Puettavat sensorijärjestelmät urheilussa

Teemu Lemmettylä

Pro gradu -tutkielma

Tietojenkäsittelytieteen laitos

Tietojenkäsittelytiede

Marraskuu 2016

ii

ITÄ-SUOMEN YLIOPISTO, Luonnontieteiden ja metsätieteiden tiedekunta, Kuopio

Tietojenkäsittelytieteen laitos

Tietojenkäsittelytiede

Lemmettylä, Teemu Johannes: Puettavat sensorijärjestelmät urheilussa

Pro gradu -tutkielma, 49 s.

Pro gradu -tutkielman ohjaaja: TkT, Professori Pekka Toivanen

Marraskuu 2016

Sensoriteknologian ja mobiililaskennan kehittyminen ovat luoneet uuden mahdolli-

suuden urheilusuoritusten ja aktiivisuuden mittaamiselle. Entistä monimutkaisemmat

ja laadukkaammat mittaukset ovat mahdollisia reaaliajassa. Lisäksi tiedonsiirtoverk-

kojen laajentuminen ja pilvipalveluiden yleistyminen mahdollistavat tietojen analy-

soinnin ja jakamisen. Puettavat järjestelmät ovatkin nousemassa urheilubisneksen suu-

rimmaksi sektoriksi.

Urheilusuoritusten mittaaminen ei ole yksinkertainen tehtävä. Ulkoiset haasteet, kuten

liike, iskut ja vaihtuva lämpö sekä kosteus aiheuttavat sensoreille haasteita, jotka on

otettava huomioon virheiden minimoimiseksi ja kestävien laitteiden kehittämiseksi.

Suuri sensorien määrä ja signaalien epäpuhtaus joudutaan ottamaan laskennassa huo-

mioon. Laskennan toteuttamiselle on myös rajoitteita laskentakapasiteetin puolelta.

Puettavat järjestelmät toimivat normaalisti akkujen varassa, jolloin taloudellinen tapa

toimia tarkoittaa myös pidempää toiminta-aikaa.

Tämän hetken toteutuksille tyypillistä on inertiasensorien käyttö liikkeiden tunnista-

miseksi. Syke on mukana useassa sovelluksessa aktiivisuuden mittauksen tukena ja

rasituksen fysiologisena mittarina harjoittelun aikana. Paikkatietoa käytetään ulkona

tapahtuvan toiminnan rekisteröintiin. Puettavien sovellusten sensorijärjestelmien käyt-

täjät vaihtelevat päivittäisen aktiivisuuden mittaajista ammattiurheilijoihin, jotka saa-

vat sovelluksista arvokasta tietoa lajinsa vaatimuksista ja oman harjoittelun tuloksista.

Tyypillisesti mittaustuloksia tarkastellaan laitteeseen liitettävän mobiilisovelluksen

avulla tai mittaustuloksien analysointiin tuotetussa pilvipalvelussa.

Avainsanat: Mobiililaskenta, Puettavat järjestelmät, Sensorit, Urheilujärjestelmät.

ACM-luokat: Algorithms, Human Factors, Measurement.

iii

UNIVERSITY OF EASTERN FINLAND, Faculty of Science and Forestry, Kuopio School of Computing

Computer Science

Lemmettylä, Teemu Johannes: Wearable Sensor Systems in Sports

Master’s Thesis, 49 p.

Supervisor of the Master’s Thesis: Dr.Tech., Professor Pekka Toivanen

November 2016

Development of sensor technology and mobile computing has opened new possibili-

ties to sports measuring. More complex and better quality measurements are possible

in real-time. Moreover, data networks and use of cloud services enable data analysis

and sharing. Wearable sensor systems are becoming the biggest sector in fitness do-

main.

Measurement of sports person is not an easy task. External factors like movement,

contacts, changing temperature, and changing moisture cause challenges to sensors

that must be taken into account when building accurate and durable systems. Large

amount of sensors and disturbances in signals must be managed in computation. Ca-

pacity of the systems also limit the computation process. Wearable systems normally

operate with batteries and energy efficiency leads always to the better operating time.

Current systems typically use inertial sensors for motion detection. Heart rate meas-

urement is included into systems to make activity measurement more accurate and to

be widely used physiological indicator during exercises. Spatial information is used to

register activity in outdoors. Users of wearable sensor systems are ranging from daily

activity measurers to serious sport professionals who collect valuable new information

demands of their sports and their training achievements. Typically measurement re-

sults are viewed in mobile application that is connected to the wearable system and

more accurate analysis is done in cloud service.

Keywords: Big data, Mobile computing, Sensor data, Sport data, Wearable systems.

CR Categories: Algorithms, Human Factors, Measurement.

iv

Esipuhe

Tämä tutkielma on tehty Itä-Suomen yliopiston tietojenkäsittelytieteen laitokselle vuo-

sina 2006 - 2016.

Työ yhdisti upealla tavalle aiemmat opintoni ja kiinnostuksen kohteeni. Työssä yhdis-

tyvät urheilusuoritusten mittaaminen ja kaupalliset mahdollisuudet yhteen tietojenkä-

sittelyn ongelmien kanssa. Lisäksi oli hienoa huomata, että kyseistä sektoria pidetään

voimakkaasti kasvavana uusien sovellusten kentässä.

