Unterstützung der Leistungsdiagnostik im Leistungs- und Hochschulsport durch maschinelles Lernen am Beispiel der Ausdauerdiagnostik

Publikationen: Buch/BerichtDissertationsschriftForschung

Standard

Unterstützung der Leistungsdiagnostik im Leistungs- und Hochschulsport durch maschinelles Lernen am Beispiel der Ausdauerdiagnostik. / Malecki, Benedikt.

Köln : Deutsche Sporthochschule Köln, 2021. 180 S.

Publikationen: Buch/BerichtDissertationsschriftForschung

Harvard

APA

Vancouver

Bibtex

@book{eaddcce1057b455baf7ce5888792ad4e,
title = "Unterst{\"u}tzung der Leistungsdiagnostik im Leistungs- und Hochschulsport durch maschinelles Lernen am Beispiel der Ausdauerdiagnostik",
abstract = "Aktive verschieben auf der Jagd nach neuen Rekorden – unterst{\"u}tzt durch Er- kenntnisse aus der Sportwissenschaft – immer weiter die Grenzen der mensch- lichen Leistungsf{\"a}higkeit. Die Erkenntnisse der Sportwissenschaft fu{\ss}en auf der Erhebung und Analyse verschiedenster Daten.Dabei werden personalisierte Ans{\"a}tze, wie sie bereits in der Medizin Anwen- dung finden, auch in der Sportwissenschaft immer wichtiger, um bei Ent- scheidungen im Bereich der Diagnostik und des Trainings unterst{\"u}tzen zu k{\"o}nnen.Um solche Ans{\"a}tze umsetzen zu k{\"o}nnen, werden ganz allgemein Prozesse zur Datenorganisation, Datenanalyse auf der Basis von k{\"u}nstlicher Intelli- genz und Prozesse f{\"u}r die Kommunikation der aus der Analyse gewonnenen Erkenntnisse gefordert. Im Bereich der Ausdauerdiagnostik und des Ausdau- ertrainings existieren aktuell in der sportwissenschaftlichen Forschung wenige solcher allgemeinen, umgesetzten Ans{\"a}tze.Basierend auf den oben genannten Forderungen wurden innerhalb der vorlie- genden Arbeit als {\"u}bergeordneter Prozess der Data-Warehouse-Prozess so- wie als Prozess f{\"u}r die Datenanalyse der CRoss Industry Standard Process for Data Mining (CRISP-DM) umgesetzt. Dazu wurde ein leichtgewichtiges Server-/Client-System mit einer JSON-API und einer relationalen Daten- bank f{\"u}r die Datenorganisation entwickelt, um die hohen Kosten f{\"u}r die An- schaffung und Unterhaltung von gro{\ss}en Business-Intelligence-Systemen zu vermeiden. Basierend auf einem zweistufigen Machine-Learning-Modell wur- de durch ein Clustering eine Einteilung von Individuen in zwei Leistungs- cluster vorgenommen. F{\"u}r die beiden Leistungscluster wurden anschlie{\ss}end mit Hilfe eines Decision Trees Regeln gefunden, um Teile der physiologischen Strukturen beziehungsweise deren Auspr{\"a}gungen aufzuzeigen.Das erstellte Modell erm{\"o}glicht Einblicke in die physiologischen Strukturen von Leistungsclustern im Ausdauerbereich. Somit k{\"o}nnte das erstellte Modell das Betreuungspersonal von Aktiven im Leistungssport sowohl in der Diagnostik als auch bei der Planung des Ausdauertrainings unterst{\"u}tzen. Die Anwendbarkeit sowie der Nutzen des Modells in der t{\"a}glichen Praxis ist in zuk{\"u}nftigen Projekten zu evaluieren.",
author = "Benedikt Malecki",
year = "2021",
language = "Deutsch",
publisher = "Deutsche Sporthochschule K{\"o}ln",

}

RIS

TY - BOOK

T1 - Unterstützung der Leistungsdiagnostik im Leistungs- und Hochschulsport durch maschinelles Lernen am Beispiel der Ausdauerdiagnostik

