The use of data to analyze training and race performance is a widely adopted practice in endurance sports (running, cycling, swimming, duathlon, triathlon). Athletic trainers use parameters such as threshold pace, distance covered, and session intensity for manual programming of workout plans. Over the years, the concept of intelligent planning has taken root, and automatic planning of training sessions has emerged. Through the use of artificial intelligence techniques, data has become a valuable tool to aid athletic trainers in designing workout plans. This research was conducted in collaboration with the Tri60 sports center (Sportitudo Srl, Milan) and aims at designing an artificial intelligence model for programming training sessions for amateur runners, cyclists and duathletes. The objective is to overcome traditional standardized programming by forecasting a different workout each day with optimal values for volume, zone, and intensity of work. The study involved 13 cyclists (2 women and 11 men) and 12 runners (6 women and 6 men). In the first phase, athlete data was extracted from the TrainingPeaks® platform and then imported into Matlab® to construct functional datasets for analysis. Additionally, two functions were created: AssegnazioneZona and AssegnazioneWeeklyTSS. The first function establishes session zones according to the principles of training theory and methodology, while the second determines the weekly load an athlete must carry out. The latter is essential because it allows for linear and physiologically sustainable growth in athlete physical condition, according to the principles of training periodization. A neural network was then trained to estimate the Training Stress Score, which is the volume index of a session. Thanks to the work carried out on the TrainingPeaks platform's APIs, a function was created that receives daily estimated values for intensity, load, duration, and zone on activity days and associates a specific workout to execute. It searches among all workouts on the platform for the one closest based on Euclidean distance in the three-dimensional space considered and having the same zone. Finally, a graphical interface was developed with Matlab App Designer for generating and presenting the training plan to the user. The main result of the project was the creation of an application that enables programming of training plans for cyclists, runners, and duathletes. This application enables them to achieve gradual and physiological growth in athletic conditioning in preparation for important sporting events, or simply to stay in shape. The sports programming generated is based on a monthly cycle of sessions. The first three weeks involve a linear increase in workout volume, while during the last week, the load decreases significantly.

L'utilizzo dei dati per analizzare le prestazioni di allenamenti e gare è una pratica ampiamente diffusa negli sport di resistenza (corsa, ciclismo, nuoto, duathlon, triathlon). I preparatori atletici utilizzano parametri come il passo di soglia, la distanza percorsa e l'intensità della seduta per la programmazione manuale dei piani di allenamento. Nel corso degli anni, il concetto di pianificazione intelligente ha preso piede e si è sviluppata la pianificazione automatica delle sessioni di allenamento. Grazie alle tecniche di intelligenza artificiale, che fanno della disponibilità di dati uno strumento prezioso, è possibile aiutare i preparatori atletici nella compilazione di piani di allenamento. Questo lavoro di ricerca è stato svolto in collaborazione con il centro sportivo Tri60 (Sportitudo Srl, Milano) e mira a progettare un modello di intelligenza artificiale per la programmazione di sedute di allenamento per atleti amatoriali di corsa, ciclismo e duathlon. L'obiettivo è superare la tradizionale programmazione standardizzata, prevedendo giorno dopo giorno un allenamento diverso con valori ottimali per volume, zona e intensità di lavoro. Lo studio ha coinvolto 13 ciclisti (2 donne e 11 uomini) e 12 runner (6 donne e 6 uomini). In una prima fase, i dati degli atleti sono stati estratti dalla piattaforma TrainingPeaks® e, successivamente, sono stati importati in Matlab® per costruire i dataset funzionali all'analisi. Inoltre, sono state create due funzioni: AssegnazioneZone e AssegnazioneWeeklyTSS. La prima stabilisce le zone delle sedute rispettando i principi della teoria e della metodologia dell'allenamento, mentre la seconda determina il carico settimanale che deve svolgere l'atleta. Quest'ultima è fondamentale perché permette, secondo i principi di periodizzazione dell'allenamento, una crescita di condizione fisica dell'atleta lineare e fisiologicamente sostenibile. È stata poi allenata una rete neurale per stimare il Training Stress Score, ovvero l'indice del volume della seduta. Grazie al lavoro svolto sulle API della piattaforma TrainingPeaks, è stata creata una funzione che riceve in ingresso i valori giornalieri stimati dai modelli per intensità, carico, durata e zona nei giorni di attività e associa uno specifico allenamento da eseguire, ricercando tra tutti gli allenamenti presenti sulla piattaforma quello più vicino sulla base della minima distanza euclidea nello spazio tridimensionale considerato, avente la stessa zona. Infine, è stata sviluppata un'interfaccia grafica con Matlab App Designer per la generazione e la presentazione all'utente del piano di allenamento. Il risultato principale del progetto è stato lo sviluppo di un'applicazione che consente di programmare piani di allenamento per ciclisti, runners e duatleti. Questa applicazione permette loro una crescita graduale e fisiologica della condizione atletica in vista di un importante evento sportivo o semplicemente per mantenersi in forma. La programmazione sportiva viene generata partendo dalla ciclicità mensile delle sedute: le prime tre settimane prevedono un aumento lineare del volume di allenamento, mentre durante l'ultima settimana il carico diminuisce sensibilmente (settimana di scarico).