Erityiskiitos työn lopullisesta valmistumisesta kuuluu toimiston Merjalle, joka jaksoi

muistuttaa työn tärkeydestä, vaikka muilta usko oli jo mennyt.

v

Lyhenneluettelo

EMG Elektromyografia

GLONASS Global Navigation Satellite Systems

GNSS Global Navigation Satellite System

GPS Global Positioning System

HR Heart Rate

HRV Heart Rate Variation

IEEE Institute of Electrical and Electronics Engineers

LCD Liquid Crystal Display

LiPo Lithion Polymer

MEMS Micro Mechanical Systems

SD Secure Digital

RR Respiration Rate

TSS Training Stress Score

USB Universal Serial Bus

Wi-Fi Wireless Fidelity

WLAN Wireless Local Area Network)

Sisällysluettelo

1 Johdanto ...................................................................................................... 1

2 Urheilijan mitaaminen ................................................................................ 3

2.1 Urheilijan mittaaminen ....................................................................... 4 2.2 Palautumisen seuranta ......................................................................... 7 2.3 Mittausten analysointi ......................................................................... 8 2.4 Muita sovelluskohteita ........................................................................ 9

2.4.1 Suorituksen mittaaminen urheiluvälineistä ....................... 10

2.4.2 Harjoittelu virtuaaliympäristössä ...................................... 11 2.4.3 Vammojen ehkäisy ........................................................... 11

3 Toteutus .................................................................................................... 12

3.1 Sensorijärjestelmien haasteet urheilussa ........................................... 12 3.2 Puettavat sensorijärjestelmät ............................................................. 13

3.2.1 Virrankulutus .................................................................... 13

3.2.2 Tiedon tallennus ................................................................ 14 3.2.3 Tiedonsiirto ....................................................................... 14

3.2.4 Palaute ja kotelointi .......................................................... 15 3.3 Datan käsittely .................................................................................. 16 3.4 Signaalinkäsittely .............................................................................. 17

3.5 Aktiviteettien tunnistus ..................................................................... 18

3.6 Sensorit ............................................................................................. 19 3.6.1 Voiman ja paineen mittaaminen ....................................... 19 3.6.2 Inertiasensorit .................................................................... 20

3.6.3 Optiset sensorit ................................................................. 21 3.6.4 Kulman ja etäisyyden mittaaminen ................................... 21

3.6.5 Muita käytössä olevia sensoreita ...................................... 21 3.7 Mittaavat tekstiilit ............................................................................. 22 3.8 Sensoreiden valinta ........................................................................... 22

4 Sovellukset ................................................................................................ 24

4.1 Rannetietokoneet .............................................................................. 24

4.2 Sensorialustat .................................................................................... 26 4.3 Voimaa ja painetta mittaavat sensorit ............................................... 27 4.4 Inertiasensoreihin perustuvat mittaukset .......................................... 28

4.5 Optiset mittaukset ............................................................................. 31 4.6 Muita sovelluksia .............................................................................. 32

4.7 Turvallisuus ...................................................................................... 33 4.8 Tekstiilit ............................................................................................ 34 4.9 Yhteenveto kaupallisista mittauksista ............................................... 37

5 Pohdinta ja jatkotutkimusideat .................................................................. 40

Viitteet .............................................................................................................. 42

1

1 JOHDANTO

Puettavilla sensorijärjestelmillä tarkoitetaan järjestelmiä, joihin tuotetaan tietoa senso-

reiden avulla ja hankittu tieto käytetään hyväksi erilaisissa sovelluksissa. Tyypillisiä

sovelluskohteita ovat terveydenhuolto, sotateollisuus, älykodit, vanhustenhoito ja ur-

heilu. Sensorijärjestelmien avulla voidaan muun muassa lisätä älykotien turvallisuutta,

parantaa sairaanhoidon ja vanhustenhoidon tehokkuutta, saavuttaa urheilussa parem-

pia tuloksia sekä saada uutta tietoa eri ilmiöiden luonteesta ja vaatimuksista. (Chan et

al., 2012)

Liikuntateknologian tutkimuksessa urheilusuoritusten mittaamiseen tarkoitetut väli-

neet ovat usein hyvin raskaita ja vaativat osaavat henkilöt järjestelmien pystyttä-

miseksi. Mittaukset tapahtuvat usein hyvin rajoitetuissa olosuhteissa, jolloin ulkona

tapahtuvat kenttämittaukset ovat harvinaisia ulkoilman tuoman epätarkkuuden vuoksi.

Tulosten analysointi tehdään usein Excelin avulla ja analysointi vie normaalisti aikaa

viikoista kuukausiin. Tyypillisiä mitattavia asioita ovat esimerkiksi voima, nopeus, ni-

velten liikkeet ja erilaiset fysiologiset muuttujat, kuten syke, lihasaktiivisuus ja lak-

taatti. Valtavasta määrästä urheiluun liittyviä ilmiöitä on olemassa laajasti tutkittua

tietoa, mutta ilmiöiden mittaaminen reaaliajassa kaupallisilla laitteilla ei ole mahdol-

lista tällä hetkellä. (Linnamo et al., 2012)

Matkapuhelinten yleisyys ja älykellojen yleistyminen mahdollistavat uudenlaisen ajat-

telun jatkuvaan ihmisen toiminannan tarkkailuun. Aiemmin esimerkiksi aktiivisuuden

mittaaminen on vaatinut oman laitteen, mutta tällä hetkellä kännykän ja älykellon

avulla seuranta voi olla jatkuvaa ilman, että mittaukseen erikseen tarkoitettua laitetta

pidetään mukana. Rannetietokoneiden valmistajat ovat myös lähentyneet älykellojen

toimintaa. Polar julkaisi kesällä 2016 ensimmäisen Andoid Wear 2.0 -käyttöjärjestel-

mää hyödyntävän rannetietokoneensa Polar M600, joka on kuitenkin ensisijaisesti tar-

koitettu urheilu¨suoritusten mittaamiseen. Laitteet, joissa on hyvä liitettävyys ja laa-

jalti käytetty käyttöjärjestelmä luo hyvän pohjan kolmansien osapuolien toteuttamille

laitteille, joilla voidaan parantaa esimerkiksi matkapuhelimen toiminnallisuutta.

2

Matkapuhelinten ja älykkäiden kellojen rinnalle on noussut suuri määrä erilaisia puet-

tavia laitteita, joiden avulla voidaan mitata ihmisten toimintaa, kuten erilaisia urhei-

luun liittyviä ilmiöitä.

