Abgasanalyse mit dem Handy: Neue App lässt Diesel-Fahrer ihr Auto selbst überprüfen

Pressemitteilung der Universität des Saarlandes vom 06.10.2021

Informatiker der Universität des Saarlandes haben ein Verfahren entwickelt, mit dem sich unkompliziert und in Echtzeit ermitteln lässt, wie viele Abgase der eigene Diesel-PKW ausstößt. Dazu benötigt man die kostenlose App „LolaDrives“ und einen günstigen Bluetooth-Adapter, der das Diagnosesystem des Autos auslesen kann. Entwickelt wurde die App im Rahmen des DFG-geförderten transregionalen Sonderforschungsbereichs „Grundlagen verständlicher Softwaresysteme“ am Saarland Informatics Campus.

Nutzer können ihre Fahrdaten auf freiwilliger Basis für die Forschung bereitstellen.

Seit September 2017 muss ein Auto einen sogenannten „Real Driving Emissions (RDE)“-Test bestehen, um in der Europäischen Union zugelassen zu werden. Dabei werden die Abgasemissionen im Fahrbetrieb unter realistischen, alltäglichen Bedingungen gemessen. „Wir dachten uns: Dann sollte doch prinzipiell jeder selbst diesen Test durchführen können“, sagt Sebastian Biewer, Doktorand am Lehrstuhl „Dependable Systems and Software“ von Professor Holger Hermanns an der Universität des Saarlandes.

Anstatt Testequipment im Wert von Hunderttausenden Euros anzuschaffen, haben die Saarbrücker Informatiker die App „LolaDrives“ entwickelt. Diese verwendet „RTLola“, eine Technologie zur Analyse von Echtzeitsystemen von Bernd Finkbeiner, Professor an der Universität des Saarlandes und Faculty am Helmholtz-Zentrum für Informationssicherheit (CISPA). Die App funktioniert in fast allen Autos ab Baujahr 2005. „Wichtig ist, dass der Wagen über eine Schnittstelle zur On-Board-Diagnose (OBD) verfügt“, sagt Sebastian Biewer. Die OBD ist ein Fahrzeugdiagnosesystem, das während der Fahrt abgasbeeinflussende Systeme und andere Steuergeräte, wie beispielsweise den Drehzahlmesser, überwacht. Mithilfe eines Bluetooth-Adapters wird auf die On-Board-Diagnose zugegriffen. Wenn der Wagen läuft, muss man das Handy per Bluetooth mit dem OBD-Adapter verbinden und die „LolaDrives“-App starten.

Das Programm erlaubt es dem Nutzer dann entweder, die Daten des Diagnosesystems auszulesen, oder es führt ihn Schritt für Schritt durch einen RDE-Test. „LolaDrives ist nach unserer Kenntnis die einzige App, die einen RDE-Test ermöglicht“, ergänzt Sebastian Biewer. Damit die App die Emissionswerte errechnen kann, muss die OBD-Schnittstelle des Wagens jedoch die passenden Daten zur Verfügung stellen – insbesondere die Werte des Stickoxid-Sensors des Abgassystems, der nur in Diesel-Fahrzeugen verbaut ist. Ob die passenden Daten abgerufen werden können und damit ein RDE-Test machbar ist, teilt „LolaDrives“ direkt nach dem Start eines Tests mit.

Den App-Entwicklern war es wichtig, die Benutzung so einfach wie möglich zu gestalten. Denn für einen gültigen RDE-Test müssen zahlreiche Bedingungen erfüllt sein: Die Fahrtdauer muss mindestens 90 bis 120 Minuten betragen, in festgelegten Distanzen in verschiedenen Abschnitten stattfinden (Innerorts, Landstraße und Autobahn), bestimmte Geschwindigkeitsvorgaben dürfen nicht verletzt werden und auch das Beschleunigungs- und Bremsverhalten spielt eine Rolle. „Unsere App zeigt all diese Elemente in einer leicht verständlichen Nutzeroberfläche an und führt strukturiert durch die verschiedenen Stufen des Tests, indem sie genau ansagt, was wann zu tun ist. Sie teilt mit, ob der Test erfolgreich war und auch, ob der Test durch den Verstoß gegen eine der Vorgaben unwiederbringlich gescheitert ist“, sagt Yannik Schnitzer, der als Student der Informatik bereits ab seinem zweiten Semester die Entwicklung der App vorangetrieben hat.

