Problemstellung
Modelle zur Analyse und Prognose von Trainingswirkungen sind vielversprechende Verfahren für eine individuelle Optimierung der Belastungsgestaltung. Die starken Vereinfachungen der antagonistischen und non-parametrischen Modelle führen aber zu einer geringen Modellgüte und Prognoseleistung. Forschungsbedarf besteht daher hinsichtlich neuer multifaktorieller Modelle, die den komplexen und dynamischen Trainingsprozess hinreichend abbilden.
Künstliche neuronale Netze (KNN) haben sich als Methode zur Analyse und Prognose von nichtlinearem und dynamischem Systemverhalten bewährt. Das Ziel dieser Arbeit ist es, den Zusammenhang zwischen Beanspruchung und sportlicher Leistungsfähigkeit mit KNN verlaufsorientiert abzubilden und die Leistungsentwicklung vorherzusagen.
Untersuchungsdesign
Während eines dreimonatigen Untersuchungszeitraums wird bei drei Triathleten täglich die Trainingsbeanspruchung in vier Kategorien (Laufen, Radfahren, Schwimmen und Krafttraining) anhand der Herzfrequenz und des zeitlichen Umfangs dokumentiert. Die Erholungs-Beanspruchungsbilanz der Versuchspersonen wird jeden dritten Tag an 30 Messzeitpunkten mit einem Fragebogen erfasst (Kellmann & Kallus, 2000). Die maximale Sauerstoffaufnahme wird als Maß für die Ausdauerleistungsfähigkeit ebenfalls alle drei Tage mit einer Fahrrad-Spiroergometrie bestimmt.
Für die multivariate Zeitreihenanalyse wird ein Backpropagation-Netz eingesetzt. Die Trainingsbeanspruchung und der psychometrisch erfasste Erholungs- und Beanspruchungszustand werden als Prädiktorvariablen berücksichtigt. Die Dynamik des Trainingsprozesses wird über den Zusammenhang zwischen der Leistungsfähigkeit und der Leistungsentwicklung abgebildet. Die KNN werden für jede Athletin und jeden Athleten mit 24 Datensätzen trainiert. Die Entwicklung der Leistungsfähigkeit wire über vier Messzeitpunkte vorhergesagt.