Tutkimuksen tarkoituksena on kuvata sensorijärjestelmien käyttöä urheilusuoritusten

mittaamisessa (luku 2), selvittää pääkohdat urheilukäyttöön tarkoitettujen sensorijär-

jestelmien toteutuksien vaatimuksista sekä tarvittavista sensoreista (luku 3) ja tutustua

tämän hetken kaupallisten ratkaisuiden toimintoihin sekä toteutukseen (luku 4). Lo-

puksi luku 5 sisältää pohdinnan ja jatkotutkimusideat.

3

2 URHEILIJAN MITAAMINEN

Urheilumittaamisen historia sensorien avulla yhdistyy usein Suomalaisen Polar Oy:n

tarinaan. Vuonna 1975 kaverusten lenkillä saama idea johti siihen, että sykkeen mit-

taaminen langattomasti oli mahdollista kaikille urheilijoille vuonna 1982 (kuva 1) (Po-

lar, 2016). Sittemmin urheilussa käytettäviin rannetietokoneisiin on tullut valtavasti

uusia mahdollisuuksia tallentaa eri sensoreista tulevaa informaatiota, kuten paikkatieto

GPS:n (Global Positioning System) avulla tai lämpötila.

Kuva 1. Ensimmäinen sykkeen mittaukseen käytetty rannetietokone. (Polar, 2016)

Sensorijärjestelmien kehittyminen on tarjonnut mahdollisuuden monimutkaisempien

ongelmien mittaamisen. Liikkeen mallintaminen, voimien mittaamisen, taktiikan ana-

lysointi ja vammojen ehkäisy riskejä mittaamalla ovat esimerkkejä ongelmista, jotka

vaativat monimutkaisempia järjestelmiä. Sensorijärjestelmien käyttö on lisääntynyt

viime vuosien aikana laajalla rintamalla ammattilaisurheilun kiinnostuksen lisäänty-

misen myötä (James et al., 2016).

4

Tällä hetkellä on arvioitu, että puettavat urheiluteknologiat muodostavat suurimman

sektorin fitness-markkinoilla, jonka arvo olisi ennusteiden mukaan noin kuusi miljar-

dia dollaria vuoden 2016 loppuun mennessä (Thompson, 2015). Lisäksi kasvun odo-

tetaan jatkuvan tulevan vuosikymmenen ajan (Researchandmarkets, 2016).

Tässä luvussa esitellään urheilijan mittaamista yleisesti. Luku 2.1 esittelee esimerkin

avulla urheilijan mittaamista suorituksen aikana. Luvussa 2.2 käydään läpi urheilijan

palautumisen seurantaan liittyviä vaihtoehtoja. Luvussa 2.3 esitellään urheilijan palau-

tumiseen liittyviä mittauksia ja lopuksi luvussa 2.4 esitellään vielä muita mahdolli-

suuksia urheilijan mittaukseen.

2.1 Urheilijan mittaaminen

Sensoriteknologia ja langattoman tiedonsiirron kehitys on antanut mahdollisuuden mi-

tata muuttujia urheilijasta ja urheilijan käyttämistä välineistä. Yhdistämällä ne samaan

kokonaisuuteen ympäristöstä mitattujen muuttujien kanssa saadaan hyvä kokonais-

kuva suorituksen aikaisista tapahtumista. Kuvassa 2 pyöräilijä mittaa samaan aikaan

muuttujia itsestään, pyörästä ja ympäristöstä. Mitatut tiedot yhdistetään rannetietoko-

neessa ja tallennetut tiedot lähetetään harjoituksen jälkeen automaattisesti puhelimen

tietoliikenneyhteyttä hyväksikäyttäen pilveen, jossa suoritetaan tiedon jatkokäsittely

ja lopullinen analyysi. (Suunto, 2016)

5

Kuva 2. Urheilija mittaa samaan aikaan eri sensoreilla tietoa fysiologiasta ja välineestä. Tiedot

yhdistyvät rannetietokoneessa samaan tiedostoon aika- ja paikkatiedon kanssa.

Pyöräilijästä mitattua dataa voidaan käyttää useaan eri tarkoitukseen. Kuvassa 2 urhei-

lija mittaa omaa suoritustaan ja ohjaa sitä tarvittaessa mitattujen muuttujien mukaan.

Jälkikäteen tietoja voidaan hyödyntää esimerkiksi arvioimalla harjoituksen kokonais-

kuormitusta ja ohjaamalla tiedon perusteella tulevaa harjoittelua (kuva 3). Pyöräilijä

mittaa itsestään muuttujia, jotka kertovat esimerkiksi tehdystä työstä (teho (W)), kam-

pikierrosten määrästä minuutissa ja työn aiheuttamasta fysiologisesta vasteesta syk-

keen muodossa. (Halson, 2014).

6

Kuva 3. Movescountin tarjoama näkymä kokonaisrasitukseen. (Movescount, 2016)

Tavallisimpia muuttujia, joita suorituksesta mitataan, ovat kesto, paikkatieto, lämpö-

tila, ilmanpaine ja kiihtyvyys (esim. Suunto, 2016). Edellä mainittujen muuttujien mit-

taaminen on mahdollista rannetietokoneella. Muuttujien perusteella voidaan tehdä ha-

vaintoja ympäristöstä, kuten korkeus, jossa liikunta on tapahtunut. Yhtä hyvin tallen-

taminen voi tapahtua älypuhelimella, jonka etuna ovat esimerkiksi suorat kommuni-

kaatioyhteydet mittausten lähettämiseksi palvelimelle (Movescount, 2016).

