Cycling power estimation: a hybrid approach using rider biometric and bike kinematic data

In this Thesis, the objective is to present a solution to the problem of estimating Power during a cycling training session. This estimation approach seeks to create an alternative to the traditional Power meters by leveraging readily available biometric data from the cyclist and kinematic data from the bicycle. The process begins with identifying and testing various “data-driven” models of differing complexities. All of these models accurately capture the relationship between the cyclist’s input variables and Power output. Each model has been evaluated quantitatively to determine its accuracy in predicting cycling Power from input data. Once the most effective model is identified, it is applied to a practical case study involving a simulation of the estimation process under real-world cycling conditions. In this study, an assessment was also made of the importance of available sensors such as wind sensors and the accelerometer, and then tried to estimate a model concerning cycling on a mountain uphill. The results obtained confirm the effectiveness of this model-based estimation approach, which, by accounting for both kinematic and biometric variables, enables accurate Power estimation without the need for a traditional Power meter. This solution provides a robust foundation for a new type of Power meter based solely on measurable bicycle and cyclist data, offering an accessible and cost-effective tool for cyclists and trainers alike.

In questa tesi, l’obiettivo è presentare una soluzione al problema della stima della potenza durante una sessione di allenamento in bicicletta. Questo approccio di stima cerca di creare un’alternativa ai tradizionali misuratori di potenza, sfruttando i dati biometrici del ciclista facilmente disponibili e i dati cinematici della bicicletta. Il processo inizia con l’identificazione e la sperimentazione di vari modelli “data-driven” di diversa complessità. Tutti questi modelli catturano accuratamente la relazione tra le variabili di input e l’output di Potenza. Ogni modello è stato valutato quantitativamente per determinarne l’accuratezza nel prevedere la Potenza ciclistica dai dati di input. Una volta identificato il modello più efficace, questo è stato applicato a un caso pratico di simulazione del processo di stima in condizioni reali di ciclismo. In questo studio è stata valutata anche l’importanza dei sensori disponibili, come il sensore del vento e l’accelerometro, succesivamente si è provato a stimare un modello relativo al ciclismo su salite in montagna. I risultati ottenuti confermano l’efficacia di questo approccio di stima basato su un modello che, tenendo conto delle variabili cinematiche e biometriche, consente una stima accurata della potenza senza la necessità di un misuratore di potenza tradizionale. Questa soluzione fornisce una solida base per un nuovo tipo di misuratore di potenza basato esclusivamente su dati misurabili della bicicletta e del ciclista, offrendo uno strumento accessibile e conveniente sia per i ciclisti che per gli allenatori.