Erfolgsmessung: Wie GPS-Daten das Fußballtraining verändern

Überblick

Die Optimierung von Trainingsroutinen ist entscheidend, um die Leistung der Spieler zu verbessern und gleichzeitig Verletzungen vorzubeugen. Während viele Faktoren im Sport unkontrollierbar sind – wie die Stärke der Gegner oder unvorhersehbare Spielbedingungen – ist die Trainingszeit ein Bereich, auf den Trainer erheblichen Einfluss haben. Durch die Nutzung von GPS-Daten können Teams detaillierte Einblicke in die Leistung der Spieler gewinnen und Trainern so dabei helfen, Intensität und Erholung während des Trainings besser auszubalancieren.

Diese Analyse untersucht GPS-Daten von kroatischen Jugendfußballnationalmannschaften, um zu untersuchen, wie sich unterschiedliche Trainingsaktivitäten auf die Leistung und Gesundheit der Spieler auswirken. Durch die Entwicklung neuer Messgrößen und die Anwendung von Clustering-Techniken deckt diese Studie Muster auf, die dazu beitragen könnten, die Trainingseffizienz und die Sicherheit der Spieler zu verbessern.

GPS-Datenübersicht

Der in dieser Studie verwendete Datensatz besteht aus GPS-Daten, die von tragbaren Sensoren gesammelt werden, die die Spieler während des Trainings tragen. Diese Daten umfassen Messwerte wie Geschwindigkeit, Herzfrequenz, Kilometerzähler (kumulierte Schrittzahl), Beschleunigung und genaue GPS-Koordinaten, die alle mit hoher Frequenz erfasst werden (10x/Sekunde für die meisten Variablen).

Bei dieser ersten Analyse der GPS-Daten wurden nur sechs Trainingseinheiten eines einzelnen Athleten untersucht. Daher besteht die Möglichkeit, dass in zukünftigen Arbeiten weitere Erkenntnisse gewonnen werden. Ziel dieser Arbeit war nicht die Lösung eines bestimmten Problems (wie etwa die Vorhersage von Verletzungen), sondern die Untersuchung der Daten auf allgemeine Muster, die zur Optimierung des zukünftigen Trainings beitragen könnten.

Methoden

Das Projekt begann mit einer grundlegenden explorativen Datenanalyse (EDA), um die Struktur und Verteilung der Daten zu verstehen. Die Verteilung variiert erheblich von Variable zu Variable.

Die beiden wichtigsten Prozesse umfassten:

1. Erstellen zusätzlicher Metriken: Durch die Verfolgung der Anzahl der Schritte über verschiedene Zeitintervalle (1, 2, 3, 4 und 5 Minuten) wurde beispielsweise eine gleichmäßigere Darstellung der Spieleraktivität erreicht. Dadurch konnten während des Trainings Phasen höherer oder niedrigerer Anstrengung leichter identifiziert werden.
2. Clustern: Ein K-Means-Clustermodell wurde angewendet, um Trainingsdaten in verschiedene Cluster zu gruppieren, basierend auf ursprünglichen Metriken sowie solchen, die in der ersten Übung erstellt wurden. Dieses Clustering half dabei, unterschiedliche Phasen innerhalb jeder Trainingseinheit zu identifizieren, wie z. B. Aufwärmen, hochintensive Anstrengung und Erholung.