Lisälaitteilla voidaan lisätä mitattujen muuttujien määrää. Lisälaitteet yhdistetään nor-

maalisti rannetietokoneeseen langattomasti. Tyypillisiä rannetietokoneeseen liitettäviä

lisälaitteita ovat sykkeen mittaus (esim. Suunto, 2016) ja tehon mittaus (esim. Stages,

2016). Viime aikoina myös esimerkiksi lihasaktiivisuuden (EMG; elektromyografia)

(esim. Myontec, 2016) ja laktaatin ei-invasiivinen mittaaminen (BSXinsight, 2016)

ovat tulleet mahdollisiksi suorituksen aikana. Samoja sensoreita voidaan lisätä lisälait-

teiden avulla. Esimerkiksi kiihtyvyysanturin informaatiosisällön käyttömahdollisuu-

det paranevat, jos se on sisällytetty rannetietokoneen lisäksi myös sykevyöhön. (Gar-

min, 2016).

7

Muuttujia voidaan myös laskea lisää yhdistelemällä mitattuja muuttujia. Esimerkiksi

juoksua kuvaava askelpituus voidaan laskea yhdistämällä inertiasensorista laskettu as-

keltiheys ja GNSS-sensorista (Gobal Navigation Satelite System) tuleva nopeus. Las-

kennan mahdollisuudet vaihtelevat jonkin verran lajeittain. Esimerkiksi frekvenssin

laskeminen on mahdollista rannetietokoneen avulla juoksussa, mutta vastaava tieto

pyöräilyssä (cadenssi) vaatii pyörään kiinnitettävän lisälaitteen. (esim. Suunto, 2016)

Signaalinkäsittely rannetietokoneessa mahdollistaa myös uusien muuttujien laskemi-

sen. Sykemittauksesta tehtävän analyysin avulla voivaan arvioida muun muassa urhei-

lijan hengitystiheys (Hirsch et. al., 1981).

2.2 Palautumisen seuranta

Palautumisen seuranta voi perustua esimerkiksi sykkeestä ja sykevälivaihtelusta teh-

täviin analyyseihin. Sykkeen mittaaminen tapahtuu yöllä (esim. Emfit, 2016 &

Firstbeat, 2016). Kerätystä tiedosta lasketaan sykevälivaihtelun määrä ja tehdään ana-

lyysiä vaihtelun taajuuksista. Muutosten ja tasojen avulla pystytään määrittelemään

esimerkiksi urheilijan kokonaisrasituksen tasoa ja palautumista yön aikana. (Bosquet,

2003)

Palautumisen seurantaan on kehitetty sykemittauksen lisäksi myös muita mittauksia.

Aivojen toimintaan liittyvät (esim. Omegawave, 2016) tai hermoston johtumisnopeut-

tamittaavat (esim. Checkmylevel, 2016) ovat kaupallisesti saatavilla. Kuvassa 4 esite-

tään aivoista tehtävä mittaus, jossa mitattava lepää mittauksen ajan. Testin lopullinen

tulos saadaan yhdistämällä aivojen toiminnasta saatu tieto syketietoon testin ajalta

(Omegawave, 2016).

8

Kuva 4. Omegawaven mittauksessa aivoista mitattu tieto yhdistetään syketietoon. (Omegawa-

veb, 2016)

2.3 Mittausten analysointi

Harjoitusten analysointi tapahtuu usein laitevalmistajien tarjoamilla ohjelmistoilla.

Ohjelmistot näyttävät mitatut muuttujat ja laskevat erilaisia tunnuslukuja harjoituk-

seen liittyen. Esimerkiksi Suunto tarjoaa käyttäjilleen Movescount-palvelun (kuva 3;

Movescount, 2016), kun taas Garminin vastaava palvelu on nimeltään Garmin Con-

nect (Connect, 2016). Tarjolla on myös kolmansien osapuolien palveluita, joilla har-

joituksia voi analysoida. Esimerkiksi Strava-palvelu (Strava, 2016) tarjoaa työkaluja

oman suorituksen analysointiin ja suoritusten vertailuun muiden urheilijoiden kanssa.

Goldencheetah (Goldencheetah, 2016) on analysointiohjelma, jota kehitetään vapaan

ohjelmistokoodin periaatteella ja se tarjoaa kattavan valikoiman erilaista laskentaa ja

tunnuslukuja ohjelmaan ladatuista harjoituksista.

Harjoituksen kuormittavuutta arvioidaan monella erilaisella tunnusluvulla. Yksi yleis-

tynyt tunnusluku harjoituksen kuormittavuudesta on Training Stress Score (TSS)

(Trainingpeaks, 2016). Laskentaa käytetään yleisesti Garminin (Garmin, 2016) lait-

9

teissa ja se on saatavilla myös muiden valmistajien laitteisiin. Laskenta voidaan suo-

rittaa harjoituksesta tehdystä tehomittauksesta tai harjoituksen sykedatasta. Kaavassa

1 on esitetty TSS-laskenta (Training Stres Score) harjoituksesta mitatusta tehosta:

(Trainingpeaks, 2016)

TSS = (duration x NP x IF)/(FTP x 3600) x 100 (1)

Kaavassa 1 harjoituksen kesto kerrotaan NP:llä (Normalized Power) ja IF:llä (Intensity

Factor). Saatu tulos jaetaan FTP:llä (Fatigue Treshold Power), joka on kerrottu tunnilla

sekunteina. Lopuksi saatu tulos kerrotaan sadalla. Saatu tulos kuvaa harjoituksen ra-

sittavuutta yhteismitallisen arvona. (Trainingpeaks, 2016)

Suorituksen aikaisen rasittavuuden arviointi vaihtelee valmistajittain ja palveluittain.

Mitatuista arvoista voidaan esimerkiksi pyöräilyssä laskea myös useita muita tunnus-

lukuja esimerkiksi aerodynamiikkaan tai hapenkulutukseen liittyen (esim. Golden-

cheetah, 2016). Ongelmana erilaisissa rasittavuuden arvioivissa ja vastaavissa tunnus-

luvuissa on, että tunnusluvuista on harvoin tehty kattavaa tieteellistä arviointia

(Düking, 2016).

