Sneller, hoger, sterker, maar ook veiliger en spannender. Toepassingen met artificiële intelligentie breken ook in de sportwereld helemaal door. Zo kan een analyse van socialemediaberichten het wielrennen veiliger maken, en zegt zelfs het aantal milliseconden tussen twee hartslagen iets over de fysieke paraatheid van een atleet.
De standaardprocedure om de conditie van een atleet te meten is even eenvoudig als masochistisch: de sporter moet op een stationaire fiets (of op een loopband) een steeds zwaardere inspanning leveren tot hij compleet uitgeput is. Ik had al meermaals het weinig benijdenswaardige genoegen om zo’n maximale inspanningstest uit te voeren. De eerste minuten voelt het nog alsof je een helling naar beneden fietst, maar daarna wordt het elke drie minuten lastiger. De test kan bijvoorbeeld beginnen aan een vermogen van tachtig watt, waarna er elke drie minuten veertig watt bijkomt.
‘Als een atleet een bepaalde trainingsopbouw niet goed verdraagt, kan het model waarschuwen voor toekomstige risico’s’
Qua gevoel betekent dat: van een afdaling naar het vlakke naar een lichte bergop die steiler, en nog steiler, en nog steiler wordt tot je de pedalen niet meer rond krijgt en hijgend over het fietsstuur hangt. Tijdens de rit worden een aantal parameters gemeten: het geleverde vermogen, de hartfrequentie, de in- en uitgeademde lucht en de lactaatconcentratie in het bloed. Deze parameters geven een idee van hoe efficiënt hart, longen, bloedsomloop en spieren (samen)werken, en dus hoe goed de ‘sportmotor’ van de testpersoon presteert.
Virtuele conditietest
‘De maximale inspanningstest is een prima ijkmethode’, zegt performance coach Bart Nonneman, die onder andere professionele wielrenners begeleidt. ‘De resultaten vormen de basis waarmee een coach een gepersonaliseerd trainingsplan kan opbouwen. Later in het seizoen geeft de test een idee van de vooruitgang die een atleet heeft geboekt. Indien nodig kan een trainer het programma bijsturen.’ Heel zinvol dus, maar de methode heeft volgens Nonneman ook beperkingen: ‘Om de trainingsopbouw te evalueren, moet een atleet meermaals per seizoen een inspanningstest afleggen. Dat is moeilijk te realiseren. Weinig atleten staan te springen om de test nog eens af te leggen, en vaak hebben ze er ook geen tijd voor. Tijdens het seizoen reizen profrenners de wereld rond. Ze kunnen dan niet even tussendoor een sportlab bezoeken om een inspanningstest af te leggen. Bovendien kan je de vooruitgang van een atleet eigenlijk maar om de paar maanden evalueren, na een nieuwe inspanningstest.
’Nonneman droomde daarom al langer van een applicatie die de conditie van een atleet onmiddellijk na elke training evalueert. Zo’n applicatie kan een coach helpen om de trainingsopbouw van zijn atleten desnoods training na training bij te sturen. Een oplossing zou hij toevallig bij zijn buurman vinden: datawetenschapper Steven Latré, die het onderzoek naar kunstmatige intelligentie aan het onderzoekscentrum Imec leidt. Datawetenschappers, trainers en inspanningsfysiologen sloegen de handen in elkaar en ontwikkelden een applicatie die op basis van de hartfrequentie en het geleverde vermogen tijdens een training voorspelt hoe een atleet op dat moment zou presteren op een maximale inspanningstest, zonder dat hij die hoeft uit te voeren. ‘Een coach kan uit die analyse bijvoorbeeld afleiden dat een renner de afgelopen trainingen te vaak in het rood ging of, net andersom, te weinig impulsen kreeg om zijn conditie te verbeteren’, verduidelijkt Nonneman. ‘Deze inzichten helpen om de trainingen gedurende het seizoen verder te individualiseren.’
Voor zinvolle conclusies is het belangrijk om atleten over een langere periode te volgen. ‘We hebben minstens vier weken aan trainingsdata nodig, en liefst nog veel meer. Elk nieuw datapunt verrijkt het model en maakt het beter.’ Nonneman wijst ook op de verschillende individuele reacties van atleten op gelijkaardige trainingen. ‘Sommige atleten hebben nood aan meer intensieve trainingen, terwijl anderen meer baat hebben bij rustige duurtrainingen. Hun lichaam reageert anders. Artificiële intelligentie kan helpen om die verschillen te detecteren. Ook het risico op overtraining daalt. Als een atleet een bepaalde trainingsopbouw niet goed verdraagt, kan het model waarschuwen voor toekomstige risico’s.’
