Interactieve exploratie van herstelstatus van recreatieve atleten op basis van machine learning en smartwatch data

Abstract

Deze masterthesis onderzoekt het herstel van recreatieve atleten met machine learning en smartwatch-data. Het doel is het herstel nauwkeurig in te schatten om meer inzicht te geven in het herstel, wat kan leiden tot optimale training en betere prestaties. Fitbit smartwatches verzamelden data zoals rusthartslag, hartslagvariabiliteit en slaap. Machine learning-classificatie werd gebruikt om de herstelstatus één dag na de training te bepalen.

De gebruikerstudie toonde aan dat de webapplicatie functioneel was, maar verbetering nodig heeft in ontwerp en gebruiksvriendelijkheid. De machine learning-modellen waren nauwkeurig, maar andere prestatieparameters wezen op de noodzaak van verdere verbeteringen.

Conclusies suggereren dat verder onderzoek nodig is om de webapplicatie te optimaliseren zodat sporters herstel integreren in hun training. Het ontwerp van de webapplicatie moet aantrekkelijker en intuïtiever worden om gebruik te stimuleren. Daarnaast wordt aanbevolen om de dataverzameling uit te breiden en integratie met meerdere merken van smartwatches te overwegen voor bredere toepasbaarheid.