Naar de inhoud
OpenAthlete

AI in duurtraining: wat het wel en niet kan

Veel van wat als AI wordt verkocht, is rekenwerk, blessurevoorspelling is zwak en taalmodellen zijn vooral goed in tekstwerk. Een overzicht met bronnen.

OpenAthlete Team5 min lezen

"AI" staat in trainingssoftware voor twee heel verschillende dingen, en de marketing gooit ze graag op één hoop. Het eerste zijn statistische modellen die met getallen werken: hartslag, tempo, vermogen, hartslagvariabiliteit, slaap. Ze schatten iets in of proberen iets te voorspellen. Het tweede zijn taalmodellen, de familie van ChatGPT, Claude en Mistral, die tekst lezen en schrijven. Het bewijs voor elk van beide ziet er heel anders uit, dus het helpt om ze apart te bekijken.

Veel van wat als AI wordt verkocht, is rekenwerk

Curves voor fitheid, vermoeidheid en vorm (CTL, ATL, TSB) zijn exponentieel gewogen gemiddelden van de dagelijkse belasting, afgeleid van het impuls-responsmodel van Banister uit de jaren zeventig. TRIMP zet duur en hartslag om in een belastingscore. Session-RPE is nog eenvoudiger: de methode van Foster vermenigvuldigt de inschatting van de inspanning door de atleet op een schaal van 0–10 met de duur in minuten, dus een duurloop van 60 minuten op RPE 6 levert 360 eenheden op. Niets hiervan is machine learning, en dat is goed. Je kunt de formule controleren, je weet wat ze negeert, en als het getal er raar uitziet, kun je uitzoeken waarom.

De consensusverklaring over het monitoren van belasting die Bourdon en collega's in 2017 publiceerden, raadt precies dit soort tools aan: meet wat er gedaan is (externe belasting, zoals afstand en tempo) en hoe zwaar het voor de atleet was (interne belasting, zoals hartslag en RPE), en bekijk ze samen over de tijd. Dat is nog steeds de ruggengraat van goede praktijk, en er is geen neuraal netwerk voor nodig.

Voorspellen is zwakker dan de reclames doen geloven

Bij blessurevoorspelling lopen de beloftes het verst voor op de data. Het overzichtsartikel van Roald Bahr uit 2016 in het British Journal of Sports Medicine legt uit waarom screeningstests geen blessure kunnen voorspellen voor een individu: zelfs een sterke risicofactor op groepsniveau laat een enorme overlap tussen de atleten die geblesseerd raken en die dat niet worden. Machine learning heeft dat beeld nog niet veel veranderd. Een systematische review van Van Eetvelde en collega's uit 2021 vond elf studies naar machine learning voor het voorspellen van sportblessures, met prestaties van nauwelijks beter dan kop of munt (een AUC van 0,52) tot goed (0,87), en riep op tot meer werk aan het interpreteren van de modellen.

De acute:chronische werkbelastingsratio (ACWR) is een nuttig waarschuwend voorbeeld. Een paar jaar lang verspreidde het idee dat een ratio tussen 0,8 en 1,3 een veilige "sweet spot" was zich door apps en trainerscursussen. Impellizzeri en collega's lieten in 2020 zien dat de ratio fundamentele statistische problemen heeft, en dat het bewijs voor de sweet spot geen stand houdt. Grote sprongen in belasting van week tot week zijn nog steeds een slecht idee. Een precies risicocijfer dat op die ratio is gebouwd, is dat niet.

Dus als een app je "blessurerisico: 23%" laat zien, vraag dan hoe dat getal gevalideerd is, bij wie, en hoe vaak het fout zat. Als er geen antwoord komt, zie het dan als decoratie.

Waar modellen op getallen wel helpen: HRV, met een basislijn

Hartslagvariabiliteit is het nuttigste dagelijkse signaal dat de meeste atleten thuis kunnen meten. In een kleine studie van vier weken lieten Kiviniemi en collega's (2007) de HRV van 's ochtends bepalen welke training er die dag op het programma stond: zwaar als de HRV stabiel bleef of steeg, rustig of rust als die onder de eigen recente bandbreedte van de atleet zakte. Die groep verbeterde de maximale loopsnelheid meer dan een groep die een vast schema volgde. Plews en collega's (2013) voegden een belangrijk praktisch punt toe: één ochtendmeting is rumoerig, en voortschrijdende gemiddelden over ongeveer een week, vergeleken met de eigen basislijn van de atleet, zeggen veel meer.

Let op wat dit is: een persoonlijke basislijn en een eenvoudige regel. Het werkt omdat het individueel is, niet omdat het model slim is. Het vraagt ook gedisciplineerd meten, elke ochtend onder dezelfde omstandigheden, en daar gaat het bij de meeste mensen mis.

Subjectieve data verslaat nog steeds de meeste sensoren

De systematische review van Saw, Main en Gastin uit 2016 vergeleek subjectieve maten (stemming, ervaren stress, vermoeidheid) met objectieve (bloedwaarden, rusthartslag, hartslagreactie op inspanning). De subjectieve maten volgden veranderingen in trainingsbelasting gevoeliger en consistenter. Simpel gezegd: de atleet vragen hoe die zich voelt, en dat elke keer vastleggen, is een van de beste monitoringinstrumenten die er zijn.

