Einleitung Für die optimale Steuerung von Trainingsbelastungen haben sich simulative Trainings-Wirkungs-Modelle (TWM) als geeignete Methode erwiesen (Banister et al., 1975; Mester et al., 2000; Edelmann-Nusser et al., 2001). Bisher ist aber kein multivariates Zeitreihenmodell bekannt. Das Ziel dieser Arbeit ist es daher, die multivariate Zeitreihenmodellierung mit künstlichen neuronalen Netzen (KNN; Li et al., 1990) auf die Modellierung von Trainingswirkungen anzuwenden. Methode Bei 3 Triathleten wurde über drei Monate täglich der Trainingsinput in vier Kategorien (Laufen, Rad, Schwimmen, Kraft) erfasst. Die Erholungs-Beanspruchungsbilanz der Athleten (EBF-Sport; Kellmann et al., 2000) wurde alle drei Tage erfasst. Als Leistungsoutput wurde alle drei Tage die VO2max mit einem Rampenprotokoll auf einem Rad-Ergometer bestimmt. Zur multivariaten Zeitreihenmodellierung wurde ein Backpropagation-Netz für jeden Athleten trainiert. Aufeinanderfolgende Werte t-n, ..., t-1 der Zeitreihe der Leistungsfähigkeit gingen als autoregressiver Input und die Trainingsbelastungen und psychologische Variablen als exogene Inputdaten in die Modellierung des Werts t0 ein. Ergebnisse und Diskussion Eine sehr gute Modellanpassung wurde bei allen drei Athleten erzielt (r=0.94±0.01; P<0.001). Die Prognose der Leistungsfähigkeit über einen 12tägigen Zeitraum wies einen mittleren absoluten Fehler von 0,08±0,06 l/min. Die Zeitreihenmodellierung der dynamischen Trainings-Wirkungs-Beziehungen mit KNN scheint eine adäquate Methode zu sein. Damit wird eine Komplexitätssteigerung bei der Modellierung von Trainingswirkungen erreicht, die bessere Ergebnissen erwarten lässt.
© Copyright 2010 Bewegung und Leistung - Sport, Gesundheit & Alter : 8. Gemeinsames Symposium der dvs-Sektionen Biomechanik, Sportmotorik und Trainingswissenschaft vom 2.-4. September 2010 in Hamburg. Veröffentlicht von Feldhaus, Ed. Czwalina. Alle Rechte vorbehalten.