AU - Malecki, Benedikt

PY - 2021

Y1 - 2021

N2 - Aktive verschieben auf der Jagd nach neuen Rekorden – unterstützt durch Er- kenntnisse aus der Sportwissenschaft – immer weiter die Grenzen der mensch- lichen Leistungsfähigkeit. Die Erkenntnisse der Sportwissenschaft fußen auf der Erhebung und Analyse verschiedenster Daten.Dabei werden personalisierte Ansätze, wie sie bereits in der Medizin Anwen- dung finden, auch in der Sportwissenschaft immer wichtiger, um bei Ent- scheidungen im Bereich der Diagnostik und des Trainings unterstützen zu können.Um solche Ansätze umsetzen zu können, werden ganz allgemein Prozesse zur Datenorganisation, Datenanalyse auf der Basis von künstlicher Intelli- genz und Prozesse für die Kommunikation der aus der Analyse gewonnenen Erkenntnisse gefordert. Im Bereich der Ausdauerdiagnostik und des Ausdau- ertrainings existieren aktuell in der sportwissenschaftlichen Forschung wenige solcher allgemeinen, umgesetzten Ansätze.Basierend auf den oben genannten Forderungen wurden innerhalb der vorlie- genden Arbeit als übergeordneter Prozess der Data-Warehouse-Prozess so- wie als Prozess für die Datenanalyse der CRoss Industry Standard Process for Data Mining (CRISP-DM) umgesetzt. Dazu wurde ein leichtgewichtiges Server-/Client-System mit einer JSON-API und einer relationalen Daten- bank für die Datenorganisation entwickelt, um die hohen Kosten für die An- schaffung und Unterhaltung von großen Business-Intelligence-Systemen zu vermeiden. Basierend auf einem zweistufigen Machine-Learning-Modell wur- de durch ein Clustering eine Einteilung von Individuen in zwei Leistungs- cluster vorgenommen. Für die beiden Leistungscluster wurden anschließend mit Hilfe eines Decision Trees Regeln gefunden, um Teile der physiologischen Strukturen beziehungsweise deren Ausprägungen aufzuzeigen.Das erstellte Modell ermöglicht Einblicke in die physiologischen Strukturen von Leistungsclustern im Ausdauerbereich. Somit könnte das erstellte Modell das Betreuungspersonal von Aktiven im Leistungssport sowohl in der Diagnostik als auch bei der Planung des Ausdauertrainings unterstützen. Die Anwendbarkeit sowie der Nutzen des Modells in der täglichen Praxis ist in zukünftigen Projekten zu evaluieren.

AB - Aktive verschieben auf der Jagd nach neuen Rekorden – unterstützt durch Er- kenntnisse aus der Sportwissenschaft – immer weiter die Grenzen der mensch- lichen Leistungsfähigkeit. Die Erkenntnisse der Sportwissenschaft fußen auf der Erhebung und Analyse verschiedenster Daten.Dabei werden personalisierte Ansätze, wie sie bereits in der Medizin Anwen- dung finden, auch in der Sportwissenschaft immer wichtiger, um bei Ent- scheidungen im Bereich der Diagnostik und des Trainings unterstützen zu können.Um solche Ansätze umsetzen zu können, werden ganz allgemein Prozesse zur Datenorganisation, Datenanalyse auf der Basis von künstlicher Intelli- genz und Prozesse für die Kommunikation der aus der Analyse gewonnenen Erkenntnisse gefordert. Im Bereich der Ausdauerdiagnostik und des Ausdau- ertrainings existieren aktuell in der sportwissenschaftlichen Forschung wenige solcher allgemeinen, umgesetzten Ansätze.Basierend auf den oben genannten Forderungen wurden innerhalb der vorlie- genden Arbeit als übergeordneter Prozess der Data-Warehouse-Prozess so- wie als Prozess für die Datenanalyse der CRoss Industry Standard Process for Data Mining (CRISP-DM) umgesetzt. Dazu wurde ein leichtgewichtiges Server-/Client-System mit einer JSON-API und einer relationalen Daten- bank für die Datenorganisation entwickelt, um die hohen Kosten für die An- schaffung und Unterhaltung von großen Business-Intelligence-Systemen zu vermeiden. Basierend auf einem zweistufigen Machine-Learning-Modell wur- de durch ein Clustering eine Einteilung von Individuen in zwei Leistungs- cluster vorgenommen. Für die beiden Leistungscluster wurden anschließend mit Hilfe eines Decision Trees Regeln gefunden, um Teile der physiologischen Strukturen beziehungsweise deren Ausprägungen aufzuzeigen.Das erstellte Modell ermöglicht Einblicke in die physiologischen Strukturen von Leistungsclustern im Ausdauerbereich. Somit könnte das erstellte Modell das Betreuungspersonal von Aktiven im Leistungssport sowohl in der Diagnostik als auch bei der Planung des Ausdauertrainings unterstützen. Die Anwendbarkeit sowie der Nutzen des Modells in der täglichen Praxis ist in zukünftigen Projekten zu evaluieren.

M3 - Dissertationsschrift

BT - Unterstützung der Leistungsdiagnostik im Leistungs- und Hochschulsport durch maschinelles Lernen am Beispiel der Ausdauerdiagnostik

PB - Deutsche Sporthochschule Köln

CY - Köln

ER -

ID: 6202559