2.4 Muita sovelluskohteita

Aiemmissa luvuissa esitetyt mahdollisuudet ovat esimerkkejä siitä mitä on tällä het-

kellä kaupallisesti saatavilla. Kaikki edellä mainitut mittaukset ovat urheilijan itsensä

suoritettavissa ja tulkinta on mahdollista ilman asiantuntijan apua. Sensorijärjestel-

millä on kuitenkin mahdollista mitata monimutkaisempia ilmiöitä, mutta näissä tueksi

tarvitaan asiaan perehtynyt ammattilainen tai menetelmät ovat vielä yleisesti kaupalli-

sesti hyödyntämättä. Sensorijärjestelmät tarjoavat myös välinevalmistajille mahdolli-

suuden kehittää omia tuotteitaan tai lisätä älykkyyttä markkinoilla oleviin välineisiin.

Suoritusta voidaan mitata urheiluvälineestä (luku 2.4.1) tai teknologia voi tarjota mah-

dollisuuden harjoitella aiempaa realistisemmin virtuaaliympäristössä sisätiloissa (luku

2.4.2). Teknologialla voidaan lisäksi parantaa urheilijoiden turvallisuutta (luku 2.4.3).

10

2.4.1 Suorituksen mittaaminen urheiluvälineistä

Urheiluvälineiden mittaaminen antaa tärkeää tietoa urheilijan tekniikasta ja ohjaa val-

mennusta. Kuvassa 5 esitetään jääkiekkomailan sisältämät sensorit. Maila on kehitetty

tutkimuskäyttöön. Sensoreiden avulla pystytään mittaamaan mailan taipuma, alakäden

sijainti ja mailan liike. Lopputuloksena mailan käyttäjän tekemä liike voidaan luoki-

tella ja esittää tarvittavat muutokset harjoitteluun, jotta käyttäjän laukaukset olisivat

tulevaisuudessa tehokkaampia. (Hardegger et al., 2015)

Kuva 5. Sensoreita sisältävä jääkiekkomaila. Sensorit eivät näy ulospäin, koska

ne on piiotettu mailan sisään tai peitetty teipillä. (Hardegger et al., 2015)

11

Vastaavanlainen urheiluvälineen mittaaminen on mahdollista myös muissa lajeissa.

Esimerkiksi tenniksessä mailan liikkeitä on mahdollista mallintaa 3D-inertiasensorin

avulla (Ishikawa et al., 2015). Lisäksi välineen vaikutusta toiseen välineeseen, kuten

tennismailan vaikutusta tennispalloon, voidaan mitata videoanalyysin avulla (Zhou et

al., 2015). Urheilijasta tehtävien mittausten lisäksi analysoimalla molemmat, sekä mai-

lanliike että aiheutettu vaikutus palloon, antaa mahdollisesti uuden lisäulottuvuuden

urheilijan valmennuksen kehittämiselle.

2.4.2 Harjoittelu virtuaaliympäristössä

Erilaisia virtuaaliympäristöjä voidaan käyttää urheilusuoritusten harjoitteluun. Sovel-

luksia voidaan esimerkiksi hyödyntää joukkueurheilussa erilaisten tilanneskenaarioi-

den harjoitteluun tai maalivahdin kouluttamiseen (Bideau et al., 2010). Virtuaaliym-

päristöjä voidaan myös käyttää kestävyysurheilussa. Kajaanin ammattikorkeakoulun

ja Jyväskylä yliopiston yhteistyönä kehitytyssä Coachtechissä (Sport, 2016) hiihtäjät

voivat harjoitella mallinnetuissa maastoissa. Mallintamista voidaan soveltaa esimer-

kiksi tulevien arvokisojen maastoihin tutustumiseen. Rasitus saadaan aikaan rullahiih-

tämällä juoksumatolla. Nopeuden ohjaus tapahtuu Microsoftin Kinect 1 -laitteen

avulla, joka tunnistaa hiihtäjän sijainnin matolla ja säätä nopeutta tarpeen mukaan.

(Nurkkala et al., 2012)

2.4.3 Vammojen ehkäisy

Puettavat sensorijärjestelmät voivat olla avainasemassa kun urheiluvälineitä kehite-

tään paremmiksi. Esimerkiksi suojavarusteet ovat tärkeä osa urheilijan turvallisuutta.

Sensorijärjestelmän avulla, joka mittaa kiihtyvyyttä urheilijan kypärästä, voidaan ke-

hittää parempia materiaaleja urheilijan suojaksi pelitilanteisiin. Testaaminen voidaan

tehdä mallintamalla otteluista mitattuja voimia ja tilanteita mallinukkea apuna käyt-

täen. (Andersson, 2015)

12

3 TOTEUTUS

Sensorien avulla tapahtuva mittaaminen on mahdollista urheilussa todella erilaisissa

tilanteissa. Ongelmien kompleksisuus vaihtelee suoraan hyödynnettävistä muuttujista

erittäin kompleksisiin analyyseihin, joissa täysin väärä tulkinta on mahdollista. Myös

käytettävillä laitteilla on laajalti erilaisia haasteita, jotka vaihtelevat sensoreiden pai-

kallaan pysymisestä aina olosuhteiden vaikutuksiin ja kontaktien kestävyyteen.

Tässä luvussa esitellään sensorijärjestelmien suunnitteluun liittyviä haasteita (luku

3.1) ja kuvataan tekijöitä, joita tulee ottaa huomioon järjestelmien suunnittelussa (luku

3.2). Luvussa 3.3 esitellään datan hallintaan liittyviä ongelmia. Signaalinkäsittely

(luku 3.4) on tärkeä osa oikein mittavan järjestelmän rakentamisessa, kuten myös ak-

tiviteetin tunnistus (luku 3.5), joka on pohjana esimerkiksi energiankulutuksen lasken-

nassa. Luvun lopussa keskitytään erilaisiin sensoreihin (luku 3.6), mittaaviin tekstii-

leihin (luku 3.7) ja sensoreiden mittaamiseen liittyviin virheisiin (luku 3.8).