Wichtige Erkenntnisse

1. Trainingssegmentierung: Durch die Analyse der Schrittdaten und die Visualisierung der Spielerbewegungen wurden zwei Hauptarten von Aktivitäten identifiziert: Trainingsspiele und Übungen. Trainingsspiele zeigten gleichmäßige Bewegungen mit einer deutlichen Unterbrechung in der Mitte, während Übungen variablere Schrittmuster aufwiesen. Diese Unterscheidung half dabei, verschiedene Zeiträume innerhalb des Trainings zu kennzeichnen, was eine tiefere Analyse ermöglichte.
2. Herzfrequenz und Aktivität: Durch die Darstellung der Herzfrequenzdaten im Verhältnis zur Bewegung der Spieler wurde der Einfluss verschiedener Trainingsaktivitäten auf die kardiovaskuläre Belastung visualisiert. Während der Übungen zeigten die Spieler Phasen hoher Intensität, gefolgt von kurzen Erholungsphasen, was sich in schwankenden Herzfrequenzen widerspiegelte. Im Gegensatz dazu zeigten Trainingsspiele eine anhaltendere Aktivität mit weniger ausgeprägten Schwankungen der Herzfrequenz, was auf eine gleichmäßigere, moderatere Belastung während dieser Abschnitte hindeutet.
3. Schrittgruppierung: Um Zeiträume höherer körperlicher Belastung zu identifizieren, wurde eine neue Metrik basierend auf der Anzahl der in den letzten fünf Minuten zurückgelegten Schritte entwickelt. Eine Klassifizierung in „Schrittgruppen“ ergab beispielsweise, dass die Spieler die meiste Zeit mit mäßiger Aktivität verbrachten (Gruppe 3), mit gelegentlichen Spitzen in Richtung höherer Aktivität (Gruppe 6). Diese Metrik könnte verwendet werden, um die Intensität von Übungen fein abzustimmen und zu identifizieren, wann sich Spieler überanstrengen.
4. Clustering-Ergebnisse: Das K-Means-Clustering-Modell ergab fünf unterschiedliche Cluster:
   • Trainingsende: Hohe Schrittzahl und moderate Intensität.
   • Aufwärmen: Niedrige Intensität mit eingeschränkter Bewegung.
   • Hohe Intensität: Hohe Anstrengung, insbesondere Beschleunigung – wichtig zur Leistungsoptimierung.
   • Halbzeit: Geringe Anstrengung, wahrscheinlich eine Erholungsphase.
   • Mäßige Intensität: Gleichmäßige Bewegung ohne nennenswerte Beschleunigung.

Cluster 3 – Die Cluster mit hoher Intensität – ist besonders bemerkenswert. Es stellt Zeiträume maximaler Anstrengung dar, und die gezielte Beachtung dieses Abschnitts könnte wertvolle Erkenntnisse zur Optimierung der Spielerkondition liefern.

Aktionen und nächste Schritte

Diese erste Analyse dient als Ausgangspunkt für gezieltere Forschung. Folgende nächsten Schritte sind nun möglich:

1.  Verletzungsvorhersage: Die Integration von Verletzungsdaten könnte dabei helfen, körperliche Belastungsmuster mit dem Verletzungsrisiko zu korrelieren. Zu verstehen, wann Spieler aufgrund ihres Aktivitätsniveaus am meisten verletzungsgefährdet sind, wäre für Strategien zur Verletzungsprävention von unschätzbarem Wert.
2. Erweiterte Daten: Mehr Daten von einer größeren Bandbreite an Spielern und Trainingseinheiten könnten helfen, diese Erkenntnisse zu bestätigen und weitere Muster bei verschiedenen Spielertypen (z. B. nach Position oder Erfahrungsniveau) aufzudecken.
3. Bohroptimierung: Durch die Analyse bestimmter Übungen während des Trainings können Erkenntnisse darüber gewonnen werden, welche Übungen die vorteilhaftesten Bewegungsmuster und die beste Kondition fördern, während andere möglicherweise angepasst werden müssen, um Über- oder Untertraining zu vermeiden.
4. Verbesserung des Clustermodells: Mit einer größeren Datenstichprobe kann das Clustermodell verfeinert werden, um besser zwischen Hochleistungsperioden und Hochrisikoperioden zu unterscheiden. Dies ermöglicht präzisere Empfehlungen zur Trainingsintensität und Erholung.

Abschluss

Diese Analyse zeigt, dass GPS-Daten wertvolle Einblicke in die Leistung und Gesundheit von Spielern während des Trainings liefern können. Obwohl sich die Studie auf explorative Analysen konzentrierte, öffnet sie die Tür für weitere Forschungen, die auf die Optimierung von Trainingsroutinen, die Verbesserung der Leistung und die Reduzierung des Verletzungsrisikos abzielen. Mit umfassenderen GPS-Daten und verfeinerten Modellen können Trainer ein tieferes Verständnis dafür gewinnen, wie sie das Training für maximalen Nutzen strukturieren können.

Verweise

1. Piłka, T.; Grzelak, B.; Sadurska, A.; Górecki, T.; Dyczkowski, K. „Vorhersage von Verletzungen im Fußball basierend auf Daten, die von tragbaren Sensoren auf GPS-Basis gesammelt wurden.“ Sensors 2023, 23, 1227.
2. Rossi, A., et al. „Effektive Verletzungsprognose im Fußball mit GPS-Trainingsdaten und maschinellem Lernen.“ PLoS ONE 2018, 13,7: e0201264.