Langlauftechniken mit Machine Learning erkennen

Im Skating-Langlauf wechseln Athletinnen und Athleten laufend zwischen verschiedenen Subtechniken, und diese Wahl entscheidet mit über die Leistung. Bisher werten Trainerinnen und Trainer sie aufwändig per Video aus. Gemeinsam mit Swiss-Ski und der EHSM Magglingen hat die FH Graubünden ein Verfahren entwickelt, das die Subtechniken mit einem einzigen Sensor am Rücken und einem erklärbaren Machine-Learning-Modell automatisch und seitengenau erkennt.

Zudem waren folgende Personen am Projekt beteiligt: 

• Tim Braillard (EHSM)
• Thomas Steiner (EHSM)
• Matheo Käch (Swiss-Ski)

Der Skating-Langlauf ist eine der anspruchsvollsten Ausdauerdisziplinen im Alpenraum. Athletinnen und Athleten wechseln laufend zwischen verschiedenen Subtechniken, je nach Steigung, Geschwindigkeit und Schneeverhältnissen. Welche Subtechnik wann eingesetzt wird, beeinflusst Energieökonomie, Renneinteilung und damit die Leistung massgeblich.

Für Trainerinnen und Trainer ist die Subtechnik-Wahl deshalb ein wichtiger Teil der Trainings- und Rennauswertung. Bei Swiss-Ski erfolgt sie bisher manuell anhand von Videoaufnahmen: genau, aber zeitaufwändig und auf einzelne gefilmte Streckenabschnitte beschränkt.

Tragbare Sensoren könnten diese Auswertung durchgehend und objektiv liefern. Bestehende Einzelsensor-Systeme fassen die asymmetrischen Subtechniken jedoch zusammen und verlieren damit die für das Coaching entscheidende Information, auf welche Seite geführt wird. Diese Lücke soll das Projekt schliessen.

Ziel des Projekts ist eine sensorbasierte Technologie für den Spitzen-Langlauf, die künftig bei Swiss-Ski eingesetzt werden kann. Sie muss vier Anforderungen gleichzeitig erfüllen: einen einzelnen Sensor, eine hochgenaue Erkennung, einen geringen Bedarf an Trainingsdaten sowie ein erklärbares, leichtgewichtiges KI-Modell.

Vorteile der sensorbasierten Subtechnik-Erkennung: 

Ein einzelner, leichter Sensor

• Nur ein Sensor am oberen Rücken, ohne athletenspezifische Kalibrierung
• Erfassung über die gesamte Trainings- oder Renndauer statt nur auf gefilmten Abschnitten

Hohe Genauigkeit

• Seitengenaue Unterscheidung von fünf Subtechniken (G2 links/rechts, G3, G4 links/rechts)
• Erkennung der Technikübergänge mit präziser zeitlicher Zuordnung
• Vorab definiertes Genauigkeitsziel von 95% für jede der fünf Klassen

Geringer Bedarf an Trainingsdaten

• Klassifikationsverfahren, das mit wenigen Trainingsdaten auskommt
• Übertragbarkeit auf Personen, die nicht im Trainingsdatensatz enthalten sind

Erklärbare und ressourcenschonende KI

• Nachvollziehbares Modell (Random Forest) statt rechenintensivem Deep Learning
• Modell klein genug für den späteren Betrieb direkt auf Sensor oder Sportuhr

Langfristige Ziele sind:

• Validierung auf Schnee und in variablem Gelände (laufende Feldstudie mit Swiss-Ski)
• Ablösung der manuellen Videoauswertung durch eine durchgehende, objektive Technikanalyse
• Auswertung direkt auf dem Sensor oder der Sportuhr
• Analyse von Seitenunterschieden als neues Werkzeug für das Coaching

Die Technologie wertet die Bewegung des Oberkörpers Zyklus für Zyklus aus. Die Verarbeitungskette umfasst vier Schritte:

• Eine einzelne IMU (ADMOS) am oberen Rücken erfasst Beschleunigung und Drehrate in je drei Achsen
• Die Rohsignale werden geglättet und in einzelne Bewegungszyklen zerlegt
• Pro Zyklus werden interpretierbare Merkmale zu Amplitude, Form, Symmetrie und Verlauf der Bewegung berechnet
• Ein Random Forest ordnet jeden Zyklus einer der fünf seitenspezifischen Subtechniken zu; eine zeitliche Glättung liefert die ausgegebene Subtechnik und weist Wechsel als Technikübergänge aus

Die Datengrundlage stammt aus einer Studie mit 13 Kaderathletinnen und -athleten von Swiss-Ski am Nationalen Leistungszentrum Davos. Auf einem motorisierten Rollski-Laufband absolvierten sie ein Protokoll mit vorgegebenen Techniken sowie zwei wettkampfnahe Protokolle ohne Technikvorgabe, die als unabhängiger Testdatensatz dienten. Synchronisierte Videoaufnahmen lieferten die Referenz.

Auf unabhängigen Validierungsdaten erreichte das Modell eine Gesamtgenauigkeit von 98.1%; alle fünf Subtechniken übertrafen das vorab definierte Ziel von 95%. Ein Leave-one-athlete-out-Test bestätigte die Übertragbarkeit auf unbekannte Athletinnen und Athleten (97.7 ± 4.1%). Technikübergänge wurden mit einem F1-Wert von 0.93 erkannt.

Die Merkmalsgewichtung zeigt, dass vor allem die Rotation des Oberkörpers die Entscheidung treibt, also jene Bewegungsmuster, die auch Trainerinnen und Trainer von Auge beurteilen. Da die Ergebnisse aus dem kontrollierten Laufband-Setting stammen, prüft eine Feldstudie mit Swiss-Ski derzeit die Übertragbarkeit auf Schnee und variables Gelände.

Beteiligte

Das Projekt wurde vom Institut für Data Analysis, Artificial Intelligence, Visualization und Simulation (DAViS) in Zusammenarbeit mit Swiss-Ski umgesetzt.