Cykel

​Landsvägscykel är en av de idrotter som har kommit längst med att mäta, logga och analysera data. Professionella cykelteam har idag specialister anställda för att analysera effekt, hastighet, hjärtfrekvens, trampfrekvens och mycket mer. Datan används för att bättre kunna planera träning och tävling samt scouta talanger. Detta är ingen enkel utmaning. Det handlar om långa tidsserier att analysera. Cykeltävlingar på professionell nivå sträcker sig ofta över distanser på 25-30 mil och arbetstider i storleksordningen 6-7 timmar. Tävlingarna går också över väldigt blandad terräng vilket ställer olika krav på åkaren. Ett särskilt intressant element inom cykelsporten är luftmotståndets inverkan och den stora fördel en åkare har av att ligga bakom andra åkare. Detta leder till ett väldigt intressant taktiskt spel som ytterligare förstärks av att professionell landsvägscykling är organiserad som en lagsport.

Ett tränat öga kan genom manuell dataanalys identifiera en cyklists styrkor och svagheter. Är hen en stark spurter, tempoåkare, klättrare, eller så kallad ”rolleur” som sällan mattas och ofta gärna sätter laget före jaget. En tränare som följer sina åkare kan grovt även uppskatta cyklistens form. Här någonstans går dock gränsen för den mänskliga förmågan. Det rör sig om multivariant data i långa tidserier.  Nästa steg är att kunna korrelera information från olika parametrar. Förhoppningen är att detta ska kunna ge en mycket mer detaljerad bild av cyklistens hälsostatus, t.ex. att med hög precision prediktera form eller om cyklisten är på väg att bli övertränad, eller löper risk för att bli skadad. Denna djupa analys är dock inte lätt med manuella metoder. Vid Chalmers tittar vi på datadrivna metoder för att söka svar på dessa frågor. Vi har i samarbete med ett av världens bästa professionella cykelteam utvecklat speciella neurala nätverk anpassade för att hantera långa tidsserier, så kallade ”Long-Short-Term Memory (LSTM) networks”.


Publicerad: fr 04 okt 2019.