Adaptiv optimering av träningsbelastning för friidrottare: en förstärkningsinlärningsmetod

Smartare träning för vardagslöpare

Vem som helst som tränat inför ett lopp känner till balansgången mellan att pressa sig tillräckligt för att förbättras och att undvika den form av överträning som leder till utmattning eller skador. Denna studie visar hur idéer från artificiell intelligens kan hjälpa till att utforma dagliga träningsplaner för banidrottare som reagerar på hur deras kroppar faktiskt hanterar belastningen, inte bara på vad som står i ett fast schema.

Varför enkla planer inte räcker

Traditionella träningsprogram följer ofta ett stelt mönster med ökande volym eller intensitet varje vecka, med endast sporadiska viloperioder. Tränare försöker anpassa sig utifrån erfarenhet, men de kan inte exakt spåra den osynliga ansamlingen av trötthet i varje individ. Människor skiljer sig åt i sömn, stress och återhämtning, så två löpare på samma program kan reagera mycket olika. Som ett resultat stagnerar vissa idrottare, andra bryter ner, och planerade mål missas ofta under en lång säsong.

Att göra idrottaren till en digital tvilling

Forskarna samlade detaljerade dagliga data från 25 banidrottare över en 24-veckorssäsong. Varje dag registrerade de variabilitet i hjärtfrekvens, en klockbaserad poäng för sömnkvalitet och träningsbelastningsmått som fångar både nylig och längre tids ansträngning. De följde också en nyckelprestandamarkör: veckotid för ett 400-meterslopp. Med dessa register byggde de en datorrepresentation, en digital tvilling, av en idrottare. Denna digitala tvilling kan förutsäga hur prestation och kroppssignaler skulle förändras om träningen gjordes hårdare, längre eller lättare på en viss dag, utan att experimentera på den verkliga personen.

Hur den smarta coachen lär sig

På toppen av denna digitala tvilling tränade teamet ett beslutsfattande system baserat på djup förstärkningsinlärning. Vid varje steg ser systemet idrottarens nuvarande tillstånd som en sexdelad ögonblicksbild av kroppssignaler, sömn, arbetsbelastning och prestation. Därefter väljer det en av tre åtgärder: öka träningsintensitet, öka träningsvolym eller föreskriva aktiv återhämtning. Efter varje val visar den digitala tvillingen det nya tillståndet, och systemet får en poäng som belönar snabbare 400-meters tider men bestraffar tecken på överbelastning, såsom mycket hög kortsiktig arbetsbelastning jämfört med långsiktig belastning eller försämringar i hjärtfrekvensvariabilitet och sömnkvalitet. Över många tusentals simulerade veckor lär sig systemet vilka mönster av beslut som leder till långsiktiga framsteg utan att glida in i riskfyllda områden.

Hur det presterar jämfört med mänskliga planeringsstilar

Författarna jämförde sin adaptiva planerare med flera realistiska alternativ, inklusive en fast plan som ökar belastningen varje vecka, ett handgjort regelsystem som helt enkelt håller arbetsbelastningen inom ett säkert intervall, en maskininlärningsregel som alltid jagar den bästa kortsiktiga belöningen, och en klassisk tabellbaserad förstärkningsinlärare. Alla tillvägagångssätt förbättrade 400-meters tider under säsongen, men det adaptiva djupinlärningssystemet uppnådde de största vinsterna samtidigt som det nästan aldrig gick in i farozonen för skaderisk. I kontrast pressade de statiska och giriga metoderna ofta veckobelastningen till osäkra nivåer, och den rent hälsosfokuserade utformningen höll idrottarna säkra men offrade mycket av den möjliga hastighetsförbättringen.

Vad detta betyder för idrottare och tränare

För en lekmannaläsare är huvudbudskapet att träning inte behöver vara gissningslek. Genom att noga lyssna på enkla kroppssignaler som hjärtrytm, sömn och hur hårda de senaste passen varit, och låta ett inlärningssystem pröva många tänk om-scenarier i simulering, kan tränare generera dagliga träningsförslag som är både ambitiösa och försiktiga. Även om denna studie är ett tidigt konceptbevis som använder en liten grupp banidrottare och förenklade val, visar den att ett balanserat, datadrivet tillvägagångssätt kan hjälpa idrottare att bli snabbare samtidigt som tiden de spenderar i högrisktillstånd skarpt minskas.

Citering: 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

Nyckelord: träningsbelastning, förstärkningsinlärning, friidrott, skaderisk, variabilitet i hjärtfrekvens