Alarmsignalen detecteren
Applicaties die AI gebruiken om sportprestaties te verbeteren, schieten de voorbije jaren als paddenstoelen uit de grond. Inspanningsfysioloog Jan Boone van de Universiteit Gent ziet wel in waarom. ‘We begrijpen al vrij goed hoe fysiologische processen sportprestaties beïnvloeden, maar om inzicht te krijgen in de fitheid en evolutie van een atleet moeten we veel data verzamelen en analyseren. Dat is vaak hand- en denkwerk. AI-modellen kunnen helpen om efficiënter zinvolle informatie uit data te filteren. Als de hartslag van een atleet plotseling hoger is voor hetzelfde geleverde vermogen, kan dit een alarmsignaal zijn dat er iets mis is, zoals vermoeidheid of ziekte. AI pikt zo’n afwijkend patroon meteen op.’
Sommige parameters kan je ook niet zomaar waarnemen. ‘Hartslagvariabiliteit is nog een maat om de conditie van een atleet te monitoren. Het gaat over de tijd die tussen twee hartslagen zit. Stel dat je hart zestig keer per minuut slaat, dan zal het hart niet exact één keer per seconde slaan. Er zit bijvoorbeeld eens negenhonderd milliseconden tussen, dan eens 1.050 milliseconden. De variabiliteit wordt beïnvloed door de gevoeligheid van je autonome zenuwstelsel, en zegt iets over je vermoeidheid. Wanneer een atleet zich in een zware trainingsperiode bevindt, ziek is of net een hoogtestage achter de rug heeft, dan zien we een daling in de hartslagvariabiliteit. Een uitzonderlijke daling kan wijzen op oververmoeidheid. Omgekeerd bevestigt een stijgende hartslagvariabiliteit dat een atleet goed herstelt van een zware trainingsperiode en klaar is voor een wedstrijd. Nu is de analyse van de hartslagvariabiliteit grotendeels handwerk. Artificiële intelligentie kan dezelfde informatie veel efficiënter filteren uit hartslagdata.’
Niet alleen in de voorbereiding, ook bij de planning van een wedstrijd kan artificiële intelligentie ingezet worden. Zo werken Jan Boone en zijn collega’s aan een model voor pacingstrategieën. ‘Ons model geeft aan hoe een atleet zijn energie moet verdelen om aan de meet de snelst mogelijke tijd neer te zetten. Stel bijvoorbeeld dat je deelneemt aan de Ronde van Vlaanderen, dan kan het pacingplan berekenen hoeveel wattage je bij elke beklimming of tussenstuk moet fietsen om aan de aankomst de voor jou snelst haalbare tijd te realiseren.’
Het ideale tempo
Het model ziet het lichaam van een atleet als een soort batterij die tijdens een wedstrijd kan leeglopen en opladen. ‘Iedereen kan een bepaalde inspanning een bepaalde tijd volhouden, afhankelijk van hoe intens de inspanning is en hoe sterk je bent. Hoe hoger de inspanning, hoe korter je het volhoudt. De zogenaamde critical power is het vermogen dat je theoretisch oneindig lang kunt volhouden, maar in de praktijk komt oneindig neer op ongeveer een uur. Ga je boven deze critical power, dan put je een beperkte hoeveelheid energie uit je batterij. Tijdens een wedstrijd fietst een renner afwisselend boven en onder deze critical power. Op een vlak stuk of in het wiel kan hij de batterij opladen, maar tijdens een beklimming loopt hij terug leeg. Ons model berekent op basis van je critical power en actuele vermogen hoeveel energie er nog in de batterij zit.’
