Tekoäly liikkujan tukena

Miten tulisi harjoitella, jos tavoitteena on triathlonin täysmatkan läpipääseminen, 5 tunnin alitus puolimatkalla tai vaikkapa maratonin juokseminen kolmeen tuntiin? Tekoäly ja valtavat tietomassat avaavat kiinnostavan näkökulman treenaamiseen ja harjoittelun suunnitteluun. Janne Kallio valottaa jutussa, millaisia mahdollisuuksia tekoäly tarjoaa jokaisen liikkujan tueksi.

Oletko pysähtynyt miettimään, mihin erilaiset harjoitteluohjeet perustuvat? Tutkimustyö fysiologian ja lääketieteen parissa tuottaa jatkuvasti uutta tietoa siitä, millä tavalla ihmisten hyvinvointiin pystytään parhaiten vaikuttamaan. Fysiologian perusperiaatteet eli tietämys esimerkiksi siitä, miten maitohappoa syntyy, kuinka paljon keskimäärin yössä tulisi nukkua tai millainen on ihmisen energiankulutus päivätasolla eivät välttämättä ole muuttuneet vuosikymmeniin. Kun näitä faktoja sovelletaan urheiluun ja muodostetaan tapoja kehittää eri ominaisuuksia, onkin kyse haastavammasta asiasta eli urheilufysiologiasta. Tällöin kysymyksenä on esimerkiksi: Mikä on paras tapa kehittää hapenottoa, kestävyyttä, räjähtävyyttä tai lihasvoimaa?

Harjoittelun optimointiin ja uusien harjoitteluperiaatteiden kehittämiseen on haettu vastauksia muun muassa tutkimuksista, menestyneiltä urheilijoilta kerätyistä parhaista kokemuksista ja joskus jopa uskomuksista.

Lisähaastetta harjoitteluperiaatteiden valitsemiseen tuo myös sosiaalinen media, joka helposti vääristää käsitystä treenaamisesta. Sweatband.comin tekemässä tutkimuksessa, johon osallistui 1556 liikkujaa, havaittiin, että 52 % vastaajista oli valehdellut sosiaalisessa mediassa liikunnastaan joko liioittelemalla sen määrää tai kertomalla tehneensä harjoituksen, vaikka todellisuudessa näin ei ollut. Kun etsii tietoa harjoittelusta, tarvitsee siis roimasti kriittisyyttä ja sosiaalisen median lukutaitoa.

Big data avaa uuden näkökulman harjoitteluun

Valtavat tietomassat avaavat uudenlaisia mahdollisuuksia harjoittelutietouden lisäämiseen ja treenien suunnitteluun. Suunto on pyrkinyt viime vuosina rakentamaan liikkujilta kerättyyn datamassaan perustuvia ratkaisuja, joiden avulla käyttäjät voisivat saada lisää ymmärrystä omasta harjoittelustaan. Lähestymistapa poikkeaa urheilufysiologisesta tutkimuksesta. Perinteisesti käytetyt tavat löytää tai arvioida tehokkaita harjoittelumalleja eivät ole sovellettavissa ns. big dataan: miljoonilta ihmisiltä ei voida kysyä tarkasti heidän historiastaan eikä näin valtaville joukoille pystytä tekemään harjoitteluun liittyviä interventioita, joissa tutkitaan koehenkilöiden responssia muutettuun harjoitteluun.

Miten big data ja tekoäly sitten toimivat? Keskiössä on valtavien tietomassojen kerääminen käyttäjiltä. Nykyisillä urheiluun suunnitelluilla laitteilla, kuten Suunnon multisport-kelloilla, kerätään valtava määrä dataa. Harjoituksissa mitataan sekunnin välein sykettä, nopeutta, korkeutta, tehoa, lämpötilaa, kadenssia ja montaa muuta parametria. Yhdestä tunnin harjoituksesta kertyy helposti 40 000–50 000 mittausarvoa.

Ihmiskunnan historiassa ei ole  aiemmin ollut tilannetta, jossa miljoonien ihmisten liikuntaa, päivittäistä aktiivisuutta sekä unta pystytään mittaamaan ja keräämään keskenään verrattavassa mittakaavassa. 

Jos harjoittelet päivittäin tunnin verran, vuodessa kertyy 20 miljoonaa mitta-arvoa. Kun tarkastellaan miljoonaa laitteen käyttäjää, syntyy tältä joukolta yli 20 biljoonaa lukuarvoa vuodessa. Tämän datan arvo liikunnan ymmärryksessä on ennennäkemätön. Ihmiskunnan historiassa ei ole  aiemmin ollut tilannetta, jossa miljoonien ihmisten liikuntaa, päivittäistä aktiivisuutta sekä unta pystytään mittaamaan ja keräämään keskenään verrattavassa mittakaavassa. Tämä tuo tutkijoille positiivisen haasteen: miten tällaista valtavaa tietomassaa voisi ja kannattaisi hyödyntää?

