Juoksuharjoittelu uudelle tasolle – tekoäly optimoi ohjelmat ja palautumisen jokaiselle

26.09.2025

Kestävyysjuoksussa oman kehon kuuntelu auttaa rytmittämään harjoittelua, mutta se toimii parhaiten vain kokeneille juoksijoille. Tekoäly voi toimia henkilökohtaisena valmentajana, joka optimoi harjoitukset ja palautumisen jokaiselle sopiviksi.

Tänä päivänä kertyy tietoa eri laitteista hammasharjasta robotti-imuriin todella suuria määriä. Näin on myös urheilukellojen kanssa, jotka auttavat kuntoilijoita ja urheilijoita seuraamaan omaa liikkumista ja palautumista. Erilaista tietoa voi tulla siinä määrin, että ei enää osata tätä kaikkea tietoa hyödyntää tai ei täysin ymmärretä, mitä tämä tieto tarkoittaa harjoittelun ja palautumisen kannalta.

Tekoäly auttaa tasapainottamaan kuormituksen ja palautumisen

Jotta juoksuharjoittelusta saadaan haluttua kehitystä, tulee elimistön ajoittain väsyä harjoittelun kuormittavuudesta, mutta suunnitellusti myös palautua. Harjoittelun kuormittavuutta voidaan säädellä vaihtelemalla harjoitusten kestoa ja intensiteettiä, harjoitustiheyttä ja harjoittelumuotoja. Näiden osa-alueiden analysointiin voidaan hyödyntää koneoppimista.

Koneoppiminen on tekoälyn yksi osa-alue, jonka avulla koneoppimismalli oppii itse ajan kanssa, kun tietoa kertyy esimerkiksi urheilukellosta urheilusuoritusten ajalta. Koneoppimismalli voi havaita tietoja analysoidessa esimerkiksi sydämen sykevälin vaihtelun kautta muutosta autonomisen hermoston tilassa, mikä voisi viitata kehon muuttuneeseen palautumisen tarpeeseen. Eri analyysien perusteella malli voisi antaa erilaisia muokkausehdotuksia harjoitusohjelmaan.

Hyötyjä tekoälyn käytölle harjoitusohjelman optimoinnissa:

  • Palautuminen: Analysoimalla sykettä ja sykevälinvaihtelua, koneoppimismalli voi määrittää ihanteellisen palautumisajan harjoitusten välille.
  • Harjoitusten intensiteetti: Analysoimalla syke- ja palautumisdataa, koneoppismalli voi antaa ehdotuksia kevyemmistä tai raskaammista harjoituksista.
  • Loukkaantumisriskin pieneneminen: Pitämällä harjoitusten intensiteetin ja palautumisajan sopivina, saadaan ennaltaehkäistyä rasitusvammoja sekä ylirasitustiloja.
  • Paremmat tulokset: Juoksijalle optimoitu ohjelma mahdollistaa paremman kunnon kehityskaaren, jonka myötä myös tulokset ovat todennäköisesti parempia.

Koneoppimismalli harjoitusohjelman optimoinnin takana

Tässä opinnäytetyössä kaikki data koneoppimismallille kerätään Garminin HRM 600 -sykevyöstä ja Forerunner 970 -urheilukellosta, joista data tallentuu ensin Garminin käyttämään FIT-tiedostoon. Koneoppimismallin antamien ennusteiden tarkkuus riippuu datan laadusta, joten FIT-tiedostosta saatua dataa joudutaan esikäsittelemään. Esikäsittelyllä tarkoitetaan esimerkiksi puuttuvien arvojen poistamista / muokkaamista tai yksikkömuunnoksien tekemistä. Koneoppimismallille annettavan datan tulee olla laadukasta, monipuolista ja virheetöntä, jotta voidaan varmistaa mahdollisimman tarkka mallilta saatu ennustus.

Koneoppimismalliksi valikoitui Random forest, koska alkuun haluttiin kevyt ja luotettava malli. Random forest sopii mallina hyvin kehitysvaiheen alussa olevaan ohjelmaan, jolloin dataa ei ole vielä kertynyt paljoa. Random forest -malli pystyy tekemään melko luotettavia ennustuksia vähäisestäkin datasta. Tämän mallin päätökset ovat myös helposti selitettävissä, mikä on tärkeää. Selitettävyyden ansiosta tiedetään minkä takia ja mihin tietoon perustuen malli on tehnyt ennustuksensa.

Jotta koneoppimismalli toimii parhaalla mahdollisella tavalla, sitä täytyy kouluttaa riittävällä määrällä dataa. Random Forest -mallin kohdalla mallin tarkkuuteen vaikuttavat erityisesti hyperparametrit, kuten päätöspuiden määrä ja niiden maksimisyvyys. Lisäksi laitteista saatu data on hyvä jakaa omiin käyttötarkoituksiin.

Koulutuksessa data tullaan jakamaan kolmeen osaan:

  • Koulutusdata (70 %). Koulutusdataa käytetään mallin koulutukseen.
  • Testidata (15 %). Testidataa käytetään mallin testaamiseen. Tämän datan avulla voidaan havaita esimerkiksi tälle mallille tyypillistä ylioppimista.
  • Validointidata (15 %). Validointidataa käytetään mallin hyperparametrien säätämiseen.

Random forest kuuluu oppimistyyliltään valvottuun kategoriaan, joten ihminen on vastuussa mallin koulutukseen käytetyn datan valinnasta, merkinnöistä ja hienosäädöstä. Tärkeää on muistaa, että mallin koulutus jatkuu koko sen elämänkaaren ajan, kun uutta dataa tulee käytön myötä kertymään lisää.

Lähde:

Mannermaa, T. 2025. Juoksuharjoitusohjelman optimointi tekoälyn avulla – datan käsittely ja koneoppimismallin koulutus. Viitattu 24.9.2025. https://urn.fi/URN:NBN:fi:amk-2025092224946