Intervall-Erkennung: Wie die KI deine unstrukturierten Einheiten liest
5 Min. Lesezeit
Intervall-Erkennung liest Leistung, Herzfrequenz und Tempo aus freien Einheiten. So prüfst du KI-Ergebnisse und leitest den nächsten Trainingsschritt ab.
Auf dieser Seite
Photo by Mads Eneqvist on Unsplash.
Intervall-Erkennung liest Zeitreihen wie Leistung, Herzfrequenz oder Tempo und findet wiederkehrende Belastungs- und Erholungsphasen.
Für dich heißt das: Auch eine freie Ausfahrt kann nachträglich zeigen, wo du wirklich hart gefahren bist. Die Analyse ersetzt keine Leistungsdiagnostik, aber sie macht versteckte Belastung sichtbar und hilft dir, den nächsten Trainingsschritt sauberer zu wählen.
Intervall-Erkennung sucht in deinen Aufzeichnungen nach klaren Wechseln zwischen Belastung und Erholung. Dafür nutzt sie Daten wie Leistung, Herzfrequenz, Tempo, Trittfrequenz und GPS-Geschwindigkeit.
Der Wert liegt nicht darin, dir nachträglich ein perfektes Etikett zu geben. Der Wert liegt darin, dass freie Fahrten in deiner automatischen Auswertung von Fahrten nicht mehr wie gleichförmiger Umfang wirken.
Wenn du im Herbst nach späten Rennen wieder freier fährst, tauchen oft harte Abschnitte ohne Plan auf. Die Erkennung hilft dir, diese Last zu sehen, bevor du die nächste Woche zu voll baust.
Sie bleibt ein Hilfsmittel. Leistungsmesser, Brustgurt und GPS liefern Messreihen, aber der Kontext deiner Strecke und deiner Absicht bleibt wichtig.
Lade zuerst drei freie Einheiten hoch.
Prüfe, ob Leistung, Herzfrequenz und GPS vorhanden sind.
Vergleiche erkannte Abschnitte mit deiner Erinnerung an die Fahrt.
Nutze das Ergebnis für die nächste Wochenentscheidung.
So wird aus Rohdaten ein klarer nächster Schritt.
In N+One terms: Die Erkennung ordnet dein Durcheinander — sie ändert nicht deine Schwellenleistung, hilft dir aber, Belastung gezielter zu zählen.
Photo by SportShot EventPhotography on Unsplash.
Die KI liest deine Einheit als Zeitreihe. Jeder Messpunkt steht für einen kurzen Moment mit Leistung, Herzfrequenz, Tempo oder weiteren Signalen.
Zuerst werden grobe Ausreißer geglättet, damit ein einzelner GPS-Sprung nicht wie ein Angriff wirkt. Danach sucht das Modell nach Abschnitten, in denen ein Signal stabil hoch, stabil niedrig oder klar wechselnd ist.
Bei Leistung sieht man harte Antritte meist direkter als bei Herzfrequenz. Herzfrequenz folgt der Belastung verzögert, weshalb sehr kurze Wechsel allein damit schwerer zu deuten sind.
Machine Learning kann Muster aus vielen Merkmalen lesen, doch es bleibt an die Eingaben gebunden. Wenn du mehr über diese Logik willst, passt der Blick auf wie lernende Modelle Training anpassen.
Praktisch entstehen daraus Segmente: locker, gleichmäßig, hart, Pause oder wiederholter Wechsel. Die Bezeichnung ist weniger wichtig als die Frage, wie viel harte Arbeit wirklich in der Einheit steckt.
Nutze Leistung als Leitsignal, wenn sie sauber vorliegt.
Nutze Herzfrequenz eher für längere Abschnitte.
Prüfe GPS-Sprünge auf Abfahrten, Tunneln und Städten.
Achte auf wiederholte Muster, nicht auf Einzelspitzen.