Nutzer können ihre Fahrdaten auf freiwilliger Basis und ohne Einschränkung der App-Funktionalitäten datenschutzkonform an die Forscher spenden. Informatik-Professor Holger Hermanns, Sprecher des transregionalen Sonderforschungsbereichs „Grundlagen verständlicher Softwaresysteme“, in dessen Rahmen die Forschung um „LolaDrives“ stattfindet, sagt dazu: „Anhand der Daten möchten wir eine Plattform aufbauen, mit der wir mehr Transparenz und Verständlichkeit in den KFZ-Bereich bringen wollen. Vergangene Skandale haben gezeigt, wozu es führt, wenn Hersteller verantwortungsloses Handeln durch Intransparenz verschleiern können. Wir wollen helfen, Softwareverhalten aufzudecken, das für den Hersteller der Software vorteilhaft, aber für den Benutzer oder die Gesellschaft unerwünscht ist.“

Die RDE-Tests, die mit der App durchgeführt werden, sind rechtlich nicht bindend. „Uns geht es darum, das Informationsbedürfnis der Nutzer zu stillen. Die Ergebnisse unserer RDE-Tests sind plausibel, wenn man sie im Kontext der veröffentlichten Emissions-Daten und Grenzwerte betrachtet. Aber letztendlich sind sie Annäherungen an die ‚echten‘ Tests, die zwingend mithilfe kostspieliger mobiler Mini-Labors durchgeführt werden müssen,“ sagt Professor Holger Hermanns.

„LolaDrives“ ist zurzeit für Android über den Google Playstore erhältlich. Eine Version für Apple-Geräte ist bereits in Entwicklung. Das Projekt verfügt zudem über ein begrenztes Kontingent an Bluetooth-OBD-Adaptern, die interessierten Datenspendern kostenlos zur Verfügung gestellt werden.

Originalpublikation:
Biewer S., Finkbeiner B., Hermanns H., Köhl M.A., Schnitzer Y., Schwenger M. (2021) RTLola on Board: Testing Real Driving Emissions on your Phone. In: Groote J.F., Larsen K.G. (eds) Tools and Algorithms for the Construction and Analysis of Systems. TACAS 2021. Lecture Notes in Computer Science, vol 12652. Springer, Cham.

Externer Link: www.uni-saarland.de

Maschinelles Lernen verbessert die biologische Bildanalyse

Pressemitteilung der Universität Tübingen vom 09.09.2021

Internationales Forschungsteam entwickelt Algorithmus, der die superauflösende Mikroskopie beschleunigt

Mit der superauflösenden Mikroskopie gewinnen Wissenschaftlerinnen und Wissenschaftler neue Einblicke in die Welt der Zellen und können nanometerkleine Strukturen im Zellinneren erkunden. Das Verfahren hat die Lichtmikroskopie revolutioniert und seinen Erfindern 2014 den Nobelpreis für Chemie eingebracht. Tübinger KI-Forscher haben in einem internationalen Projekt einen Algorithmus entwickelt, der diese Technologie wesentlich beschleunigt.

Eine Art der superauflösenden Mikroskopie ist die sogenannte Einzelmolekül-Lokalisationsmikroskopie (single-molecule localisation microscopy, SMLM). Dabei werden die zu erforschenden Strukturen mit fluoreszierenden Molekülen markiert, von denen zu jedem Zeitpunkt nur eine begrenzte Anzahl mit Licht aktiviert wird. Diese lassen sich dann sehr präzise lokalisieren. Mit diesem Trick werden mehrere Bilder einer einzelnen Probe generiert. Diese Rohdaten werden von einem Computerprogramm ausgewertet und zu einem einzigen aussagekräftigen Bild zusammengesetzt. Mit dieser Technik lassen sich viel höhere Auflösungen erreichen als mit der klassischen Lichtmikroskopie. Doch sie hat einen Nachteil: Es braucht eine große Menge an Bildern, was das Verfahren sehr zeitaufwändig macht.

