaarlijk in, en een andere keer dan weer niet. 

Ook hier zou AI kunnen helpen. "We hebben een systeem gemaakt dat op basis van de videobeelden de sprintlijn van elke renner uittekent. Als we daar de reglementen van de (internationale wielerunie) UCI aan koppelen, kan er voor elke renner objectief worden bepaald of die reglementair heeft gesprint," geeft Verstockt mee.