Boone gebruikt het model onder andere bij de ploegenachtervolging, een discipline in het baanwielrennen waarbij vier wielrenners samen zo snel mogelijk vier kilometer (bij de mannen) of drie kilometer (vrouwen) moeten afleggen. ‘De renner die op kop fietst, put zijn batterij snel uit, waarna hij in derde of vierde positie de batterij terug kan opladen, om dan weer op kop te komen en energie uit zijn batterij te gebruiken. Ons AI-model berekent wanneer een renner op kop moet rijden en wanneer hij best in het wiel van zijn ploegmaats gaat zitten. We kunnen zo een ideale aflossingstactiek berekenen. De sterkste renner kan twee ronden op kop fietsen, gevolgd door één ronde van een andere renner die zich wat meer moet sparen om optimaal te presteren.’
Het pacingmodel kan volgens Boone ook in andere sporten dan de typische duursporten zoals lopen en wielrennen van nut zijn. ‘Bij teamsporten zoals voetbal of hockey kan het model helpen om te bepalen wanneer spelers gewisseld moeten worden. Zeker bij hockey, waar je een onbeperkt aantal wissels hebt, lijkt me dat zeer zinvol. Een slimme wisselstrategie kan ervoor zorgen dat alle spelers tot het einde van een wedstrijd optimaal kunnen presteren.’
Te grote focus op data
Hoewel AI waardevolle inzichten kan bieden, benadrukt Boone dat de rol van de coach essentieel blijft. De inspanningsfysioloog gelooft meer in een data-informed dan in een data-driven benadering. ‘De rol van de coach blijft belangrijk, vooral in het filteren van relevante data. Een coach moet altijd in staat zijn om op basis van zijn kennis, ervaring en overleg met de atleet beslissingen te nemen, zelfs als de data iets anders suggereren. Er kunnen namelijk nog veel meer factoren meespelen, zoals het belang van een wedstrijd of het persoonlijke gevoel van een atleet.’ Een te grote focus op data kan volgens Boone zelfs nadelig zijn. ‘Slaafs data volgen of zelfs opleggen aan atleten kan leiden tot demotivatie. In de sport is ook het buikgevoel van groot belang. En het is belangrijk dat een coach filtert welke data zijn atleten zien. Als een atleet in de data ziet dat hij niet goed gerecupereerd is, dan kan dat zijn zelfvertrouwen ondermijnen en de prestaties negatief beïnvloeden.’
‘Slaafs data volgen of zelfs opleggen aan atleten kan leiden tot demotivatie. In de sport is ook het buikgevoel van groot belang’
Het is dus niet de bedoeling dat artificiële intelligentie de rol van de coach overbodig maakt, maar die net ondersteunt, waardoor een coach meer kan coachen en minder bezig hoeft te zijn met zaken zoals dataverwerking. AI kan helpen om nieuw talent te scouten of atleten te selecteren voor kampioenschappen. In teamsporten zoals hockey of voetbal kunnen algoritmes tactische patronen identificeren of suggereren, waardoor teams waardevolle inzichten krijgen in hun eigen prestaties en die van hun tegenstanders. De Engelse voetbalploeg Liverpool ontwikkelde bijvoorbeeld samen met onderzoekers van DeepMind, het AI-lab van Google, een AI-systeem voor voetbaltactieken.
Het project genaamd TacticAI helpt coaches bij het bedenken van de beste routines voor hoekschoppen. Bij een hoekschop stopt het spel en kan elk team zich organiseren in functie van een voorbereide tactiek. Stel je nu voor, het staat 1-1 en vijf minuten voor het einde krijgt je ploeg een hoekschop. Een doelpunt betekent waarschijnlijk de overwinning, maar een riskante voorzet kan eindigen in een dodelijk tegendoelpunt. Wat doe je? Een alles- of-nietsaanval of toch op veilig spelen? TacticAI helpt coaches op dat moment om razendsnel een scenario te bedenken. Het programma werd getraind op basis van meer dan zevenduizend hoekschoppen uit wedstrijden van de Premier League, en voorspelt welke speler in een bepaald scenario het meest waarschijnlijk de bal zal ontvangen, welk scenario tot een schot op doel kan leiden en hoe de spelers zich positioneren om de kans op een schot op doel te vergroten.
De DeepMind-onderzoekers beweren in hun publicatie in Nature Communications dat het programma eigenlijk in elke teamsport kan worden toegepast waar een spelonderbreking tot een score kan leiden. Tegelijk schrijven ook deze wetenschappers dat AI de coach nooit kan vervangen. Een coach kan op basis van zijn ervaring besluiten dat het verstandiger is om op veilig te spelen. Soms is het dan weer beter om razendsnel te beslissen en eventueel concentratieverlies van de tegenstander uit te buiten. Of een coach kan creatieve spelers de vrijheid geven om spontaan iets te proberen.
