Detailansicht
Algorithms for automatic and robust interval detection in endurance training sessions
Katharina Böhm
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Business Analytics
Betreuer*in
Nikolaus Hautsch
DOI
10.25365/thesis.81513
URN
urn:nbn:at:at-ubw:1-27730.56215.170195-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Eine präzise Segmentierung von Intervalltrainingseinheiten stellt eine zentrale Voraussetzung für die sinnvolle automatisierte Analyse von Leistungsdaten im Sport dar. Trotz der hohen praktischen Relevanz wurde dieses Thema bislang nur begrenzt wissenschaftlich untersucht. Während die erbrachte Leistung ein direktes Maß für die Trainingsintensität darstellt, sind Herzfrequenzdaten in Wearables am weitesten verbreitet, was die Frage aufwirft, ob diese allein für eine zuverlässige Erkennung von Intervallgrenzen ausreichen. Zur Untersuchung dieser Fragestellung werden sechs Modelle miteinander verglichen: XGBoost, ein Feedforward Neural Network, ein Convolutional Neural Network, ein Temporal Convolutional Network, ein bidirektionales Long Short-Term Memory Netzwerk sowie ein 1D U-Net. Die Evaluation erfolgt auf einem Datensatz von 93 manuell annotierten Ruder- und Radfahreinheiten. Die besten Modelle zeigen, dass eine sinnvolle Erkennung von Intervallgrenzen aus Herzfrequenzdaten grundsätzlich möglich ist, wobei die Leistungsfähigkeit der Modelle stark von umfangreichem Feature Engineering abhängt. Die Ergebnisse variieren deutlich je nach Sportart und Komplexität der Trainingseinheiten, ohne dass eine einzelne Architektur durchgängig überlegen ist. Dies ist vermutlich auf die begrenzte Menge an verfügbaren annotierten Trainingsdaten zurückzuführen. Insgesamt zeigt sich, dass die derzeitige Leistungsfähigkeit der Modelle noch nicht ausreicht, um einen vollautomatischen Einsatz ohne menschliche Kontrolle zu rechtfertigen. Dies motiviert das Design eines User-in-the-Loop-Workflows, in dem Modellvorhersagen als überprüfbare Vorschläge dienen und den manuellen Annotationsaufwand erheblich reduzieren.
Abstract
(Englisch)
Accurate segmentation of interval training sessions is a prerequisite for meaningful automated analysis of athletic performance data. Despite its practical relevance, this problem has received little academic attention. While power output provides a direct measure of exercise intensity, heart rate remains the most widely available data in wearable devices, motivating the question of whether heart rate data alone is sufficient for reliable interval boundary detection. This thesis investigates this question by developing and comparing six machine learning architectures – XGBoost, a feedforward neural network, a convolutional neural network, a temporal convolutional network, a bidirectional long short-term memory network, and a 1D U-Net – evaluated on a dataset of 93 manually annotated rowing and cycling sessions. The best models demonstrate that meaningful boundary detection from heart rate data is feasible, with performance depending heavily on extensive feature engineering. However, results vary considerably across sport type and session complexity, and no single architecture dominates universally, likely reflecting the limited amount of labelled training data available for this task. These results clearly show that performance is not yet sufficient to justify fully automatic deployment without human oversight, motivating the design of a User-in-the-Loop workflow in which model predictions serve as reviewable suggestions that substantially reduce manual annotation effort.
Schlagwörter
Schlagwörter
(Deutsch)
Intervalldetektion Intervall Ausdauersport Intervallerkennung Heart Rate Rudern Radfahren Rudersport Herzfrequenz Herzfrequenzdaten Rudereinheiten Radeinheiten Intervallsegmentierung machine learning deep learning neural network CNN TCN 1D U-NET Bilstm xgboost feed forward neural network
Schlagwörter
(Englisch)
interval detection interval recognition interval segmentation heart rate data endurance sport Rowing Cycling Biking machine learning neural networks deep learning xgboost cnn tcn bilstm 1d u-net feed forward neural network
Autor*innen
Katharina Böhm
Haupttitel (Englisch)
Algorithms for automatic and robust interval detection in endurance training sessions
Publikationsjahr
2026
Umfangsangabe
xv, 58 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Nikolaus Hautsch
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17924924
Utheses ID
81331
Studienkennzahl
UA | 066 | 977 | |