Pist ve saha atletleri için uyarlanabilir antrenman yükü optimizasyonu: Bir pekiştirmeli öğrenme yaklaşımı

Günlük koşucular için daha akıllı antrenman

Bir yarış için antrenman yapmış herkes, gelişmek için yeterince zorlamak ile tükenme veya sakatlanmaya yol açan aşırı antrenman arasında ince bir çizgi olduğunu bilir. Bu çalışma, yapay zekâdan gelen fikirlerin, sabit bir programda yazılı olandan ziyade bedenlerin gerçekte nasıl başa çıktığına cevap veren günlük antrenman planları tasarlamada nasıl yardımcı olabileceğini gösteriyor.

Basit planlar neden yetersiz kalır

Geleneksel antrenman programları sıklıkla haftalık olarak mesafe veya yoğunluğun artması gibi katı bir deseni izler ve yalnızca zaman zaman dinlenme blokları içerir. Antrenörler deneyime dayanarak uyarlamaya çalışır, ancak her sporcunun içindeki görünmez yorgunluk birikimini kesin olarak izleyemezler. İnsanlar uyku, stres ve toparlanma açısından farklılık gösterir; bu nedenle aynı programa tabi iki koşucu çok farklı yanıt verebilir. Sonuç olarak bazı sporcular duraklar, bazıları çöküş yaşar ve planlanan hedefler uzun sezonda sıklıkla kaçırılır.

Atleti dijital ikizine dönüştürmek

Araştırmacılar, 24 haftalık bir sezon boyunca 25 pist ve saha sporcusundan ayrıntılı günlük veriler topladı. Her gün kalp hız değişkenliğini, saat tabanlı bir uyku kalitesi puanını ve hem son dönemi hem de daha uzun vadeyi yakalayan antrenman yükü ölçümlerini kaydettiler. Ayrıca temel bir performans göstergesini izlediler: haftalık 400 metre koşu zamanı. Bu kayıtları kullanarak bir sporcunun bilgisayar temsili ya da dijital ikizini oluşturdu. Bu dijital ikiz, gerçek kişide deneme yapmadan belirli bir gün antrenman daha zor, daha uzun veya daha kolay yapılırsa performans ve beden sinyallerinin nasıl değişeceğini tahmin edebilir.

Akıllı koç nasıl öğrenir

Bu dijital ikizin üstüne ekip, derin pekiştirmeli öğrenmeye dayalı bir karar verme sistemi eğitti. Her adımda sistem, sporcunun mevcut durumunu beden sinyalleri, uyku, iş yükü ve performanstan oluşan altı parçalı bir anlık görüntü olarak görüyor. Ardından üç eylemden birini seçiyor: antrenman yoğunluğunu artırmak, antrenman hacmini artırmak veya aktif toparlanma reçete etmek. Her seçimden sonra dijital ikiz yeni durumu gösteriyor ve sistem daha hızlı 400 metre zamanlarını ödüllendirirken kısa vadeli çok yüksek iş yükü gibi aşırı yüklenme belirtilerini veya kalp hız değişkenliği ile uyku kalitesindeki düşüşleri cezalandıran bir puan alıyor. Binlerce simüle edilmiş haftanın üzerinden geçerek sistem, hangi karar örüntülerinin riskli bölgeye kaymadan uzun vadeli kazançlara yol açtığını öğreniyor.

İnsan tarzı planlamaya karşı performansı

Yazarlar uyarlanabilir planlayıcılarını, her hafta yükü artıran sabit bir plan, iş yükünü güvenli bir aralıkta tutan elle hazırlanmış bir kural sistemi, her zaman en iyi kısa vadeli ödülü kovalayan bir makine öğrenimi kuralı ve klasik tablo tabanlı bir pekiştirmeli öğrenici dahil olmak üzere birkaç gerçekçi alternatifle karşılaştırdı. Tüm yaklaşımlar sezon boyunca 400 metre zamanlarını iyileştirdi, ancak uyarlanabilir derin öğrenme sistemi neredeyse hiç sakatlanma riski taşıyan tehlikeli bölgeye girmeden en büyük kazançları elde etti. Buna karşılık, statik ve açgözlü yöntemler haftalık iş yükünü sık sık güvensiz seviyelere itti ve yalnızca sağlık odaklı tasarım sporcuları güvende tuttu fakat olası hız artışının büyük bir kısmından feragat etti.

Bu sporcular ve antrenörler için ne anlama geliyor

Bir genel okuyucu için ana mesaj, antrenmanın rastgele olmaması gerektiğidir. Kalp ritmi, uyku ve son antrenmanların ne kadar zorlu olduğuna dair basit beden sinyallerini dikkatle dinleyerek ve bir öğrenme sisteminin birçok varsayım senaryosunu simülasyonda test etmesine izin vererek, antrenörler hem iddialı hem de ihtiyatlı günlük antrenman önerileri üretebilir. Bu çalışma küçük bir grup pist sporcusu ve sadeleştirilmiş seçimlerle yapılmış erken bir kavram kanıtı olsa da, dengeli ve veriye dayalı bir yaklaşımın sporcuların daha hızlı hale gelmesine yardımcı olurken yüksek riskli durumlarda geçirdikleri süreyi keskin biçimde azaltabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: antrenman yükü, pekiştirmeli öğrenme, pist ve saha, sakatlanma riski, kalp hız değişkenliği