Handwerk automatiseren
Ook in technische sporten zoals gymnastiek zal artificiële intelligentie vooral assistent-coach zijn, bijvoorbeeld om videobeelden van technieken in detail te bestuderen en zaken te filteren die met het blote oog moeilijker of niet waar te nemen zijn. ‘Videoanalyses zijn ontzettend waardevol om technische of tactische zaken te bespreken, maar ze vragen ook ontzettend veel tijd’, legt datawetenschapper Steven Verstockt (UGent-imec) uit. Verstockt bestudeert wat AI kan betekenen voor de sportwereld. Het efficiënter en toegankelijker maken van videofeedback is daar een voorbeeld van. ‘Iemand moet alle videofragmenten bekijken, verknippen, ordenen, interpreteren, evalueren en uiteindelijk bespreken met de atleet. Het duurt uren en soms zelfs enkele dagen voor een atleet feedback op basis van videobeelden kan krijgen, terwijl atleten meteen na een training of wedstrijd het meest kunnen bijleren.’
Verstockt werkt onder andere mee aan de ontwikkeling van een video-analysesysteem voor het baanwielrennen. ‘In de ploegenachtervolging kunnen succesvolle wissels het verschil tussen winst en verlies betekenen. Wissels worden op training hard ingeoefend en geëvalueerd op basis van videobeelden. We gebruiken AI om de wissels automatisch uit alle beeldmateriaal te filteren, en zelfs mogelijke aandachtspunten te nomineren. Het systeem kan bijvoorbeeld op basis van de power data, de druk van een wielrenner op de pedalen, het moment van een wissel detecteren, en die informatie kunnen we linken aan meetlussen die onder de wielerbaan zitten. Zo kan het systeem die wissels op videobeelden lokaliseren en automatisch verknippen. Meteen na een rit staan dan bijvoorbeeld vijf goede en vijf slechte wissels klaar die coach en renners samen kunnen bespreken.’Ook in andere sporten kan er volgens Verstockt nog veel coachwerk geautomatiseerd worden. ‘In het roeien vliegen er nu al drones boven de roeiers, maar de videobeelden die ze maken worden handmatig verwerkt. Er moet echt iemand noteren op welke seconde de roeispaan van renner A, B of C in het water gaat. Dat soort handmatige analyses kunnen we dankzij AI automatiseren.’
Veiligere koers
The winner takes it all, dat adagium heerst vandaag nog altijd in de sport, maar het gaat steeds vaker over meer dan winnen alleen. Ook de beleving van sportfans en de gezondheid en veiligheid van atleten winnen aan belang. Zo werkt het onderzoeksteam van Steven Verstockt samen met de Internationale Wielerunie (UCI) aan een incidentendatabank voor het wielrennen. ‘We bouwden een scraper die taalkundige analyses gebruikt om op het web op zoek te gaan naar meldingen of tweets van valpartijen tijdens een wielerwedstrijd. We combineren die informatie met videobeelden en een gps-bestand van het parcours. Met behulp van machine learning-technologieën zetten we al die ongestructureerde meldingen en tweets om naar informatie over een incident, zoals de oorzaak, de betrokkenen, de precieze locatie en de ernst. Die inzichten willen we inzetten om gevaarlijke punten op een parcours op voorhand te detecteren op basis van dashcambeelden van de organisatie.’
Als renners toch vallen, kan een gelijkaardig systeem ook razendsnel de ernst van de situatie proberen in te schatten. Verstockt: ‘Soms blijven renners verder fietsen nadat ze zwaar op het hoofd zijn gevallen. Een beeld- analyse kan helpen om de ernst in te schatten door de kans dat de renner een hersenschudding heeft opgelopen te berekenen.’ Een van de grootste uitdagingen is volgens Verstockt om grootschalige data-analyses vervolgens snel, gericht en duidelijk te communiceren. ‘Als het systeem een mogelijke hersenschudding detecteert, moeten de teamverantwoordelijken of medische begeleiders meteen verwittigd worden, met begrijpelijke informatie, zodat ze snel kunnen beslissen wat er moet gebeuren.’
