Physical performance in daily life and sports: bridging the data analytics gap
| Promotie: | Dhr. T.B. (Talko) Dijkhuis |
| Wanneer: | 07 februari 2024 |
| Aanvang: | 16:15 |
| Promotors: | prof. dr. K.A.P.M. (Koen) Lemmink, prof. dr. M. Aiello |
| Copromotor: | dr. H. Velthuijsen |
| Waar: | Academiegebouw RUG |
| Faculteit: | Medische Wetenschappen / UMCG |
Lichamelijke prestaties in het dagelijks leven en bij sport: het overbruggen van de kloof tussen data-analyse en sport
Lichaamsbeweging is cruciaal, of het nu gaat om dagelijkse activiteiten of topsport. Het behoud of verbeteren is afhankelijk van verschillende factoren, zoals de hoeveelheid beweging, het vermogen en de capaciteit van het individu. In het dagelijks leven is het belangrijk om lichamelijk actief te zijn om een goede gezondheid te behouden. Aangezien eenvoudige dagelijkse activiteiten al bijdragen is intensieve lichaamsbeweging is niet nodig. In de sport is het essentieel om capaciteit, werklast en herstel in evenwicht te brengen om prestatieverlies of blessures te voorkomen. Met de introductie van wearables is het gemakkelijker geworden om fysieke activiteits- en prestatiegegevens te monitoren en te analyseren. Het is echter een uitdaging om middels data-analyse gepersonaliseerde inzichten en voorspellingen te halen uit de beschikbare gegevens.
Dit onderzoek van Talko Dijkhuis identificeerde vooraf vier belangrijke problemen bij data-analyse met betrekking tot fysieke activiteit en prestaties: beperkte mogelijkheid voor gepersonaliseerde voorspellingen als gevolg van de hoeveelheid en complexiteit van de data, de gevoeligheid van prestatievariabelen, te veel vereenvoudigde modellen en het ontbreken van invloedrijke variabelen.
Dijkhuis onderzocht mogelijke oplossingen voor elk probleem. Deze oplossingen omvatten het gebruik van gepersonaliseerde gegevens van wearables, het combineren van gevoelige prestatievariabelen met verschillende machine learning-algoritmen, het toepassen van causale modellering en het reduceren van de gevolgen van de afwezigheid van invloedrijke variabelen in de gegevens. Gepersonaliseerde data, machine learning, gevoelige prestatievariabelen, causale modellering en geavanceerde statistieken kunnen helpen de data-analysekloof te overbruggen bij het begrijpen van fysieke activiteit en prestaties. Deze onderzoeksresultaten maken de weg vrij voor beter onderbouwde interventies en bieden een basis voor toekomstige studies om deze kloof verder te verkleinen.