Mobiele menu

The Perfect Load

Projectomschrijving

Voor coaches en trainers is het optimaal afstemmen van belasting en belastbaarheid van atleten
een grote uitdaging. In dit project is de eerste versie van een perfect load model ontwikkeld om
hiermee de prestaties van Team NL basketbal te verbeteren. Door middel van data-analyse,
waaronder datamining, zijn er nieuwe inzichten boven water gekomen hoe prestaties beïnvloed
zouden kunnen worden.
Met meer dan 10.000 datapunten uit trainingssensoren (een nieuwe methode) en vragenlijsten is
er een analyse gedaan op basis van datamining principes. Niet alleen de trainingsbelasting van de
atleten, maar ook hun slaap, welzijn en readiness-to-train kunnen indicatief zijn voor
(toekomstige) blessures. Datamining van deze gegevens heeft enkele drempelwaardes
opgeleverd. Wanneer een atleet deze drempelwaarde overschrijdt (bijvoorbeeld als een atleet
niet genoeg nachtrust heeft) is dit een teken dat de kans op blessures vergroot.
Daarnaast is er een dashboard ontwikkeld die inzicht geeft in de belasting van een atleet tijdens
de training. Op deze manier kan een coach zien welke trainingsvorm meer of minder belastend is.
Daarnaast kan het dashboard goed gebruikt worden om trainingen te analyseren en om te
periodiseren.
Dit project heeft ons dichter bij het antwoord op de vraag gebracht: Hoe kunnen we zo optimaal
mogelijk voorbereid zijn op de belangrijkste momenten in een seizoen?
De volgende samenwerkingspartners realiseren dit project: NBB, Forwardsports.tech, AISS & SDV.

Verslagen


Samenvatting van de aanvraag

Vrouwenbasketball onder de vlag van Team NL (topsport en talentontwikkeling) heeft de ambitie aan te haken bij de internationale top. Twee aspecten die hieraan bijdragen zijn de fysieke en mentale belastbaarheid van sporters. In het verlengde daarvan loopt blessurepreventie. De huidige situatie van meten van belasting/belastbaarheid kan worden verbeterd. Momenteel gebruiken we de Rate of Perceived Exertion methode die is gebaseerd op het gebruik van vragenlijsten. Hierbij wordt de gepercipieerde belasting per training en wedstrijd middels een vragenlijst bijgehouden, door een score te geven aan hoe zwaar de inspanning is ervaren. De internal load. Binnen de huidige methode ontbreken cijfers die de werkelijk geleverde prestaties weergeven, de external load. Binnen external load vallen parameters als afgelegde afstand, snelheid intervallen, accelereren, decelereren en wenden. Daarnaast zijn er parameters die de werkelijke belasting vanuit de lichamelijke reactie weergeven. Dit betreft hartslag, VO2Max, calorieverbruik, etc. De external load kan worden gemeten door gebruik te maken van een local position measurement systeem. Mobiele antennes welke worden geplaatst rondom het basketbalveld. Deze communiceren met trackers die speelsters om de arm dragen, welke ca. 20x per seconde hartslag en positie registreren. Deze gegevens worden via algoritmen omgezet in parameters die de external load definiëren. Innovatie: Het combineren van gebruikelijke RPE methodologie met de nauwkeurige LPM en AI big data technologie in een 'Perfect Load data-dashboard’, dat ook toepasbaar is voor allerhande andere sporten. Oplevering: Perfect Load-model in de vorm van een data dashboard met Key Perfomance Parameters, waarin dagelijks de status kan worden geanalyseerd van de speelsters en het team op weg naar de peak performance. Op basis van de analyses wordt de periodisering gemonitord. Impuls: Met de toekenning van de financiële ondersteuning kan de innovatie zoals hierboven geschetst plaatsvinden. Het gebruik van het LPM is cruciaal, alsmede de AI en Datamining sessies welke worden gebruikt ter interpretatie van de data. Binnen de CTO-omgeving van Topsport Amsterdam kunnen andere partners profiteren van de opgedane kennis, alsook andere partners van de NBB. Opzet Er zijn 5 onderzoeksonderdelen gedefinieerd. Allen met de verhouding belasting/belastbaarheid in het achterhoofd, gecombineerd met blessures (preventie) en de voorspelbaarheid daarvan. Hoe beter er zicht is op de combinatie tussen door coaches verwachte (en gewenste) load per training en de daadwerkelijke external load, hoe hoger de grip op het aanbieden van de load. De aanname aan de voorkant van dit onderzoek is dat dit bijdraagt aan de voorspelbaarheid van blessures (deel 1). In retrospectief zijn signalen terug te vinden in de data welke de blessure ‘aankondigde’. In de toekomst kan er worden gestuurd op deze trends in de data. Een periodieke controle door middel van het LPM systeem op de internal load (deel 2) draagt bij aan het verhogen van het bewustzijn van de sporters en aan het vertrouwen dat er actie wordt ondernomen op de door de sporters aangeleverde input. Per trainingsdeel wordt via de LPM de external load waargenomen, waar de internal load gemeten wordt over de gehele training. Een vergelijking tussen beide (deel 3) zal inzicht opleveren in wat de speelsters ervaren als zware onderdelen, én welk van die onderdelen uiteindelijk het meest meespeelt in de internal load. Mogelijke uitkomsten hiervan zijn dat de laatste onderdelen blijven hangen in de gegeven internal load, of het onderdeel dat het langste duurde. Dit alles draagt bij in het beter kunnen sturen op de load door de coaches, wat de voorspelbaarheid van belasting/belastbaarheid ten goede komt, met de nodige invloed op blessurepreventie. Eenzelfde incongruentie kan er zijn tussen external load in trainingen en in wedstrijden. Welke trainingsonderdelen komen het best overeen met de wedstrijden en hoe vaak dient deze load gehaald te worden, per week of per training (voorspelbaarheid), om de speelsters zo goed mogelijk voor te bereiden op de wedstrijdload (deel 4). Doordat de informatie over de internal load de meest steady stroom aan data is momenteel, en zal blijven in de toekomst, is deze informatie van groot belang. Alle tools waarop (bij-)gestuurd kan worden door de coaches (AC- ratio, hoge straint, etc.) komen uit de data aangeleverd door de sporters. Het veiligstellen van de input is daarom van hoog belang. Als er gaten vallen in de internal load door het missen van gegevens wordt het correct beïnvloeden van de belasting moeilijk, zo niet onmogelijk. Daarom is er de wens de input door de sporter gemakkelijker te kunnen laten plaatsvinden (deel 5) door middel van een app, welke o.a. herinneringen kan genereren aan de sporters voor het leveren van input.

Onderwerpen

Kenmerken

Projectnummer:
538001711
Looptijd: 100%
Looptijd: 100 %
2020
2020
Onderdeel van programma:
Gerelateerde subsidieronde:
Projectleider en penvoerder:
D. van der Kooij
Verantwoordelijke organisatie:
Amsterdam Institute of Sport Science (AISS)