Intervalle werden aus Rohdaten (Leistung, Herzfrequenz, Tempo, GPS) durch Glättung, Schwellen und Segmentierung erkannt — nicht durch ein…
Datenanalyse ist kostenlos, für immer. Der Dynamic Coach ist Pro. Verbunden mit Garmin, Strava, Whoop und intervals.icu.
Die Erkennung ist nur so gut wie die Daten, die du ihr gibst. Ein leerer Akku, ein rutschender Brustgurt oder ein schwaches GPS-Signal verschiebt das Bild.
Stops an Ampeln, kurze Abfahrten oder steile Rampen können wie geplante Belastungswechsel aussehen. Das ist kein Fehler deiner Fitness, sondern ein Kontextproblem in der Datei.
Bei sehr kurzen Intervallen ist Herzfrequenz oft ein träges Signal. Deshalb braucht die KI für solche Muster meist Leistung, Tempo oder Trittfrequenz als zusätzliche Stütze.
Wenn du Geräte verbindest, prüfe die Quelle jeder Messreihe. Eine saubere Kopplung über deine verbundenen Trainingsdienste senkt viele vermeidbare Fehler.
Bleib nüchtern mit dem Ergebnis. Die KI gibt dir eine gut begründete Lesart, aber keine ärztliche Diagnose und keinen endgültigen Leistungstest.
Kalibriere den Leistungsmesser vor wichtigen Einheiten.
Befeuchte den Brustgurt vor dem Start.
Nutze möglichst die Originaldatei deiner Aufzeichnung.
Markiere Ampeln, Pausen und technische Stops kurz in der Notiz.
Saubere Daten machen die nächste Trainingsentscheidung belastbarer.
In N+One terms: Deine Datenqualität verschiebt die Zuverlässigkeit der KI — saubere Sensorik liefert verwertbare Intervalle.
Eine sachliche E-Mail mit Trainingsimpulsen und Produktupdates. Kein Spam — jederzeit abmeldbar.
Weiterlesen
- Willkommen bei N+One — Starte mit N+One: dem AI-Radtrainer für adaptive Einheiten, Readiness und Regeneration. Erfahre, was dich in der Beta-Web-App erwartet.
- FTP verstehen: Grundlage des leistungsbasierten Trainings — Was FTP ist, wie du es testest und in Trainingseinheiten nutzt – plus wie N+One adaptive Coachingsessions produktiv hält.
- Laktatschwelle und funktionale Reserve: Dein Praxismotor für Ausdauerleistung — Laktatschwelle, nicht VO2max, bestimmt nachhaltige Leistung. Physiologie, Tests und praktische Trainingsprotokolle, um deine Schwelle zu verschieben.
Beginne nicht mit der Frage, ob jede Markierung perfekt ist. Frage zuerst, ob die Einheit mehr harte Arbeit enthielt, als du geplant hattest.
Wenn eine freie Gruppenfahrt viele harte Abschnitte zeigt, zählt sie nicht wie eine ruhige Grundlagefahrt. Ordne sie in deiner Woche eher neben anderen intensiven Reizen ein.
Die beste Nutzung ist schlicht: prüfen, einordnen, dann den nächsten Schritt wählen. In einem guten Kalender für Training und Einheiten sieht man sofort, ob sich harte Tage drängen.
Wenn mehrere freie Fahrten ungewollt hart waren, schiebe nicht noch mehr Druck hinein. Behalte einen klaren Reiz und nimm Umfang aus der Woche.
Für die Intensität selbst helfen saubere Zonen. Nutze Power, Herzfrequenz und Gefühl zusammen, damit eine erkannte Spitze nicht zu viel Gewicht bekommt.
Prüfe jede harte Markierung in der Kurve.
Trenne geplante Intervalle von freien Attacken.
Zähle harte Minuten qualitativ, nicht pedantisch.
Passe die nächste Woche mit einem klaren Schritt an.