Pianificazione automatica dell'allenamento in sport di endurance basata su tecniche di intelligenza artificiale

Preda, Alessandro
2022/2023

Abstract

The use of data to analyze training and race performance is a widely adopted practice in endurance sports (running, cycling, swimming, duathlon, triathlon). Athletic trainers use parameters such as threshold pace, distance covered, and session intensity for manual programming of workout plans. Over the years, the concept of intelligent planning has taken root, and automatic planning of training sessions has emerged. Through the use of artificial intelligence techniques, data has become a valuable tool to aid athletic trainers in designing workout plans. This research was conducted in collaboration with the Tri60 sports center (Sportitudo Srl, Milan) and aims at designing an artificial intelligence model for programming training sessions for amateur runners, cyclists and duathletes. The objective is to overcome traditional standardized programming by forecasting a different workout each day with optimal values for volume, zone, and intensity of work. The study involved 13 cyclists (2 women and 11 men) and 12 runners (6 women and 6 men). In the first phase, athlete data was extracted from the TrainingPeaks® platform and then imported into Matlab® to construct functional datasets for analysis. Additionally, two functions were created: AssegnazioneZona and AssegnazioneWeeklyTSS. The first function establishes session zones according to the principles of training theory and methodology, while the second determines the weekly load an athlete must carry out. The latter is essential because it allows for linear and physiologically sustainable growth in athlete physical condition, according to the principles of training periodization. A neural network was then trained to estimate the Training Stress Score, which is the volume index of a session. Thanks to the work carried out on the TrainingPeaks platform's APIs, a function was created that receives daily estimated values for intensity, load, duration, and zone on activity days and associates a specific workout to execute. It searches among all workouts on the platform for the one closest based on Euclidean distance in the three-dimensional space considered and having the same zone. Finally, a graphical interface was developed with Matlab App Designer for generating and presenting the training plan to the user. The main result of the project was the creation of an application that enables programming of training plans for cyclists, runners, and duathletes. This application enables them to achieve gradual and physiological growth in athletic conditioning in preparation for important sporting events, or simply to stay in shape. The sports programming generated is based on a monthly cycle of sessions. The first three weeks involve a linear increase in workout volume, while during the last week, the load decreases significantly.
ZAGO, MATTEO
ING - Scuola di Ingegneria Industriale e dell'Informazione
4-mag-2023
2022/2023
L'utilizzo dei dati per analizzare le prestazioni di allenamenti e gare è una pratica ampiamente diffusa negli sport di resistenza (corsa, ciclismo, nuoto, duathlon, triathlon). I preparatori atletici utilizzano parametri come il passo di soglia, la distanza percorsa e l'intensità della seduta per la programmazione manuale dei piani di allenamento. Nel corso degli anni, il concetto di pianificazione intelligente ha preso piede e si è sviluppata la pianificazione automatica delle sessioni di allenamento. Grazie alle tecniche di intelligenza artificiale, che fanno della disponibilità di dati uno strumento prezioso, è possibile aiutare i preparatori atletici nella compilazione di piani di allenamento. Questo lavoro di ricerca è stato svolto in collaborazione con il centro sportivo Tri60 (Sportitudo Srl, Milano) e mira a progettare un modello di intelligenza artificiale per la programmazione di sedute di allenamento per atleti amatoriali di corsa, ciclismo e duathlon. L'obiettivo è superare la tradizionale programmazione standardizzata, prevedendo giorno dopo giorno un allenamento diverso con valori ottimali per volume, zona e intensità di lavoro. Lo studio ha coinvolto 13 ciclisti (2 donne e 11 uomini) e 12 runner (6 donne e 6 uomini). In una prima fase, i dati degli atleti sono stati estratti dalla piattaforma TrainingPeaks® e, successivamente, sono stati importati in Matlab® per costruire i dataset funzionali all'analisi. Inoltre, sono state create due funzioni: AssegnazioneZone e AssegnazioneWeeklyTSS. La prima stabilisce le zone delle sedute rispettando i principi della teoria e della metodologia dell'allenamento, mentre la seconda determina il carico settimanale che deve svolgere l'atleta. Quest'ultima è fondamentale perché permette, secondo i principi di periodizzazione dell'allenamento, una crescita di condizione fisica dell'atleta lineare e fisiologicamente sostenibile. È stata poi allenata una rete neurale per stimare il Training Stress Score, ovvero l'indice del volume della seduta. Grazie al lavoro svolto sulle API della piattaforma TrainingPeaks, è stata creata una funzione che riceve in ingresso i valori giornalieri stimati dai modelli per intensità, carico, durata e zona nei giorni di attività e associa uno specifico allenamento da eseguire, ricercando tra tutti gli allenamenti presenti sulla piattaforma quello più vicino sulla base della minima distanza euclidea nello spazio tridimensionale considerato, avente la stessa zona. Infine, è stata sviluppata un'interfaccia grafica con Matlab App Designer per la generazione e la presentazione all'utente del piano di allenamento. Il risultato principale del progetto è stato lo sviluppo di un'applicazione che consente di programmare piani di allenamento per ciclisti, runners e duatleti. Questa applicazione permette loro una crescita graduale e fisiologica della condizione atletica in vista di un importante evento sportivo o semplicemente per mantenersi in forma. La programmazione sportiva viene generata partendo dalla ciclicità mensile delle sedute: le prime tre settimane prevedono un aumento lineare del volume di allenamento, mentre durante l'ultima settimana il carico diminuisce sensibilmente (settimana di scarico).
File allegati
File Dimensione Formato  
2023_05_Preda.pdf

non accessibile

Descrizione: testo tesi
Dimensione 3.2 MB
Formato Adobe PDF
3.2 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/210881