Das Team von Jakob Macke, Professor für Maschinelles Lernen in der Wissenschaft an der Universität Tübingen, hat in einer internationalen Zusammenarbeit einen neuen Algorithmus entwickelt, der diese Einschränkung der SMLM überwindet. Die gemeinsame Arbeit mit der Ries Gruppe des Europäischen Laboratoriums für Molekularbiologie (EMBL) Heidelberg und dem Team von Dr. Srinivas Turaga vom Janelia Research Campus (Virginia, USA) wurde in der Fachzeitschrift Nature Methods veröffentlicht.

Mit Deep Learning zur hochpräzisen Lokalisierung einzelner Moleküle

Der Algorithmus DECODE (DEep COntext DEpendent) basiert auf Deep Learning: Er nutzt ein künstliches neuronales Netz, das durch Trainingsdaten lernt. Statt mit echten Bildern wird das Netz in diesem Fall jedoch mit synthetischen Daten aus Computersimulationen trainiert. Unter Einbeziehung von Informationen über den Aufbau des Mikroskops und der Physik der Bildgebung erzielten die Forschenden Simulationen, die den realen Aufnahmen sehr ähnlich sind. „Das neuronale Netz, das wir mit Simulationsdaten trainiert haben, ist so in der Lage, fluoreszierende Moleküle auch in echten Bildern zu erkennen und zu lokalisieren“, erklärt Artur Speiser, zusammen mit Lucas-Raphael Müller federführender Autor der Arbeit.

Einer der Vorteile des Algorithmus DECODE: Er kann Fluoreszenzträger bei höheren Dichten lokalisieren, als bislang möglich, sodass weniger Bilder je Probe benötigt werden. Auf diese Weise kann die Bildgebungsgeschwindigkeit ohne nennenswerten Verlust an Auflösung um das bis zu Zehnfache gesteigert werden. Darüber hinaus kann DECODE die Unsicherheiten quantifizieren ‒ das Netzwerk kann also selbst erkennen, wenn es sich in seiner Lokalisierung nicht sicher ist.

Interdisziplinarität erweitert die Perspektiven der Forschung

„Diese Arbeit ist beispielhaft für den Ansatz unseres Exzellenzclusters ‚Maschinelles Lernen: Neue Perspektiven für die Wissenschaft‘“, sagt Macke, dessen Lehrstuhl Teil des Tübinger Clusters ist. „Die Ideen, die diesem Ansatz zugrunde liegen, haben wir ursprünglich in einem ganz anderen Kontext entwickelt. Aber in enger Zusammenarbeit mit Experten für computergestützte Mikroskopie entstanden daraus leistungsstarke Methoden für die Analyse von SMLM-Daten.“ Das Team entwickelte zudem ein Softwarepaket, das den DECODE-Algorithmus verwendet. „Die Software lässt sich einfach installieren und ist kostenlos verfügbar, sodass wir hoffen, dass sie in Zukunft vielen Wissenschaftlern von Nutzen sein wird“, sagt Dr. Jonas Ries vom EMBL.

Originalpublikation:
Artur Speiser, Lucas-Raphael Müller, Philipp Hoess, Ulf Matti, Christopher J. Obara, Wesley R. Legant, Anna Kreshuk, Jakob H. Macke, Jonas Ries & Srinivas C. Turaga: Deep learning enables fast and dense single-molecule localization with high accuracy. Nature Methods.

Externer Link: www.uni-tuebingen.de

Mit Augmented Reality Spinnenangst bekämpfen

Medienmitteilung der Universität Basel vom 20.09.2021

Forschende der Universität Basel haben eine Augmented-Reality-App für Smartphones entwickelt, um Angst vor Spinnen zu reduzieren. Die App hat sich in einer klinischen Studie bereits bewährt: Schon nach wenigen Trainingseinheiten zuhause empfanden die Probanden weniger Angst vor realen Spinnen.

