Adaptieve optimalisatie van trainingsbelasting voor baanatleten: een benadering met reinforcement learning

Slimmer trainen voor dagelijkse hardlopers

Iemand die ooit voor een wedstrijd heeft getraind kent de koorddans tussen hard genoeg pushen om te verbeteren en het vermijden van overtraining die leidt tot uitputting of blessures. Deze studie laat zien hoe ideeën uit kunstmatige intelligentie kunnen helpen bij het ontwerpen van dagelijkse trainingsplannen voor baanatleten die reageren op hoe hun lichaam werkelijk omgaat met de belasting, en niet alleen op wat in een vast schema staat.

Waarom simpele schema's tekortschieten

Traditionele trainingsprogramma's volgen vaak een rigide patroon van het wekelijks verhogen van afstand of intensiteit, met slechts af en toe rustblokken. Trainers proberen aan te passen op basis van ervaring, maar zij kunnen de onzichtbare opbouw van vermoeidheid binnen elke atleet niet precies volgen. Mensen verschillen in slaap, stress en herstel, zodat twee hardlopers op hetzelfde schema sterk verschillend kunnen reageren. Als gevolg stagneren sommige atleten, raken anderen geblesseerd en worden geplande doelen gedurende een lang seizoen vaak gemist.

De atleet omzetten in een digitale tweeling

De onderzoekers verzamelden gedetailleerde dagelijkse gegevens van 25 baanatleten over een seizoen van 24 weken. Elke dag registreerden ze hartslagvariabiliteit, een door het horloge gemeten slaapkwaliteitscore en trainingsbelastingmetingen die zowel recente als langere termijn inspanning vastleggen. Ze volgden ook een belangrijke prestatiemarker: de wekelijkse tijd op een 400 meter loop. Met deze gegevens bouwden ze een computerversie, of digitale tweeling, van een atleet. Deze digitale tweeling kan voorspellen hoe prestaties en lichaamssignalen zouden veranderen als de training op een bepaalde dag zwaarder, langer of gemakkelijker wordt gemaakt, zonder op de echte persoon te experimenteren.

Hoe de slimme coach leert

Bovenop deze digitale tweeling trainde het team een beslissingssysteem gebaseerd op deep reinforcement learning. Bij elke stap ziet het systeem de huidige toestand van de atleet als een zesdelige momentopname van lichaamssignalen, slaap, werkbelasting en prestaties. Het kiest vervolgens een van drie acties: de trainingsintensiteit verhogen, het trainingsvolume vergroten of actieve herstelopdrachten voorschrijven. Na elke keuze toont de digitale tweeling de nieuwe toestand en ontvangt het systeem een score die snellere 400 metertijden beloont maar signalen van overbelasting bestraft, zoals zeer hoge kortetermijnbelasting ten opzichte van de langetermijnbelasting of dalingen in hartslagvariabiliteit en slaapkwaliteit. Over vele duizenden gesimuleerde weken leert het systeem welke patronen van beslissingen leiden tot langetermijnwinst zonder in risicogebieden te belanden.

Hoe het presteert tegenover menselijke stijl planning

De auteurs vergeleken hun adaptieve planner met meerdere realistische alternatieven, waaronder een vast plan dat elke week de belasting verhoogt, een handgemaakt regelsysteem dat eenvoudig werkbelasting in een veilige range houdt, een machine learning-regel die altijd het beste kortetermijnresultaat najaagt, en een klassieke tabelgebaseerde reinforcement learner. Alle benaderingen verbeterden de 400 metertijden gedurende het seizoen, maar het adaptieve deep learning-systeem behaalde de grootste winst terwijl het vrijwel nooit het gevaarlijke gebied van blessurerisico betrad. Ter vergelijking duwden de statische en hebzuchtige methoden vaak de wekelijkse belasting naar onveilige niveaus, en het puur op gezondheid gerichte ontwerp hield atleten veilig maar offerde veel van de mogelijke snelheidsverbetering op.

Wat dit betekent voor atleten en coaches

Voor een niet-specialistische lezer is de kernboodschap dat trainen geen giswerk hoeft te zijn. Door goed te luisteren naar eenvoudige lichaamssignalen zoals hartritme, slaap en hoe zwaar recente trainingen waren, en een leersysteem vele wat-zou-als-scenario's in simulatie te laten doorlopen, kunnen coaches dagelijkse trainingssuggesties genereren die zowel ambitieus als voorzichtig zijn. Hoewel deze studie een vroeg bewijs van concept is met een kleine groep baanatleten en vereenvoudigde keuzen, toont hij aan dat een evenwichtige, datagedreven aanpak atleten kan helpen sneller te worden terwijl de tijd die ze in hoogrisicostaten doorbrengen sterk wordt verminderd.

Bronvermelding: Zhang, Q., Wang, Q. & Niu, Y. Adaptive training load optimization for track and field athletes: A reinforcement learning approach. Sci Rep 16, 14862 (2026). https://doi.org/10.1038/s41598-026-41946-w

Trefwoorden: trainingsbelasting, reinforcement learning, baanatletiek, blessurerisico, hartslagvariabiliteit