Hier blijken taalmodellen echt nuttig, op een weinig glamoureuze manier. Een atleet typt of zegt graag "benen zwaar vanaf km 8, linker achillespees achteraf wat gevoelig op de trap", maar vult zelden vijf schuifjes in. Een taalmodel kan die zin omzetten in een inspanningsscore en een pijnnotitie (linker achillespees, licht, na het lopen) die een coach kan filteren en in een grafiek zetten. Het is gestructureerde gegevensinvoer, gedaan door iets dat losse formuleringen begrijpt.

Taalmodellen die trainingsschema's schrijven

Düking en collega's (2024) vroegen ChatGPT om hardloopschema's van zes weken met drie niveaus van detail in de prompt en lieten coachingexperts ze beoordelen op 22 kwaliteitscriteria. Met minimale input scoorde het schema op 19 van de 22 criteria onder het midden. Met gedetailleerde input (trainingsgeschiedenis, doelen, beperkingen) zakte dat naar één. De auteurs raden toch af om zulke schema's te gebruiken zonder feedback van een ervaren coach. Een studie naar krachttrainingsprogramma's van Washif en collega's (2024) kwam tot een vergelijkbare conclusie: geloofwaardige concepten die verfijnd moeten worden door iemand die het vak kent.

Taalmodellen beweren ook vlot onware dingen, een fout die hallucinatie heet (Ji en collega's, 2023, geven een overzicht van het probleem). In training ziet dat eruit als een weekvolume dat niet klopt, een "studie" die niet bestaat, of een herstelloop die stilletjes op drempeltempo is gezet. Die fouten zijn makkelijk over het hoofd te zien, juist omdat de rest van de tekst goed leest.

Wat dit in de praktijk betekent

Gebruik taalmodellen voor tekstwerk: een gestructureerde training schrijven uit een beschrijving, een maand aan notities samenvatten, feedback na een training vastleggen, een begrip uitleggen. Houd beslissingen over belasting en intensiteit bij getallen die je kunt controleren, het liefst met een coach of je eigen ervaring als laatste filter. Wees sceptisch over elke risicoscore waarvan je de validatie niet kunt zien. En wil je één gewoonte die het onderzoek duidelijk ondersteunt: leg vast hoe elke training voelde.

Hoe OpenAthlete AI gebruikt

Trainingsbelasting in OpenAthlete is TRIMP uit de hartslag, met session-RPE ernaast: formules, geen black box. AI is optioneel en doet het tekstwerk dat hierboven is beschreven: een gestructureerde training uit één zin, drie of vier vragen na een activiteit die een inspanningsscore en een pijnlogboek voor de coach worden, en een korte duiding van elke activiteit. Er is geen blessurevoorspelling. De AI-pagina laat zien wat het doet en welke aanbieders je kunt gebruiken.

Bronnen

  • Banister EW et al. (1975). A systems model of training for athletic performance. Australian Journal of Sports Medicine, 7, 57–61.
  • Foster C et al. (2001). A new approach to monitoring exercise training. Journal of Strength and Conditioning Research, 15(1), 109–115. PubMed
  • Bourdon PC et al. (2017). Monitoring athlete training loads: consensus statement. International Journal of Sports Physiology and Performance, 12(Suppl 2), S2161–S2170. doi:10.1123/IJSPP.2017-0208
  • Bahr R (2016). Why screening tests to predict injury do not work—and probably never will…: a critical review. British Journal of Sports Medicine, 50(13), 776–780. doi:10.1136/bjsports-2016-096256
  • Van Eetvelde H et al. (2021). Machine learning methods in sport injury prediction and prevention: a systematic review. Journal of Experimental Orthopaedics, 8, 27. doi:10.1186/s40634-021-00346-x
  • Impellizzeri FM et al. (2020). Acute:chronic workload ratio: conceptual issues and fundamental pitfalls. International Journal of Sports Physiology and Performance, 15(6), 907–913. doi:10.1123/ijspp.2019-0864
  • Kiviniemi AM et al. (2007). Endurance training guided individually by daily heart rate variability measurements. European Journal of Applied Physiology, 101(6), 743–751. doi:10.1007/s00421-007-0552-2
  • Plews DJ et al. (2013). Training adaptation and heart rate variability in elite endurance athletes: opening the door to effective monitoring. Sports Medicine, 43(9), 773–781. doi:10.1007/s40279-013-0071-8
  • Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
  • Düking P et al. (2024). ChatGPT generated training plans for runners are not rated optimal by coaching experts, but increase in quality with additional input information. Journal of Sports Science and Medicine, 23(1), 56–72. doi:10.52082/jssm.2024.56
  • Washif JA et al. (2024). Artificial intelligence in sport: exploring the potential of using ChatGPT in resistance training prescription. Biology of Sport, 41(2), 209–220. doi:10.5114/biolsport.2024.132987
  • Ji Z et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12). doi:10.1145/3571730

Geschreven door

OpenAthlete Team

OpenAthlete is een open-source trainingsplatform, gebouwd in Grenoble door een onafhankelijke ontwikkelaar en ultraloper, met feedback van de coaches en atleten die het gebruiken. Geen investeerders, geen advertenties.

Lees verder

Train met cijfers die je kunt controleren.

Elke formule die OpenAthlete gebruikt staat in de broncode, en alles om te trainen is gratis, op onze servers of de jouwe.

Voor altijd gratis. Geen creditcard.