Die Angst vor Spinnen gehört zu den häufigsten Phobien. Betroffene versuchen, Situationen mit Spinnen zu vermeiden und leben deshalb mit einer Vielzahl von Einschränkungen. Sie verzichten etwa auf soziale Anlässe in der Natur, Zoobesuche oder bestimmte Reiseziele; sie kontrollieren Räume exzessiv auf Spinnen, oder meiden bestimmte Räume wie Keller oder Estrich komplett. Eine wirksame Behandlung gegen Spinnenangst stellt beispielsweise die Expositionstherapie dar, bei der sich Betroffene therapeutisch angeleitet den gefürchteten Situationen aussetzen. Dabei wird die Angst schrittweise abgebaut. Diese Therapie wird jedoch selten in Anspruch genommen, weil Betroffene sich nur ungern echten Spinnen aussetzen.

Das interdisziplinäre Forschungsteam um Prof. Dr. Dominique de Quervain hat Abhilfe geschaffen und die Smartphone-basierte Augmented-Reality-App Phobys entwickelt. Im Fachmagazin «Journal of Anxiety Disorders» berichten die Forschenden von vielversprechenden Ergebnissen mit dieser App gegen Spinnenphobie.

Phobys basiert auf der Expositionstherapie und verwendet ein realistisches 3D-Spinnenmodell, welches in die reale Welt projiziert wird. «Für Menschen, die Angst vor Spinnen haben, ist es leichter, sich einer virtuellen Spinne auszusetzten als einer echten», erklärt Anja Zimmer, Erstautorin der Studie.

Wirksamkeit in Studie überprüft

Zimmer und ihre Kollegen untersuchten die Wirksamkeit von Phobys in einer klinischen Studie mit 66 Probanden. Die an Spinnenangst leidenden Studienteilnehmenden absolvierten während zwei Wochen entweder sechs halbstündige Trainingseinheiten mit Phobys oder bekamen als Kontrollgruppe keine Intervention angeboten. Vor und nach der Behandlung näherten sich die Studienteilnehmenden einer echten Spinne in einer durchsichtigen Box so weit, wie es ihre Spinnenangst zuliess. Die Gruppe, die mit Phobys trainiert hatte, zeigte deutlich weniger Angst und Ekel in der realen Spinnensituation und war in der Lage, näher an die Spinne zu gelangen als die Kontrollgruppe.

Die App Phobys bietet neun verschiedene Levels, um der virtuellen Spinne näher zu kommen und mit ihr zu interagieren. Mit jedem Level werden die Aufgaben intensiver und damit schwieriger. Jedes Level endet mit einer Bewertung der eigenen Angst und des Ekels, und die App entscheidet, ob das Level wiederholt werden sollte oder zum nächsten fortgeschritten werden kann. Die App verwendet zudem spielerische Elemente, wie belohnende Feedbacks, Animationen und Soundeffekte, um die Motivation hoch zu halten.

Phobys gibt’s in den App Stores

Mithilfe der GeneGuide AG (Division MindGuide), einem Spin-off-Unternehmen der Universität Basel, wurde die App weiterentwickelt und ist nun in den App Stores für iPhones und Android-Smartphones erhältlich. Betroffene mit leichten Formen der Spinnenangst können die App in Eigenregie benutzen. Bei Menschen mit einer ausgeprägten Spinnenangst empfehlen die Forschenden die Nutzung der App nur in Begleitung einer Fachperson. Ob man Angst vor einer virtuellen Spinne hat, kann in der App gratis getestet werden. Das Training zur Reduktion der Spinnenangst ist in der App erwerbbar.

Die aktuelle Studie gehört zu einer Reihe von Projekten der Transfakultären Forschungsplattform Molecular and Cognitive Neurosciences, welche von Prof. Dr. Andreas Papassotiropoulos und Prof. Dr. Dominique de Quervain geleitet wird, die das Ziel verfolgen, die Behandlung von psychischen Störungen durch den Einsatz neuer Technologien zu verbessern und diese breit verfügbar zu machen.

