Trainingssteuerung durch Künstliche Intelligenz
Eine aktuelle Studie im Open-Access-Fachjournal Nutrients zeigt, wie Künstliche Intelligenz (KI) zunehmend die Trainingssteuerung im Ausdauersport verändert. Die Autoren Gerasimos V. Grivas und Kousar Safari beschreiben, wie KI Daten aus Wearables, Stoffwechselmessungen und Trainingsprotokollen nutzt, um Training, Regeneration und Ernährung individuell anzupassen. Die zentrale Aussage: Weg von groben Trainingsplänen, hin zu präzisen, personenbezogenen Empfehlungen – relevant auch für Sportarten wie Mountainbiken, wo Belastung und Erholung stark schwanken.
KI-Systeme werten heute Herzfrequenzvariabilität, Schlafqualität, Ernährungsdaten und sogar Glukosewerte aus. Daraus entstehen konkrete Handlungsempfehlungen, etwa wann ein intensiver Biketag sinnvoll ist oder wann besser eine lockere Rolleinheit eingelegt werden sollte. Laut den Autoren ist dieser Ansatz genauer als klassische Coaching-Methoden oder starre Trainingspläne.
KI als Vorhersage-Tool
Traditionell stützt sich Ausdauertraining hauptsächlich auf Herzfrequenz, Laktattests, subjektives Belastungsempfinden und Erfahrung. Diese Methoden liefern jedoch meist nur Momentaufnahmen. KI kann dagegen viele Daten gleichzeitig analysieren und daraus Trends und Prognosen ableiten – zum Beispiel, wie gut man sich am nächsten Tag erholt fühlt oder wie hoch der Energiebedarf bei einer langen Trainingseinheit oder einem Rennen in schwerem Gelände sein wird.
Die Studie zeigt, dass KI-Modelle besonders gut sind bei:
- der Vorhersage der Erholung am Folgetag
- der Schätzung von Stoffwechselschwellen ohne Labortest
- der Optimierung von Kohlenhydrat- und Flüssigkeitszufuhr
- der Erstellung streckenspezifischer Tempostrategien, etwa für lange Anstiege
KI beschreibt also nicht nur den aktuellen Zustand, sondern blickt voraus.
Ersetzt KI klassische Leistungstests?
Deep-Learning-Modelle können Laktat- und Ventilationsschwellen mittlerweile recht genau aus nicht-invasiven Daten wie Herzfrequenz und Leistung schätzen. Für Radsportler könnte das bedeuten, Trainingsbereiche zu bestimmen, ohne regelmäßig ins Labor zu müssen. Ob KI Leistungstests komplett ersetzt oder nur ergänzt, ist jedoch noch offen.
Ernährung im Wettkampf gezielt steuern
Ein besonders praxisnahes Einsatzgebiet ist die Wettkampfernährung. Kontinuierliche Glukosemessgeräte, ursprünglich für Diabetiker entwickelt, liefern Daten, die KI in Echtzeit auswertet. So lässt sich die Kohlenhydratzufuhr während eines Rennens oder einer langen Tour gezielt anpassen – etwa bei wechselnder Intensität zwischen Anstieg, flachen Sektionen und Abfahrten.
Die Modelle berücksichtigen individuelle Reaktionen, Umweltbedingungen und Belastung. Noch sind die Messungen nicht perfekt, weshalb Empfehlungen immer mit gewissen Unsicherheiten behaftet bleiben sollten.
Bessere Erholungsprognosen
Eine zwölfwöchige Studie mit 43 Ausdauersportlern demonstrierte die Leistungsfähigkeit von Machine Learning bei der Recovery-Vorhersage. Die Algorithmen analysierten täglich Herzfrequenzvariabilität zusammen mit Trainingsbelastung, Schlaf, Ernährung und Wellness-Parametern. Sie sagten den morgendlichen Erholungsstatus und tägliche Herzfrequenz-Veränderungen präziser vorher als einfache Referenzmodelle.
KI-Systeme integrieren heute zusätzliche biometrische Signale wie Ruhepuls, Atemfrequenz, Schlafarchitektur und Hauttemperatur von Wearable-Geräten. Diese komplexen Datensätze ermöglichen differenziertere Bewertungen der Erholungsverläufe.
KI kann unter anderem prognostizieren:
- wie erholt man sich am nächsten Morgen fühlt
- Herzfrequenz-Veränderungen
- ob sich Müdigkeit aufbaut
- frühe Warnzeichen für Übertraining
Diese Modelle sind oft differenzierter als die bekannten „Recovery-Scores“ vieler Sportuhren.
Und Datenschutz?
Gleichzeitig wirft KI Fragen zum Datenschutz auf. Wearables sammeln sehr persönliche Daten wie Schlaf, Standort oder Gesundheitswerte. Oft ist unklar, wie diese gespeichert oder weiterverwendet werden. Zudem sind viele KI-Modelle schwer nachvollziehbar und können verzerrt sein, wenn sie nur mit Daten von Eliteathleten trainiert wurden – was ihre Aussagekraft für Freizeit-Radsportler einschränkt.
Ausblick
Die Autoren betonen, dass KI im Ausdauersport nur dann ihr Potenzial entfalten kann, wenn vielfältige und hochwertige Daten genutzt werden. Eine enge Zusammenarbeit zwischen Technikern, Trainern und Athleten sei entscheidend. Richtig eingesetzt, könnte KI das Training für viele Radsportler präziser, sicherer und effektiver machen – statt nur für eine kleine Leistungselite.
Link zur Studie