Wenn die KI etwas falsch liest, ändere zuerst nicht dein Training. Prüfe zuerst die Datei, den Sensor und den Kontext der Strecke.
Ein häufiger Fall ist die Stadtfahrt mit vielen kurzen Stops. Die Kurve sieht dann wie Wiederholungen aus, obwohl du nur Ampeln, Verkehr und Anrollen hattest.
Ein zweiter Fall ist ein schwaches Signal vom Brustgurt. Dann springen Werte, obwohl deine Belastung ruhig war, und die Erkennung kann falsche Härte sehen.
Wenn du bewusst Intervalle gefahren bist, kann eine kurze Notiz den Unterschied machen. Für geplante Arbeit passt danach eine saubere Ausführung über strukturierte Einheiten mit klarer Abfolge.
Wenn du neu startest, halte den Ablauf eng und einfach. Die ersten Schritte mit deinem KI-Coach helfen, Datenquellen und Trainingslogik sauber zu setzen.
Prüfe Sensorbatterie, Sitz und Kopplung.
Suche in der Karte nach Stops und GPS-Lücken.
Vergleiche Leistung, Herzfrequenz und Tempo nebeneinander.
Füge eine kurze Trainingsnotiz zur Absicht hinzu.
Tag 0 — Bestandsaufnahme: Sammle die letzten freien Trainingseinheiten aus deiner Plattform oder deinem Wearable. Notiere, welche Geräte genutzt wurden, etwa Leistungsmesser, Brustgurt und GPS.
Tag 1 — Erkennung laufen lassen: Starte die automatische Intervall-Erkennung über diese Einheiten. Wenn du unsicher bist, nutze zuerst die Standard-Einstellung und ändere nicht mehrere Dinge zugleich.
Tag 2 — Sichtprüfung: Öffne drei typische Einheiten und prüfe Leistung, Herzfrequenz und Tempo nebeneinander. Korrigiere erkennbare Stops, GPS-Sprünge oder klar falsche harte Abschnitte.
Tag 3 — Einordnen: Teile erkannte Abschnitte in geplante Intervalle, freie harte Abschnitte und Störfaktoren ein. Diese Ordnung macht die Woche lesbarer.
Tag 4 — Ableiten: Prüfe, ob unerwartet viele harte Abschnitte in deiner Woche liegen. Wenn ja, behalte den wichtigsten Reiz und nimm für einige Tage Umfang heraus.
Tag 5 bis 7 — Anwenden und prüfen: Fahre die angepasste Woche und beobachte Schlafgefühl, Beine und Ruhepuls. Wenn die Erholung wieder gut wirkt, baue Umfang schrittweise zurück ein.
Intervall-Erkennung macht unstrukturierte Einheiten lesbar, indem sie Zeitreihen wie Leistung, Herzfrequenz und Tempo in Belastungs- und Erholungsabschnitte trennt. Dein nächster Schritt: Lade drei freie Einheiten hoch, prüfe die erkannten Abschnitte visuell und passe die kommende Woche nach der tatsächlichen harten Arbeit an.
Nein. Sie liest Trainingsdaten und zeigt Muster in deinen Einheiten. Sie ersetzt keine medizinische Beurteilung, keine Leistungsdiagnostik und auch nicht den Kontext eines erfahrenen Coaches.
Nicht zwingend, aber Leistung hilft stark bei kurzen und harten Wechseln. Herzfrequenz und Tempo können viel zeigen, reagieren aber je nach Einheit und Strecke langsamer oder unruhiger.
Prüfe zuerst Sensoren, GPS-Verlauf und Stops. Danach markierst du Störfaktoren und ergänzt eine kurze Notiz zur Einheit, statt sofort die Trainingswoche umzubauen.
Suche nur die klare Trainingsfrage: War diese Woche härter als geplant? Wenn ja, halte den wichtigsten Reiz fest und nimm etwas Umfang heraus.