Kalibrierung eines Kinetischen Fahrradpedals

Abstract meiner Masterarbeit am Institut für Biomechanik und Orthopädie an der Deutschen Sporthochschule Köln.

Einleitung: Um die zugrundeliegende Mechanik des Fahrradfahrens zu verstehen, wurde ein kinetisches Fahrradpedal entwickelt, in das zwei piezoelektrische Kraftsensoren eingebettet wurden. Ziel dieser Arbeit war es, das Pedal zu kalibrieren, indem ein mehrschichtiges Perzeptron (MLP) trainiert wurde, welches die nichtlineare Beziehung zwischen Kraftinput und Sensoroutput modelliert und die drei Kraftkomponenten sowie den Kraftangriffspunkt (PFA) berechnet. Anschließend wurden die Outputs des MLPs validiert.

Methoden: Für die Kalibrierung wurde ein MLP mit einer ausgeblendeten Schicht und 28 Neuronen mit einer Lernrate von 0,01 trainiert. Um die mechanische Validität des Netzwerks zu beurteilen, wurde ein Satz von ungesehenen Daten in das MLP eingespeist und die Wurzel der mittleren Abweichungsquadrate (RMSE) zwischen Inputs und Outputs bestimmt. Anschließend wurde das Pedal auf ein SRM-Ergometer montiert. Um die In-situ-Validität zu beurteilen wurden kinematische und kinetische Daten aufgezeichnet, während die Testperson mit 100 W, 200 W und 300 W trat. Die tangentialen Kräfte des Pedals und des Ergometers wurden berechnet und verglichen. Weiterhin wurden die Schuhe der Probanden mit Druckmesseinlagen ausgestattet. Diese dienten dem direkten Vergleich der Vertikalkräfte und dem Vergleich des Druckmittelpunktes mit des PFA.

Ergebnisse: Die Ergebnisse zeigten hohe Genauigkeiten bei der mechanischen Validierung für alle Kraftkomponenten (vertikal: 1,44 ± 1,04 N, anterior-posterior: 2,72 ± 1,62 N, medio-lateral: 2,60 ± 1,04 N) und den PFA (1,85 ± 1,33 mm). Weiterhin konnten zufriedenstellende in-situ Genauigkeiten des PFA während der Belastungsphase gemessen werden. Die Trends der vertikalen und tangentialen Kräfte waren ähnlich und die Korrelationen hoch (100 W: r = 0,9975, p < 0,001; 200 W: r = 0,9698, p < 0,001; 300 W: r = 0,9728, p < 0,001). Die Fehlerwerte der Kräfte waren in-situ allerdings inakzeptabel.

Diskussion und Fazit: Die Ergebnisse der mechanischen Validierung zeigen, dass der Ansatz, MLPs für die Kalibrierung des kinetischen Pedals zu verwenden, vielversprechend ist. Hier konnten höhere Genauigkeiten erzielt werden als bei den meisten bisher entwickelten kraftmessenden Pedalen. Um gleich hohe In-situ-Genauigkeiten zu erreichen, müssen jedoch Anpassungen bei der Trainingsdatenerfassung vorgenommen werden. Dennoch zeigt das kinetische Pedal großes Potenzial, um biomechanische Determinanten im Radsport zu verstehen.

Hauptreferenzen

1. Alexander, N., Strutzenberger, G., Jenny, H., Augustin, H., Schwameder, H., 2015. Static and dynamic evaluation of a pedal system for measuring three-dimensional forces in cycling. Proceedings of the Institution of Mechanical Engineers, Part P: Journal of Sports Engineering and Technology 229, 222–230. https://doi.org/10.1177/1754337115577029
2. Bini, R.R., Hume, P.A., Croft, J., Kilding, A.E., 2013. Pedal force effectiveness in Cycling: a review of constraints and training effects. Journal of Science and Cycling 2, 11–24. Researchgate
3. Broker, J.P., Gregor, R.J., 1990. A Dual Piezoelectric Element Force Pedal for Kinetic Analysis of Cycling. International Journal of Sport Biomechanics 6, 394–403. https://doi.org/10.1123/ijsb.6.4.394
4. Gautschi, G. (Ed.), 2012. Piezoelectric sensorics. Force, strain, pressure, acceleration and acoustic emission sensors, Springer. 
5. Goodfellow, I., Bengio, Y., Courville, A., 2016. Deep learning. MIT Press, Cambridge, Massachusetts, London, England. Deep Learning (deeplearningbook.org)
6. Jabbar, H.K., Khan, R.Z., 2014 – 2014. Methods to Avoid Over-Fitting and Under-Fitting in Supervised Machine Learning (Comparative Study). In Computer Science, Communication and Instrumentation Devices. Research Publishing Services, Singapore, pp. 163–172. Research    Publishing Services, Singapore. Researchgate
7. Lu, T.-W., Chang, C.-F., 2012. Biomechanics of human movement and its clinical applications. The Kaohsiung journal of medical sciences 28, S13-25. DOI: 10.1016/j.kjms.2011.08.004
8. Schmidhuber, J., 2015. Deep learning in neural networks: an overview. Neural networks : the official journal of the International Neural Network Society 61, 85–117. DOI: 10.1016/j.neunet.2014.09.003