Non-invasive lactate threshold estimation using deep learning: practical applications across endurance sports
Diese Studie zeigt, dass ein Deep-Learning-Modell die Herzfrequenz an der 2 mmol·L⁻¹-Laktatschwelle beim Laufen, Radfahren, Rudern und Kajakfahren genau schätzen kann, wobei es innerhalb spezifischer Sportarten herkömmliche Methoden übertrifft, jedoch aufgrund der verringerten Generalisierungsgenauigkeit über verschiedene Disziplinen hinweg eine sportspezifische Validierung erfordert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Seit Jahrzehnten verlassen sich Trainer und Sportwissenschaftler auf eine einzige, entscheidende Zahl, um das Training für Ausdauersportler zu gestalten: den Punkt, an dem der Brennstoff des Körpers von effizienter Verbrennung in einen Zustand akkumulierender Ermüdung umschlägt. Dieser Moment, bekannt als Laktatschwelle, markiert die Intensität, bei der sich Milchsäure im Blut schneller anreichert, als die Muskeln sie abbauen können. Um diesen präzisen Punkt zu finden, unterziehen sich Athleten traditionell einem kräftezehrenden Labortest. Sie laufen oder radfahren mit zunehmenden Geschwindigkeiten, während ein Techniker wiederholt in den Finger sticht, um Blut abzunehmen und die Säurewerte nach jeder Stufe zu messen. Obwohl diese Methode der Goldstandard für die Genauigkeit ist, ist sie invasiv, teuer und erfordert spezialisierte Ausrüstung sowie Fachpersonal. Für viele Freizeitläufer, junge Athleten oder Patienten in klinischen Umgebungen bedeutet diese Barriere, dass sie nicht auf die Daten zugreifen können, die sie für ein effektives Training benötigen. Die Frage war lange Zeit, ob es möglich sei, diese Schwelle allein unter Verwendung der Herzfrequenz- und Geschwindigkeitsdaten vorherzusagen, die bereits während eines Standardtests erhoben werden, ohne jemals einen Tropfen Blut abnehmen zu müssen.
Ein Forscherteam setzte sich zum Ziel, dies zu beantworten, indem es ein hochentwickeltes Computermodell entwickelte, das in der Lage ist, die verborgenen Muster zwischen der Leistung eines Athleten und seinen physiologischen Grenzen zu erlernen. Anstatt sich auf einfache Formeln zu verlassen, die seit Jahren verwendet werden, setzten sie ein Deep-Learning-System ein – eine Form der künstlichen Intelligenz, die komplexe Datensequenzen analysieren kann, um Beziehungen zu finden, die Menschen entgehen könnten. Das Team fütterte das Modell mit Daten aus 823 separaten Belastungstests von über 800 Athleten beider Geschlechter. Diese Tests deckten vier verschiedene Ausdauerdisziplinen ab: Laufen, Radfahren, Rudern und Kajakfahren. Für jeden Test wurde dem Modell die Herzfrequenz und die Geschwindigkeit bzw. die Leistungsabgabe des Athleten in jeder Stufe zusammen mit Alter und Geschlecht präsentiert, und das Modell wurde aufgefordert, die exakte Herzfrequenz vorherzusagen, bei der das Blutlaktat einen spezifischen, festen Wert von zwei Millimol pro Liter erreichen würde. Die Forscher verglichen dann die Vorhersagen des Modells mit den tatsächlichen Bluttestergebnissen, um zu sehen, wie nah sie herankamen.
Die Ergebnisse zeigten, dass das Modell innerhalb der untersuchten Sportarten die Schwelle mit bemerkenswerter Präzision schätzen konnte. Im Durchschnitt lag die Schätzung des Modells nur etwa 5,5 Schläge pro Minute daneben. Um dies in Perspektive zu setzen: Diese Fehlerrate ist vergleichbar mit der natürlichen Variation, die auftritt, wenn derselbe Athlet denselben Bluttest zweimal hintereinander unter Laborbedingungen durchführt. Das Computermodell übertraf die besten bestehenden nicht-invasiven Methoden, die auf mathematischen Kurven basieren, die durch die Datenpunkte gezogen werden, deutlich. Diese älteren Methoden lagen oft fast neun Schläge pro Minute daneben – ein Unterschied, der einen Athleten leicht in die falsche Trainingszone drücken könnte. Das neue Modell erwies sich als besonders effektiv für Läufer, Ruderer und Radfahrer, wobei es erfolgreich die Schwelle für die große Mehrheit der Teilnehmer identifizierte und oft in einem Bereich landete, der für eine allgemeine Trainingssteuerung nützlich ist.
Die Studie zeigte jedoch auch eine klare Einschränkung auf: Das Modell funktioniert nicht automatisch für jeden Sport. Als die Forscher das System an Athleten aus einer Sportart testeten, die es während seines Trainings nicht gesehen hatte, sank die Genauigkeit drastisch. Dies zeigte sich am deutlichsten beim Kajakfahren, einer Sportart, die stark auf die Oberkörperkraft setzt, wo sich die Fehlerrate im Vergleich zu den bein-dominanten Sportarten mehr als verdoppelte. Die Forscher untersuchten, ob dieses Scheitern einfach darauf zurückzuführen war, dass sie weniger Kajak-Tests in ihren Daten hatten, oder ob die Physiologie des Paddelns grundlegend anders ist als die des Laufens oder Radfahrens. Ihre Analyse deutete darauf hin, dass wahrscheinlich beide Faktoren eine Rolle spielen, obwohl sie diese mit den vorliegenden Daten nicht definitiv voneinander trennen konnten. Das Modell hatte am meisten Schwierigkeiten mit der kleinsten Gruppe, was darauf hindeutet, dass es eine beträchtliche Menge an spezifischen Beispielen benötigt, um die einzigartigen Muster jeder Disziplin zu erlernen.
Die Autoren kommen zu dem Schluss, dass diese Technologie ein leistungsstarkes Werkzeug für das Screening und die Überwachung ist, aber noch kein perfekter Ersatz für den traditionellen Bluttest darstellt. Für Trainer, die mit Läufern, Radfahrern oder Ruderern arbeiten, bietet das Modell eine Möglichkeit, den Fortschritt eines Athleten im Laufe der Zeit zu verfolgen, ohne dass wiederholte Fingerstiche erforderlich sind, was häufigeres Testen praktisch und erschwinglich macht. Es kann helfen zu identifizieren, wann ein Athlet fitter wird oder wann seine Trainingsintensität angepasst werden muss. Dennoch bleibt für die Festlegung der präzisen Grenzen einer Trainingszone für ein Individuum, insbesondere in weniger verbreiteten Sportarten oder bei Entscheidungen mit hohem Einsatz, die direkte Blutentnahme der notwendige Standard. Das Modell dient am besten als Brücke, die eine häufigere Beobachtung ermöglicht und die Belastung durch invasive Tests reduziert, während es gleichzeitig anerkennt, dass die endgültige, genaueste Messung immer noch einen Tropfen Blut erfordert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.