3.1 Sensorijärjestelmien haasteet urheilussa

Urheilusuoritusten mittaamisessa yhdistyvät monenlaiset haasteet. Suoritukset teh-

dään usein ääriolosuhteissa ja ne voivat olla hyvinkin pitkiä. Usein käytössä ei ole

Internet-yhteyttä vaan laskenta ja tarkastukset joudutaan suorittamaan rannetietoko-

neessa. Oman haasteensa tuo myös mittausjärjestelmän kiinnitys ihmiseen. Ihminen

esimerkiksi liikkuu, muuttaa lämpötilaa, hikoilee ja lisäksi estää tehokkaasti signaalien

etenemisen. Sensorijärjestelmiä rajoittavat useasti myös tarkat kokovaatimukset ja ra-

joitukset energiankulutuksen suhteen. Puettavien sensorijärjestelmien haasteita urhei-

lussa ovat vaativa ympäristö, kokovaatimukset, energiarajoitteet, reaaliaikaisuuden

vaatimukset, fyysiset iskut, tärähdykset, kosteus, hikoilu ja lämmönvaihtelu. (James et

al., 2016)

13

3.2 Puettavat sensorijärjestelmät

Sensorijärjestelmä rakentuu kerroksista. Eri kerroksiksi voidaan erottaa sensorit, sig-

naalin käsittely, tiedon tallennus, virankulutus, tiedonsiirto, tiedonprosessointi ja tie-

don esittäminen (kuva 6). (James et al., 2016)

Kuva 6. Sensorijärjestelmän rakennuspalikat. (James et al., 2016)

Sensorijärjestelmien suunnittelussa tulee ottaa huomioon seuraavia asioita:

Virrankulutus (luku 3.2.1), joka määrittää laitteen toiminta-ajan.

Tiedon tallennus (luku 3.2.2) ja tiedonsiirto (luku 3.2.3) ovat myös laitteiden

rajoittava tekijöitä, mikäli niitä ei ole suunniteltu vastaamaan laitteen tarpeita.

Luvun lopuksi esitellään (luku 3.2.4) järjestelmien kotelointiin ja palautteeseen

liittyvät periaatteet.

3.2.1 Virrankulutus

Virrankulutus on suunniteltava huolellisesti. Tyypillisesti kulutus lasketaan vertaa-

malla akun kapasiteettia laitteiden kulutukseen. Esimerkiksi jos akun kapasiteetti on

100 mAh ja laitteiston yhteenlaskettu kulutus on 100 mA tarkoittaa se, että laitetta

voidaan käyttää kyseisellä akulla tunnin ajan. Taulukossa 1 esitetään suuntaa antavia

arvioita eri komponenttien virrankulutuksesta ja akun kapasiteetista. (James et al.,

2016)

14

Komponentti: Lepokulutus: Aktiivinen kulutus:

Mikro-ohjain 1 µA 25 mA

Kiihtyvyysanturi 10 µA 250 µA

Gyroskooppi 5 µA 6.5 mA

LCD-näyttö

Liquid Crystal

Display)

25 mA

Radiovastaanotin 0.14 mA

SD-muistikortti

(Secure Digital)

0.1 mA

LiPo-akku

(Lithium Poly-

mer)

120 mAh

Taulukko 1. Esimerkkejä komponenttien virran kulutuksesta. (James et al., 2016)

3.2.2 Tiedon tallennus

Muistien halpenemisen myötä suuremmat tallennusnopeudet ovat yhä houkuttelevam-

pia, mutta samalla se tarkoittaa myös suurempaa energiankulutusta tallennusmäärän

lisääntyessä ja prosessorin vaatimusten kasvaessa. Tallennustaajuuden päättämistä

varten on hyvä tuntea mitattava ilmiö ja muistien toiminta, jotta haluttu tieto tallenne-

taan oikein. Signaalia voidaan myös esikäsitellä ennen tallentamista, jotta tallennus-

määrä pysyy mahdollisimman pienenä. (James et al., 2016)

3.2.3 Tiedonsiirto

Reaaliaikainen pääsy mittaustuloksiin on yleensä tarpeellista urheilusuorituksen mit-

taukseen käytetyissä sensorijärjestelmissä. Tämän vuoksi vähän virtaa kuluttavat lan-

gattomat teknologiat ovat paljon käytettyjä. Langattoman tiedonsiirron rakentamiseen

ratkaisuja on kaksi. Epästandardi viestintä protokolla tarjoaa mahdollisuuden kehittää

juuri kyseisen ongelman ratkaisuun kehitetyn ratkaisun. Standardi protokolla puoles-

taan mahdollistaa nopean kehitys työn, koska kehitystyötä ei tarvitse aloittaa alusta.

Standardi protokolla tarjoaa myös maailman laajuisen yhteensopivuuden ja yleensä

15

useita tavarantoimittajia, jolloin laitteen ylläpito on helpompi varmistaa pitkälle tule-

vaisuuteen. (James et al., 2016)

IEEE (Institute of Electrical and Electronics Engineers) on standardointiyhdistys, joka

on ratifioinut useita tietoverkkostandardeja. Näiden joukkoon kuuluu yleisesti tunnetut

standardit kuten Bluetooth, Zigbee ja Wi-Fi/WLAN (Wireless Fidelity / Wireless Lo-

cal Area Network) (IEEE, 2016). IEEE-standardien ulkopuolelta tulevista standar-

deista ANT+ on erittäin suosittu erilaisissa urheiluun liittyvissä sovelluksissa.

Bluetooth-tekniikan ja ANT:in keskeinen ero on, että Bluetooth käyttää isäntä-/orja-

topologiaa, jossa kuuntelijoiden määrä on rajoitettu yhteen laitteeseen, kun vastaavasti

ANT+ mahdollistaa useiden laitteiden kuuntelun samanaikaisesti. (Ant, 2016 & IEEE,

2016).