Miljoonilta käyttäjiltä kerätyn datan jalostaminen yksittäisen urheilijan avuksi

Suunnon laajaan tietomassaan pohjaava ratkaisu perustuu malliin, jossa käyttäjän jokainen urheilusuoritus tallentuu Suunnon Movescount -sovellukseen. Kerättyä dataa analysoidaan monella tapaa. Jokaisesta suorituksesta haetaan parhaat segmentit, eli nopeimmat tai parhailla tehoilla suoritetut osuudet. Esimerkiksi juoksulenkistä haetaan nopeimmat segmentit eri matkoilla, muun muassa 1 km, 10 km ja 42 km.

Jokainen segmentti tallentuu sisältäen myös muuta tietoa, kuten segmentin syke- ja korkeusmuutokset. Näin analyysi tuottaa kuvan käyttäjän henkilökohtaisesta suorituskyvystä, jonka kehittymistä on helppo seurata. Voit esimerkiksi tarkastella, paraneeko juoksuvauhtisi peruskestävyyslenkeillä tietyllä aikavälillä, esim. yhden kevään aikana. Analyysin tuotoksena syntyy myös kuva yksittäisen henkilön ennätyksistä, kuten ennätysaika 5 km juoksumatkalla, 20 minuutin maksimitehot pyörällä ja nopein puolimatkan triathlonkilpailu.

Analyysi toteutetaan kaikille käyttäjille jokaisesta suorituksesta. Näin datasta syntyy miljoonien ennätysten tietokanta, josta on mahdollista tunnistaa tarkasti haluttu kohderyhmä – esimerkiksi neljän tunnin maratoonarit tai ryhmä, jonka 20 minuutin tehoennätys pyörällä on 300 wattia.

Kun ryhmä on valittu, haetaan jokaiselta ryhmän jäseneltä ennätystä edeltävän 16 viikon harjoittelujakson tiedot. Tiedot sisältävät mm. jokaisen viikon treenimäärän tunneissa, intensiteettijakauman sekä lajijakauman. Tämän jälkeen ryhmän jäsenten tiedot keskiarvoistetaan.

Datasta syntyy miljoonien ennätysten tietokanta, josta on mahdollista tunnistaa tarkasti haluttu kohderyhmä – esimerkiksi neljän tunnin maratoonarit tai ryhmä, jonka 20 minuutin tehoennätys pyörällä on 300 wattia.

Lopputuloksena syntyy kuva siitä, miten kyseinen ryhmä on keskimäärin harjoitellut ennen ennätyksen saavuttamistaan. Harjoittelutiedon lisäksi datasta saadaan tieto siitä, millaisia ennätyksiä kyseiseen ryhmään kuuluvat ovat keskimäärin tehneet. Voit esimerkiksi katsoa, mitkä ovat neljän tunnin maratonin juosseiden ennätykset puolimaratonilla tai 10 kilometrillä.

Big datan käyttö harjoittelutiedon jalostamiseen on faktapohjaista. Tieto perustuu liikkujien mittausdataan, ja on siten lahjomatonta. Haasteita tuottavat väärät mittaukset, kuten esimerkiksi juoksulenkiksi merkattu pyöräily tai yksilöiden erilaiset tavat käyttää laitteita. Analyysia saattaa vääristää myös se, jos osa käyttäjistä ei mittaa ollenkaan uintiharjoituksiaan. Tuloksia lukiessa kannattaa siis olla kriittinen.

Data paljastaa, mitä valitsemasi tavoitteen saavuttaminen tyypillisesti vaatii

Tarkastellaan seuraavaksi muutamia esimerkkejä siitä, mitä vaaditaan, jotta tavoitteet olisivat saavutettavissa valitsemallasi triathlonmatkalla. Esimerkeissä ryhmät koostuvat pääsääntöisesti 30–50 -vuotiaista miehistä. Naisten osuus datassa on noin 20 %. Harjoittelua on analysoitu edellisen 16 viikon ajalta ennen kilpailua. Tätä edeltävältä ajalta ei ole tietoa ryhmään kuuluvien jäsenten taustasta.

Kuvitellaan, että tavoitteenasi on alittaa 11 tunnin raja täysmatkan triathlonilla. Suunnon Movescount -tietokannasta näet, että kyseinen tavoite on tyypillisesti saavutettu hieman yli 10 tunnin viikottaisella harjoittelulla, josta noin 40 % on ollut pyöräilyä, 20 % juoksua ja loppuaika muita lajeja, kuten uintia. Kun lähestytään 10 tunnin rajaa, on keskimääräinen viikkotuntimäärä ollut noin 11 tuntia. Jos treenituntien määrä viikossa jää keskimäärin 9 tuntiin, loppuaika on todennäköisesti jossain 12–13 tunnin kieppeillä.

