Exploring possibilities on predicting subjective evaluation of athlete's feelings after workout sessions using deep learning.

Abstract

Wearables, som treningsklokker, har blitt stadig mer populært de siste årene. Disse enhetene kan gi verdifull informasjon om vår helse og treningsvaner ved å måle parametere som hjertefrekvensvariabilitet (HRV).

Målet med denne masteroppgaven var å undersøke metoder og muligheten for å forutsi en idrettsutøvers subjektive vurdering etter en treningsøkt. Motivasjonen bak dette var å forhindre utmattelse og sikre utøverne best mulig prestasjoner i konkurranser. For å bestemme de subjektive karakterene, loggførte to idrettsutøvere alle treningsøktene sine og ga deres subjektive karakterer for hver økt. Med et datasett på 290 økter, som inneholder subjektive karakterer og HRV, ble ulike maskinlæringsmodeller trent.

Gjennom bruk av «overføringslæring» viser vi at prediksjon av subjektive karakterer er mulig gitt et mer balansert og større datasett. Med dataene gitt i denne oppgaven var det ikke mulig å oppnå ønsket nøyaktighet.

Ettersom denne oppgaven beviser muligheten for å forutsi subjektive karakterer gitt et mer balansert datasett, kan Olympiatoppen utvide med flere idrettsutøvere og økter for å oppnå en bedre modell som kan brukes i deres arbeid.

Wearables, such as training watches, have become increasingly popular in recent years. These devices can provide valuable information about our health and fitness by measuring parameters such as Heart Rate Variability (HRV).

The goal of this master's thesis was to investigate methods and the possibility of predicting an athlete's subjective assessment after a workout session. The motivation behind this was to prevent fatigue and ensure athletes the best possible performance in competitions. To determine the subjective predictions, two athletes logged all their training sessions and provided their subjective scores for each session. With a dataset of 290 sessions, which contains subjective scores and HRV, various machine learning models were trained.

Through the use of transfer learning, we show that predicting subjective scores is possible given a more balanced and larger data set, but with the data provided in this thesis, it was not feasible to achieve the desired accuracy.

As this thesis proves the feasibility of predicting subjective scores given a more balanced dataset, Olympiatoppen can expand with more athletes and sessions to achieve a better model that can be used in their work.