3.2.4 Palaute ja kotelointi

Sensorijärjestelmät voidaan myös valjastaa antamaan palautetta mitattujen arvojen

mukaan reaaliajassa. Rannetietokoneet voivat ilmoittaa saavutetuista tavoitteista ää-

nellä tai värinähälytyksellä (Spartan, 2016). Myös uimalasit voivat pitää uimarin oike-

assa suunnassa ohjaamalla uimaria valojen avulla (kuva 7) (Oncoursegoggles, 2016).

Kuva 7. Lasit ohjaavat uimaria reaaliajassa mitattujen

arvojen mukaan. (oncoursegoggles, 2016)

16

Laitteen koteloinnin suunnittelu on viimeinen askel tuotteen toteutuksessa. Suunnitel-

lussa on otettava huomioon niin komponenttien tilavaatimukset, kuin käyttöön liittyvät

rajoitukset. Sensorit voidaan myös upottaa esimerkiksi kankaaseen, jolloin vaatimuk-

set poikkeavat perinteisistä ratkaisuista. (James et al., 2016)

3.3 Datan käsittely

Riippuen sensoreiden määrästä sensorijärjestelmä voi tuottaa hyvin suuria määriä da-

taa. Esimerkiksi 16 bitin resoluutiolla ja 100 MHz:in näytteenottotaajuudella tallen-

nettu kuuden sensorin verkko tuottaa tunnissa dataa reilun 4 Mt:n verran. Jos järjes-

telmä sisältää useita pisteitä, joissa sensoreiden määrä on vastaava, kasvaa datan määrä

nopeasti ja datan käsittelyn tärkeys korostuu. Data määrää voidaan pienentää mittaus-

paikalla laskemalla mittaustaajuutta tai ilmoittamalla absoluuttisten arvojen sijaan esi-

merkiksi kahden sensorin välisten mittausten välinen ero. Sensoreilta tulevan datan

käsittely voi tapahtua älypuhelimen sovelluksessa, rannelaitteessa tai pilveen tallen-

nuksen jälkeen palvelimella. Yksinkertaisimmillaan kerätty data käsitellään käyttäjän

toimesta taulukkolaskentaohjelmalla. (James et al., 2016).

Datan käsittelyyn käytettävät algoritmit riippuvat käytetystä sensorista tai halutusta

tunnistuksesta. (esim. Lin et al., 2012 & Dadashi et al., 2012 & Fortune et al., 2014).

Esimerkiksi askelten tunnistuksen ja käyttäjän energian kulutuksen laskentaan käy-

tetty aktiviteetin tunnistus sisältää kolme vaihetta (kuva 8): datan käsittely, aktiviteet-

tien luokittelu ja päätöksen tekeminen. Laskennan luotettavuutta voidaan parantaa

käyttämällä oppivia neuroverkkoja apuna laskennan eri vaiheissa. (Lin et al., 2012 &

Susi et al., 2013)

17

Kuva 8. Tiedon käsittelykaavio neuroverkkoavusteisessa

askeleita tunnistavassa järjestelmässä. (Susi et al., 2013)

3.4 Signaalinkäsittely

Sensoreista tulevat signaalit sisältävät usein sensorille tyypillisiä, liikkeen aiheuttamia

tai sähkön aiheuttamia virheitä. Virheen vaikutusta voidaan välttää vahvistamalla ja

poistamalla vinoutumat. Signaalia suodattamalla signaalista saadaan poistettua tar-

peettoman matalat ja korkeat taajuuden. Suodattaminen on tärkeää signaalien nollata-

sojen saamiseksi oikeaan kohtaan (kuva 9). (Lin et al., 2012)

Kuva 9. ECG-signaalin (Electrocardiography) käsittelyvaiheet. (Lin et al., 2012)

18

Signaalin suodatuksen tarve riippuu mitatusta sensorista. Kuvassa 9 esitetyssä tapauk-

sessa ECG-signaali on suodatettu kolmella eri suotimella. Yli- (0.5 Hz) ja alipääs-

tösuotimet (100 Hz) ovat käytössä turhan informaation poistamiseksi ja nollatason

asettamiseksi oikein. Kapeapäästösuotimella poistetaan verkkovirrasta johtuva ko-

hina. (Lin et al., 2012) Kiihtyvyysanturilla mitatessa ihmisen aiheuttamat liikkeet ovat

harvoin yli 15 Hz:in taajuudella, joten tämän taajuuden yli olevat taajuudet voidaan

suodattaa pois (Mathie, 2003).

3.5 Aktiviteettien tunnistus

Aktiviteettien luokittelu tehdään suodatetulle datalle. Luokittelun tarkoituksena on es-

tää virheellinen laskenta. Luokittelun avulla voidaan estää esimerkiksi askelten las-

kennan yrittäminen käyttäjän istuessa. Askelmittarin yhteydessä luokittelu voi sisältää

neljä eri tilaa: (Susi et al., 2013)

Käyttäjä on paikallaan.

Käyttäjä on paikallaan, mutta epäsäännöllisiä liikeitä esiintyy.

Käyttäjä liikkuu vakaasti.

Käyttäjä liikkuu, mutta liikkeessä on epäsäännöllisyyksiä.

Päätöksenteon tukena voidaan käyttää oppivia neuroverkkoja tai yksinkertaisempaa

päätöksentekopuuta (Susi et al., 2013 & Lin et al., 2012).