Kuvitellaan, että tavoitteenasi on alittaa 11 tunnin raja täysmatkan triathlonilla. Suunnon Movescount -tietokannasta näet, että kyseinen tavoite on tyypillisesti saavutettu hieman yli 10 tunnin viikottaisella harjoittelulla.

Kun tutkitaan harjoittelun viikkorytmiä ennen kilpailua, ei ryhmien välillä ole merkittäviä eroja. Jokaisessa ryhmässä kisaa edeltävä viikko on tuntimäärältään ollut noin 50 % normaalista harjoitteluviikosta. Harjoittelun tehojakaumassa ei myöskään ole iso eroa ryhmien välillä. Merkittävimpänä huomiona tässä on se, että hitaammilla triathlonisteilla on ollut enemmän kovatehoista harjoittelua suhteessa nopeimpiin. Tämä on melko yleisesti tunnettu virhe: harjoitellaan liian kovalla teholla. Yksi syy voi olla, että kevyt harjoitus ei tunnu mielekkäältä, sillä vauhti tuntuu liian hitaalta.

Kun tarkastellaan eri aikoihin täysmatkan suorittaneiden urheilijoiden suorituskykyä lyhyemmillä matkoilla, huomataan, että kymmenen tunnin tuntumaan pystyvät urheilijat ovat puolimatkalla suoriutuneet noin 4 h 40 min ajassa ja olympiamatkalla noin 2 h 14 min ajassa. 11 tunnin urheilijoilla ajat ovat vastaavasti 5 h ja 2 h 24 min. 13 tuntia taas vaatisi puolimatkalla noin 5 h 44 min suorituksen ja olympiamatkalla 2 h 39 min. Näitä aikoja voi käyttää myös ohjenuorana, kun pohtii, millaista aikaa voisi ensimmäisessä täysmatkan kisassa tavoitella, jos taustalla on muutama puolimatkan tai olympiamatkan kilpailu.

Vastaavasti voimme vertailla puolimatkan kisaajia. Otetaan tarkasteluun alle 4 h 40 min, alle 5 h ja alle 5 h 30 min suoritukset. Kilpailusuoritus hidastuu samassa suhteessa kuin viikoittainen harjoittelumäärä laskee: hitaimman suorituksen tekijöillä aikaa harjoitteluun on viikossa kulunut noin 7 tuntia, viiden tunnin puolikkaan urheilijoilla hieman päälle 8 tuntia ja nopeimmassa ryhmässä on harjoiteltu lähes 10 tuntia viikossa.

Aikoja voi käyttää ohjenuorana, kun pohtii, millaista aikaa voisi ensimmäisessä täysmatkan kisassa tavoitella, jos taustalla on muutama puolimatkan tai olympiamatkan kilpailu.

Yksittäisten harjoittelukertojen määrä viikossa korreloi myös vauhdin kanssa. Nopein ryhmä harjoitteli 6,8 kertaa viikossa, seuraava ryhmä 5,6 kertaa ja hitain ryhmä 4,8 kertaa viikossa. Intensiteettijakaumaa tarkastellessa voi tehdä saman havainnon kuin täysmatkan suorittaneiden analysoinnissa: hitaampien urheilijoiden harjoittelussa on kovatehoista harjoittelua enemmän kuin nopeimmilla urheilijoilla. Jos katsotaan näiden ryhmien kykyä juosta 10 km, havaitaan nopeimman ryhmän juoksevan matkan keskimäärin hieman alle 40 minuuttiin, keskimmäisen ryhmän hieman päälle 40 min ja hitaimman ryhmän noin 43,5 minuuttiin. Kun vertailee eri ryhmien kykyä juosta, on hyvä huomioida, etteivät nämä välttämättä ole täysivauhtisia kilpailusuorituksia. Monella kyseessä on ennätys, joka on tehty osana normaalia harjoittelua.

Vastaavia vertailuja voi tehdä myös muilla ryhmillä oman kiinnostuksen ja tavoitteiden mukaan. Tiedot ovat vapaasti jokaisen saatavilla Suunnon Movescount -palvelussa.

Janne Kallio
Kirjoittaja työskentelee Suunnolla vastaten kumppanuuksista digitaalisissa ratkaisuissa. Janne on moninkertainen Ironman, jonka tavoite päästä Ironmanin MM-kilpailuihin Havaijille on ollut useamman kerran vain sekunneista kiinni. Jannen kirjoittama kirja “Treenaa tehokkaasti – Teknologia apuna kestävyysharjoittelussa” valottaa kestävyysharjoittelun periaatteita ja parhaita tapoja hyödyntää teknologian antamia mahdollisuuksia.

Juttu on julkaistu alunperin Triathlon-lehdessä 2/2018.

Vastaa

This site uses Akismet to reduce spam. Learn how your comment data is processed.