Op termijn kunnen nog meer sensoren de analyses ook betrouwbaarder maken. ‘Sensoren in de helm van een renner kunnen de impact van een val nog beter registreren. En met sensoren in het zadel kunnen we de dynamiek in het peloton in kaart brengen. Wij focussen nu op incidenten, maar eigenlijk is het even belangrijk om de near-incidents, de bijna-ongelukken, te detecteren. De zaken die een gevaarlijke situatie in het peloton hebben veroorzaakt, maar net niet tot een incident hebben geleid. De technologie is er. Het is puur een kwestie om het geïmplementeerd te krijgen.’
Reddingsboei voor de VAR?
Verstockt denkt aan de analyse van een massasprint om te bepalen of een renner te gevaarlijk heeft gesprint en dus uit de uitslag geschrapt moet worden. ‘Nu doet een jury dat op basis van videobeelden. De ene keer wordt een sprint wel als gevaarlijk ingeschat, de andere keer niet. Meestal wordt er pas ingegrepen als er een renner valt. We hebben een systeem gemaakt dat op basis van de videobeelden de sprintlijn van elke renner uittekent. Als we daar de reglementen van de UCI aan koppelen, kan er voor elke renner objectief worden bepaald of die reglementair heeft gesprint.’
In theorie moet dat discussie over een al dan niet terechte uitsluiting voorkomen, maar Verstockt vermoedt dat het in de praktijk niet zo eenvoudig zal zijn. ‘Een AI-systeem zal vermoedelijk sneller een sprint als gevaarlijk aanduiden, waardoor er vaker winnaars gedeclasseerd zullen worden. De meeste wielerfans zullen dat niet graag zien gebeuren. Met of zonder AI, er zal altijd discussie zijn, en misschien is dat ook gewoon een deel van de charme van de sport.’
Discussie ontstaat volgens Verstockt wanneer de beslissing van een jury of AI-systeem niet duidelijk is voor buitenstaanders. ‘Kijk naar de Video Assistent Referee (VAR) in het voetbal. Die moest beslissingen van een scheidsrechter eerlijker maken, maar het gevoel bij supporters, spelers en trainers is nu vaak andersom. Vaak komt dat omdat beslissingen zonder uitleg worden toegepast. Onderzoekers van de Universiteit van Luik werken daarom aan een AI-systeem dat op basis van videobeelden en gesprekken tussen VAR-scheidsrechters beslissingen uitlegt.’
Gepersonaliseerd sportnieuws
Datawetenschappers werken al langer aan systemen die verslagen genereren op basis van videobeelden, of zelfs op basis van enkele wedstrijdstatistieken zoals de doelpunten, wissels en rode en gele kaarten in een voetbalmatch. Die systemen worden op sommige sportwebsites al gebruikt. Volgens Verstockt zullen fans binnenkort ook automatisch gepersonaliseerde sportverslagen kunnen genereren. ‘Neem nu de Ronde van Frankrijk. Als je fan bent van de wielerploeg Alpecin-Deceuninck, dan zou je na elke rit een samenvatting van tien minuten kunnen opvragen die focust op de renners van die ploeg. Ook de wielerploegen zelf zouden zo automatisch en meteen na de aankomst persberichten voor mail, website of sociale media kunnen maken.’
Betekent dat het einde van de wielerjournalist? Verstockt is ervan overtuigd dat het zo ver niet zal komen. ‘Een verslaggever krijgt dankzij AI een slimme assistent die inzichten of weetjes tipt, of de basis van een sportverslag genereert. Het kan zo simpel zijn als de namen van de vele kastelen en andere toeristische bezienswaardigheden te benoemen die tijdens een wielerwedstrijd in beeld worden gebracht. Een journalist kan daarvan gebruikmaken om zijn verhaal te ondersteunen, maar alleen hij kan creativiteit en een eigen stijl aan het verhaal toevoegen. De technologie zal de job van sportjournalist dus niet vervangen, maar makkelijker maken of naar een hoger niveau tillen. Dat is ook zo voor de coach, de atleet, de organisator of het jurylid. Bij zowat elke nieuwe AI-toepassing duikt die vraag op: zal AI ons werk afpakken? Meestal is het antwoord nee.’
