Hoe technologie onze sportbeleving verandert en hoe jij daar zelf invloed op hebt.

Toen ik begon met hardlopen stond mijn trainer bij de finishlijn met pen en opschrijfboekje en schreeuwde elke ronde mijn rondetijd door en of ik moest versnellen of het huidige tempo aan moest houden. Achteraf analyseerden we de rondetijden. Die rondetijden waren de enige houvast die we hadden om voortgang te meten.

Fast forward 15 jaar. Door de mobiele telefoon en sport apps kan elke beginnende sporter zeer geavanceerde analyses loslaten op zijn activiteiten. Deze apps zijn uitgegroeid van simpele apps om je rondje vast te leggen naar complete sociale platformen. Eén van de trends hierin is dat de data die verzameld is door het platform ook beschikbaar wordt gemaakt voor ontwikkelaars. Ontwikkelaars kunnen zo hun eigen interpretatie van de data implementeren en publiceren als extensies op het platform. In dit artikel wordt een van deze platformen uitgelicht die deze trend heeft ingezet en volledig gefocust is om support te bieden voor ontwikkelaars: Garmin IQ.

Garmin IQ

Garmin is een van de grootste fabrikanten van hardloop- en fietscomputers. Vorig jaar lanceerde Garmin hun ontwikkelaarsplatform Connect IQ. Ontwikkelaars kunnen op dit platform eigen applicaties voor fietscomputers en hardloophorloges ontwikkelen en publiceren. Voor Eclipse is er een plugin ontwikkeld waarmee je de door jou ontwikkelde app gelijk kan draaien op een gesimuleerd Garmin apparaat. Daarnaast is er een eigen programmeertaal ontwikkeld genaamd Monkey C. Naar eigen zeggen is de taal heel erg beïnvloed door populaire programmeertalen als C, Java™, JavaScript, Python™, Lua, Ruby, and PHP (Je zou je bijna gaan afvragen waar ze niet door beïnvloed zijn).

Tijdens het hardlopen kun je, afhankelijk van je horloge en verbonden sensoren, data uitlezen over de activiteit. Bekende voorbeelden hiervan zijn pace (snelheid uitgedrukt in aantal minuten per kilometer) en de afstand afgelegd tijdens de activiteit. Eén van de type applicaties die ontwikkeld kan worden is het tonen van zo’n dataveld. Dit kan een (nieuwe) berekening zijn op basis van data uitgelezen uit verschillende beschikbare sensoren. Om de uitleg wat concreter te maken hierbij een voorbeeld van een dataveld dat ik zelf ontwikkeld heb: Grade Adjusted Pace.

Tijdens trainingen kan het belangrijk zijn om een bepaalde snelheid aan te houden. Echter als je in heuvelachtig gebied woont, moet je tijdens het klimmen veel meer vermogen leveren om dezelfde snelheid aan te houden als op een vlakke weg. Dat is waar Grade Adjusted Pace om de hoek komt kijken. Dit is de pace die je op een vlakke weg zou lopen met hetzelfde vermogen als je op dat moment de heuvel op (of af) aan het lopen bent. De gebruikt formule is afgekeken van de Britse onderzoeker Mervyn Davies. Hij kwam er tijdens testen achter dat elke procent extra stijgingspercentage, (elite) hardlopers met 3.3% vertraagd raken. Als je dit terugrekent betekent dus dat elke 30 meter stijging er een vertraging van ongeveer 20 seconden is (bron).

Met deze informatie is deze berekening vertalen in een Garmin applicatie vrij eenvoudig. In het onderstaande screenshot staat de code om de Grade Adjusted Pace realtime weer te geven op een Garmin hardloophorloge. De compute() methode wordt door het framework tijdens een activiteit elke seconde aangeroepen met een info activity object. Dit object bevat realtime informatie over de activiteit. De gegevens die in de onderstaande berekening van het info activity object gebruikt worden zijn de huidige hoogte en snelheid.

Met behulp van de eclipse plugin kan deze code in een gesimuleerd horloge draaien. Vervolgens kan er data van activiteiten ingeladen en opnieuw ‘afgespeeld’ worden zodat het veld getest kan worden met data van een activiteit. Ook kan het vanuit eclipse op een echt horloge worden gezet zodat het in de echte wereld getest kan worden.

De toekomst

De gegevens die nodig zijn om gerichter te kunnen trainen worden steeds bereikbaarder en betaalbaarder voor de amateursporter. Een goed voorbeeld hiervan is het berekenen van de aerobe drempel. De drempel waarin het lichaam exponentieel meer melkzuur begint aan te maken als bijproduct van verbranden van suiker (het bekende verzuren). Tot voor kort deden topsporters dit in een lab middels een ademgasanalyse, tegenwoordig is er sensor te koop op de consumentenmarkt voor de prijs van één ademgasanalyse die deze drempel relatief nauwkeurig kan meten. Deze gegevens kunnen door platformen weer gebruikt worden om bijvoorbeeld een specifieker trainingsschema te generen voor zijn gebruikers.

Conclusie

De technologie binnen de sportmarkt heeft een gigantische sprong gemaakt met als resultaat dat sporters meer inzicht hebben in wat de invloed is van hun training. Daarnaast maken platformen de data beschikbaar en geven ontwikkelaars de ruimte om het platform en zo de beleving te verbeteren. Ontwikkelaars de ruimte geven om jouw product uit te breiden kan er voor zorgen dat het product up-to-date kan blijven. In snelgroeiende markten als deze wordt het dus steeds belangrijker voor platformen om te zorgen dat ontwikkelaars voor jou kiezen.

P.S.

Het geeft enorm veel motivatie om de voortgang uitgedrukt te zien in getallen, maar vergeet niet om af en toe wat minder op getallen te richten en gewoon te genieten van het hier en nu tijdens het lopen 😉

Tweet about this on TwitterShare on LinkedIn

Reacties

Het e-mailadres wordt niet gepubliceerd.

*