Originalpublikation:
Anja Zimmer, Nan Wang, Merle K Ibach, Bernhard Fehlmann, Nathalie S Schicktanz, Dorothée Bentz, Tanja Michael, Andreas Papassotiropoulos, Dominique JF de Quervain
Effectiveness of a smartphone-based, augmented reality exposure app to reduce fear of spiders in real-life: A randomized controlled trial
Journal of Anxiety Disorders (2021)

Externer Link: www.unibas.ch

Von Spieleentwicklern lernen: Produktentwicklung mit Extended Reality

Presseinformation des KIT (Karlsruher Institut für Technologie) vom 26.08.2021

Forschende am KIT machen physisch-virtuelle Modelle für Ingenieure nutzbar – Neue Möglichkeiten für kontaktfreies standortübergreifendes Arbeiten

Kann mein Produkt was es können soll – und werden es die Kunden kaufen? Die Antwort auf diese Frage entscheidet über Erfolg oder Misserfolg einer Markteinführung. Das Problem: Vor dem Produktstart kennen wir sie nicht. Die Lösung: Statt sofort teure Prototypen von Autos, Geräten oder Maschinenkomponenten zu bauen, können Unternehmen durch virtuelle Modelle in sehr frühen Entwicklungsphasen feststellen, ob ein neues Produkt in Anmutung und Bedienung für die Kunden attraktiv ist. Forschende des Karlsruher Instituts für Technologie (KIT) entwickeln dafür neue Methoden und Prozesse, die praxisnah in Entwicklung und Lehre angewendet werden.

„In der Automobilindustrie gehen nicht selten zehn Prozent des gesamten Entwicklungsbudgets in die Produktion von Prototypen“, sagt Marc Etri Leiter des XR-Lab am Institut für Produktentwicklung (IPEK) des KIT. „Da können leicht viele Millionen Euro zusammenkommen.“ Diesen Aufwand wollen Wissenschaftlerinnen und Wissenschaftler am IPEK reduzieren: mit Extended Reality (XR), also Computertechnologien, welche die physische Umgebung um virtuelle Komponenten erweitern (Augmented Reality, AR), oder diese auch gänzlich ersetzen (Virtual Reality, VR).

„XR-Technologien erleichtern es uns in allen Entwicklungsphasen – Produktprofile finden, Konzepte erstellen, präzisieren und realisieren – Produkte an Kundenwünsche und Marktanforderungen anzupassen“, erläutert Etri. „Physisch-virtuelle Prototypen können sowohl Entwicklungszeit und -kosten sparen als auch Fehlern vorbeugen, die oft erst in späteren Phasen der Entwicklung erkannt werden.“ Als Beispiel zeigt er das fotorealistische dreidimensionale Modell eines Rennrades, das sich auf einem Tablet bearbeiten lässt. „Das Design von Laufrädern, Rahmen oder Sattel kann ich mit einem Click verändern.“ Auch Feinheiten wie Farbe und Glanzgrad der Sattelstütze oder Struktur des Sitzbezuges wechseln mit wenigen Klicks auf dem Bildschirm. Die mögliche Detailschärfe des Programms zeigt Etri am Beispiel einer Armbanduhr: Sogar Fotophänomene wie Reflektion auf dem Gehäuseglas ändern sich über verschiedene Designvarianten hinweg und angepasst an die reale Raumbeleuchtung.

„Viele Ingenieurinnen und Ingenieure in der Praxis wissen gar nicht, was mit AR und VR bereits möglich ist“, konstatiert Professor Albert Albers, Leiter des IPEK. „Dabei haben es uns die Spieleentwickler längst vorgemacht“, ergänzt Etri mit Blick auf die populären bildmächtigen Blockbuster-Titel aus dem Gaming-Bereich. Oft scheitere eine zeitgemäße kundennahe Produktentwicklung noch an einem uneinheitlichen Datenmanagement in den beteiligten Abteilungen oder Partnerunternehmen und der daraus resultierenden mangelnden Durchgängigkeit, sagt Albers. „Wir können nicht mit Methoden des 20. Jahrhunderts die Lösungen des 21. Jahrhunderts entwickeln.“ Von den neuen Technologien und Methoden könne das Ingenieurwesen deutlich profitieren – natürlich auch in der aktuellen Pandemiesituation: „Denn sie machen auch ein kontaktfreies standortübergreifendes Arbeiten möglich“, so Albers weiter.

