Stand des Wissens im Hinblick auf aktuelle Untersuchungen zum betreffenden Forschungsgegenstand

Ubiquitäre Technologien (z.B. Pervasive Computing, Ambient Intelligence) haben sich mittlerweile in vielen Bereichen etabliert (Friedewald & Raabe, 2011) und nehmen eine maßgebliche Rolle bei der Konzeption künftiger Entwicklungen von Informationssystemen ein. Während im medizinischen Sektor zahlreiche Anwendungen existieren, wie etwa ein alarmgesteuertes Patienten-Monitoring von physiologischen Parametern bei gleichzeitiger Einbindung von Expertinnen (Alemdar & Ersoy, 2010; Yuce, 2010), ist die Zahl an vergleichbaren Systemen für die Trainingsbeobachtung/-steuerung von Sporttreibenden eher gering (McNab et al., 2011; Bächlin & Tröster, 2012). Betrachtet man lediglich jene Forschungstätigkeiten, welche den Schul- und Freizeitsport von Jugendlichen fokussieren, liefert eine aktuelle Literaturrecherche nur vereinzelte Treffer (Preuschl et al. 2010). Generell ist jedoch zu erkennen, dass innerhalb der wissenschaftlichen Community ein hohes Forschungsinteresse an Systemen zur objektiven Bewertung körperlicher Betätigung besteht (siehe z.B. Sonderausgabe des renommierten Fachjournals „Medicine & Science in Sports & Excercise“, Jänner 2012, ISSN: 0195-9131).

Die Informationen über nichtklassifizierte, bewegungsbezogene Parameter ermöglichen im Einzelnen nur bedingte Aussagen über die situative Bewegungsausführung einer Person. Mittlerweile beschäftigen sich mehrere Arbeitsgruppen deshalb mit der Erkennung und Klassifizierung von alltäglichen als auch sportlichen Bewegungsmustern basierend auf multidimensionalen Eingangsdaten diverser Sensoren (Hong et al., 2010; Wang et al., 2012). Einige dafür verwendete Methoden (z.B. Neuronale Netze, Fuzzy-Logik, Support Vector Machines) bilden die Grundlage für den Entwurf von automatisierten Feedback-Mechanismen im Sport (Grunz et al., 2011; Baca, 2012; Novatchkov, 2012).

Für Smartphones gibt es bereits eine Vielzahl von sogenannten Sport Apps mit denen sportliche Aktivitäten aufgezeichnet werden können (Tampier et al., 2011). Zusätzlich bieten viele Programme die Möglichkeit über ein Web-Interface anderen Teilnehmern aktuelle (live) als auch archivierte Trainingsinformationen zu Verfügung zu stellen (Trainings-Community). Vereinzelt lassen sich Sensoren (häufig nur HF-Brustgurt) in die Erfassung einbinden, in den meisten Fällen reduziert sich die Aufnahme allerdings auf die in Smartphones integrierten Sensoren (z.B. GPS-Empfänger, Akzelerometer). Seit Anfang 2011 werden von einigen Herstellern WiLink™ 7.0 Chipsätze (TI, 2010) zur Drahtloskommunikation in deren Smartphone Modelle integriert, wodurch neben WLAN, Bluetooth® und GPS erstmals auch eine implementierte ANT™ Schnittstelle zu Verfügung steht. Dies ermöglicht nun auch ohne zusätzliche Adapterlösungen die Einbindung von ANT+ kompatiblen Sensoren (kommerziell verfügbare Varianten, ANT+ basierte Eigenentwicklungen) für die drahtlose Erfassung von bewegungsrelevanten Kenngrößen. Bisher konnten ANDROID basierte Smartphones lediglich mittels eigenentwickelter Bluetooth® to ANT™ Adapter Sensordaten drahtlos empfangen, was mit geringfügigen Nachteilen verbunden war (Energieverbrauch, Mehraufwand bei Inbetriebnahme, Datenkollisionen durch gemeinsame Nutzung auf 2,4GHz).