De toepassing van machinaal leren op sensor data van fysieke activiteit

De laatste jaren zijn fitness trackers en andere wearables helemaal doorgebroken bij het brede publiek. Zowel competitieve als recreatieve atleten gebruiken wearables of smartphone applicaties om hun trainingsactiviteiten te monitoren. Deze toestellen zijn doorgaans uitgerust met verschillende sensoren, zoals een GPS tracker, hartslagmeter en accelerometers. De huidige populaire applicaties en wearables rapporteren voornamelijk over direct meetbare parameters, zoals snelheid, hartslag en het aantal verbruikte calorieën. Variabelen die betrekking hebben op fitheid, vermoeidheid en het risico op blessures die moeilijker meetbaar zijn, worden veelal genegeerd. Informatie over bijvoorbeeld het risico op blessures zou sporters nochtans kunnen helpen om betere trainingsbeslissingen te nemen. Tegenwoordig worden zowel in de academische wereld als in de industrie machine learning algoritmes gebruikt om deze variabelen te voorspellen. In dit project focussen we daarom op het vooruithelpen van de state-of-the-art toepassingen van machine learning op sensor data van fysieke activiteiten. Daarnaast gaan we ook zelf op zoek naar nieuwe toepassingen.