Das Extended Reality Lab in der Lehre am KIT

Deswegen kommt das XR-Lab neben Forschungsprojekten in der Grundlagenforschung und mit Unternehmen auch in der Lehre zum Einsatz: „Wir haben im vergangenen Wintersemester erstmals Virtual Reality-Aufgaben in die Maschinenkonstruktionslehre integriert“, sagt Etri. „Rund 400 Erstsemester aus den Bereichen Maschinenbau, Bio- und Chemieingenieurwesen sowie Mechatronik konnten so schon früh im Studium die Potenziale der XR-Technologien in der Produktentwicklung einschätzen lernen.“ Als digitale Natives falle den Studierenden der Umgang mit diesen Technologien leicht, glaubt Etri. „Das kann sich im künftigen Berufsleben massiv auf die Wahl ihrer präferierten Ingenieurtools auswirken.“

Im XR-Lab wird die VR-Software Cross Connected des Karlsruher Start-ups R3DT, einer Ausgründung aus dem KIT, eingesetzt. (mex)

Externer Link: www.kit.edu

Leistungsverlust im Alter kann mithilfe Künstlicher Intelligenz präziser prognostiziert werden

Pressemitteilung der Universität des Saarlandes vom 16.08.2021

Wie stark fällt der Leistungsabfall von Sportlern aus, wenn sie älter werden? Nicht nur für Sportler, die bis ins Seniorenalter aktiv bleiben wollen, ist diese Frage von Bedeutung. Bergita Ganse, Stiftungsprofessorin für innovative Implantatentwicklung (Frakturheilung) an der Saar-Uni, hat mit Kolleginnen und Kollegen der TU Darmstadt und der RWTH Aachen ein Berechnungsmodell entwickelt, das genauer ist als bisherige Modelle. Die Studie haben sie im Fachjournal „GeroScience“ veröffentlicht.

Die Meldungen über die erstaunlichsten körperlichen Leistungen alter Menschen sind fast schon alltäglich geworden. Es gibt 80-Jährige, die den Mount Everest erklimmen, ein 83-Jähriger ist ältester Teilnehmer beim Ironman auf Hawaii, wo es rund 226 Kilometer auf dem Rad, laufend und schwimmend zurückzulegen gilt. Und der älteste Marathonläufer der Welt kam mit sage und schreibe 101 Jahren ins Ziel – bisher.

Natürlich sind die Seniorensportler nicht so leistungsfähig wie junge Sportlerinnen und Sportler, die im Zenit ihrer körperlichen Leistungsfähigkeit stehen. Zwischen dem Höchststand ihrer Leistungsfähigkeit und ihrem – immer noch erstaunlichen – Potenzial im hohen Alter liegen einige Jahrzehnte. Wie der Verlust in den dazwischenliegenden Jahrzehnten verläuft und wie schnell er vonstattengeht, hängt von vielen, sehr individuellen Faktoren ab. „Wir haben uns gefragt, ob es uns gelingen kann, die Leistungsfähigkeit eines Sportlers bis ins Seniorenalter hinein prognostizieren zu können, und zwar mit einer einzigen Messung“, erläutert Bergita Ganse, die an der Universität des Saarlandes die Werner Siemens-Stiftungsprofessur für innovative Implantatentwicklung (Frakturheilung) innehat. „Sind beispielsweise Sportler, die in jüngeren Jahren bessere Leistungen als andere erbrachten, auch im Alter leistungsstärker?“, nennt die Medizinerin einen Faktor, den man bisher nur schwer prognostizieren konnte. Für die Unfallchirurgin spielt der Leistungsabfall im Alterungsprozess deshalb eine so wichtige Rolle, weil eine große Zahl an Patienten im hohen Alter kaum noch Muskelmasse und Kraft aufweisen, und dadurch nicht nur im Alltag eingeschränkt sind, sondern sich auch viel schlechter von Verletzungen wie Knochenbrüchen erholen können. Es wäre wichtig, Menschen mit einem hohen Risiko dafür besser frühzeitig identifizieren und beraten zu können.

Mithilfe des Maschinellen Lernens, einem Teilgebiet der Künstlichen Intelligenz, haben Bergita Ganse sowie Christoph Hoog Antink (TU Darmstadt; Biomedizinisches Engineering) und Anne K. Braczynski (Neurologie; RWTH Aachen) ihre Ausgangshypothese überprüft, die tatsächlich bestätigt werden konnte. „Wir haben gezeigt, dass es möglich ist, die zukünftige Leistungsabnahme eines Sportlers auf der Grundlage Maschinellen Lernens mit nur einem Ausgangspunkt präziser vorherzusagen als mit bisherigen Methoden“, so Medizinerin Bergita Ganse.

Um ihre Hypothesen zu überprüfen, haben die Wissenschaftlerinnen aus dem Saarland und Aachen sowie ihr Kollege aus Darmstadt die Daten von fast 5.500 schwedischen Leichtathleten untersucht, deren sportliche Leistungen zwischen 1901 und 2021 in der „Swedish Veteran Athletics“-Datenbank sehr detailliert dokumentiert sind. Insgesamt rund 21.000 Datenpunkte haben sie in ihre Untersuchung einfließen lassen. Das heißt, jeder Leichtathlet hat im Mittel rund vier Ergebnisse in der Datenbank hinterlassen. Aufgrund des seit gut 100 Jahren fast unveränderten Reglements hat sich das Team um Bergita Ganse dazu entschlossen, ausschließlich Laufdisziplinen zu berücksichtigen. Wurfgeräte wie beim Speer- oder Diskuswurf beispielsweise werden in unterschiedlichen Gewichtsklassen verwendet; jüngere Athleten müssen meist etwas schwerere Geräte werfen, so dass sich damit die Vergleichbarkeit erschwert und eine Prognose des Leistungsabfalls schwieriger wird. Läufer hingegen laufen 100, 200, 800 Meter, egal, ob sie 23, 40 oder 70 Jahre alt sind.

Das zentrale Ergebnis der Studie ist nun, dass der Computer anhand der zehntausenden Daten ein Modell entwickeln konnte, das den Leistungsverlust eines individuellen Sportlers bis ins Seniorenalter hinein präziser vorhersagen kann als bisherige Modelle, die in etwa von einer linearen Abnahme der Leistungsfähigkeit ausgehen.

„Überrascht hat uns dabei die Feststellung, dass Athleten, die sehr leistungsstark und jung waren, relativ gesehen am meisten Leistungsabfall zu verzeichnen hatten, was auch auf ältere Athleten mit geringerer Ausgangsleistung zutrifft. Die niedrigste Abnahmerate haben wir bei leistungsstarken Athleten mit hohem Ausgangsalter festgestellt“, so Bergita Ganse. Ihre Erklärung: „Eine hohe Leistung bei hohem Ausgangsalter kann aus einem kontinuierlichen, lebenslangen Engagement in anderen Sportarten oder auch aus einer Kombination von gesunder Ernährung und guter genetischer Konstitution herrühren. Allerdings liegen uns dazu keine weiteren Daten vor, so dass dies im Bereich der Spekulation bleiben muss.“ Die zentrale Erkenntnis hingegen lautet sicher: Wer noch in fortgeschrittenerem Alter eine Top-Zeit in seiner Disziplin läuft, bleibt auch in noch höherem Alter leistungsfähiger als seine Altersgenossen. Es lohnt sich also auch im fortgeschrittenen Alter noch, mit dem Sporttreiben anzufangen.

Interessant sind diese Erkenntnisse insbesondere für die Altersforschung, die (alternden) Sportler selbst und die Sportverbände sowie die Versicherungswirtschaft, die mithilfe präziserer Prognosen der sportlichen Leistungsfähigkeit zum Beispiel bessere Präventionsangebote für die Versicherten entwickeln kann.

Originalpublikation:
Hoog Antink, C., Braczynski, A.K. & Ganse, B. Learning from machine learning: prediction of age-related athletic performance decline trajectories. GeroScience (2021).

Externer Link: www.uni-saarland.de