Askeleen tunnistuksen haasteellisuus riippuu anturin sijoittelusta. Helpoimmillaan

kenkään sijoitetun inertiasensorin avulla askeleet voidaan tunnistaa suodatuksen jäl-

keen tunnistamalla paikalliset minimit ja maksimit kiihtyvyysdatasta. Haasteellisuutta

tunnistukseen tuo se, jos inertiasensori on sijoitettu käteen, koska tällöin esimerkiksi

puhelimen käyttö voi vaikuttaa signaaliin (Susi et al., 2013). Ongelman ratkaisuun on

sovellettu myös monimutkaisempia algoritmeja, kuten neliöllistä diskriminantti-

analyysiä tai Hidden Markov -metodia. (Pober et al., 2006)

Energiankulutuksen arviointi inertiasensoreilla ei ole yksinkertainen tehtävä (taulukko

2). Lopputulos riippuu sensorin sijoittelusta ja mittauksen aikana suorituista aktivitee-

19

teistä. Ranteesta tapahtuva mittaus aliarvioi pyöräilyn kulutusta, koska liikettä ei ta-

pahdu käsien ollessa kiinni tangossa. Paras tulos energian kulutukseen saadaan, jos

inertiasensori on kiinnitettynä jalkaan ja mittausta tuetaan painepohjallisilla, jotta is-

tuminen ja seisominen voidaan luotettavasti erottaa. (Dannecker et al., 2013 & Sasaki

et al., 2015)

Taulukko 2. Aktiivisuumittarilla (Fitbit) ja hapenkulutukseen perustuvan

(Oxycon) menetelmän vertailu energian kulutuksessa. (Sasaki et al., 2015)

3.6 Sensorit

Sensoriteknologia kehittyy tällä hetkellä nopeasti. Urheilussa käytettävät sensorit voi-

daan kiinnittää vaatteisiin tai sijoittaa esimerkiksi välineisiin. Sensorit voivat olla

myös integroituna esimerkiksi rannetietokoneeseen. Sensorin sijoituspaikka riippuu

siitä mitä sensorilla halutaan mitata.

Tässä luvussa esiteltävät sensorit on jaettu luokkiin niiden käyttötarkoituksen mukaan:

Voimaa ja painetta mittaavat sensorit (luku 3.6.1), Inertiasensorit (luku 3.6.2) ja optiset

sensorit (luku 3.6.3) on esitelty erillisissä osioissa. Lopuksi lukuun 3.6.4 on koottu

sensoreita, joita lisäksi esiintyy puettavissa järjestelmissä.

3.6.1 Voiman ja paineen mittaaminen

Voimaa ja painetta voidaan mitata venymäliuskojen ja voima- tai paineanturien avulla.

Venymäliuskoilla mittaaminen tapahtuu liittämällä liuska esimerkiksi metalliin, jonka

taipuma on lineaarinen voiman lisäyksen suhteen. Liuska kiinnitetään muutosalueelle

20

ja liuskan pituuden muutos aiheuttaa mitattavan muutoksen liuskan jännitteessä. (Cut-

more et al., 2007)

Voima-anturi pystyy mittaamaan voimia, jotka kohdistuvat eri suunnista. Voimalevy

on hyvä esimerkki voima-anturien käytöstä. Levyt koostuvat yleensä neljästä nurkkiin

kiinnitetyistä kolmiakselisista antureista, jotka pystyvät mittaamaa vertikaalisen voi-

man lisäksi myös horisontaalista voimaa x- ja y-akseleilla. Voima-anturista on ole-

massa myös pienempiä versioita, jotka voidaan integroida esimerkiksi pyöräilijän pol-

kimiin tai alppihiihtäjän siteisiin. (James et al., 2016)

Voimaa voidaan mitata myös Pietsokapasitiivisillä antureilla. Verrattuna voima-antu-

riin Pietsoanturi toimii paremmin nopeissa tilanteissa kun voimien muutokset ovat

suuria. Rajoitteena on kuitenkin tulosten muuttuminen pitkien mittausten aikana ja

tekniikan vaatima suurikokoinen vahvistin. (Cutmore et al., 2007)

Paineen mittaaminen voi tapahtua kapasitiivisen tai resistanssisen mittauksen avulla.

Kapasitiivinen anturi mittaa kahden varautuneen materiaalin jännityksen muutosta,

kun niiden välissä oleva dielektrinen materiaali muuttuu pintojen välissä paineen vai-

kutuksesta. Resessiivinen mittaus puolestaan perustuu sähköjohtavan polymeerin jän-

nitteen muutoksiin paineen vaikutuksesta. Paineen mittaaminen onnistuu myös pietso-

sensoreilla, joiden muodostama sähkökenttä vaihtelee paineen mukaan. Viimeisin tek-

nologia paineen mittaukseen on MEMS -mikrosysteemit, Micro Electro Mechanical

Systems). Tekniikalla voidaan rakentaa kapasitiivinen paineanturi, jonka koko on

muutamia millimetrejä, mutta sensori omaa hyvät mittausominaisuudet. (James et al.,

2016) MEMS-tekniikkaa on käytetty onnistuneesti esimerkiksi kankaaseen integroi-

tuna. (Shu et al., 2010)

3.6.2 Inertiasensorit

Inertiasensoreita ovat kiihtyvyysanturit, gyroskoopit ja magnetometrit. Sensoreita käy-

tetään lähinnä ihmisen liikkeiden mittaamiseen. Myös inertiasensorit pystytään teke-

mään aiempaa pienemmiksi MEMS-teknologian avulla. Kiihtyvyysanturin avulla mi-

tataan nopeuden derivaatta eli nopeuden muutos. Gyroskooppi mittaa kulman muu-

tosta. Integroimalla magnetometri mukaan inertiasensoriin saadaan arvioitua sensorin

21

asento suhteessa paikalliseen magneettikenttään. Inertiasensorit perustuvat usein Piet-

soteknologiaan tai venymäliuskoihin (Kavanagh et al., 2008).

Inertiasensorien avulla voidaan tehdä arvioita esimerkiksi kävelyn tutkimiseen. Inerti-

asensoreiden avulla voidaan arvioida askeltiheyttä, askeleen pituutta ja kävelyn tuot-

tamia voimia (Kavanagh et al., 2008). Inertiasensoreiden käyttö ei rajoitu maalla ta-

pahtuvaan liikuntaan, vaan inertiasensoreilla mitatun tiedon perusteella voidaan arvi-

oida myös uimarin nopeutta (Dadashi et al., 2012).

3.6.3 Optiset sensorit

Valoa voidaan havaita optisen anturin avulla. Havaittu valo muutetaan sensorissa säh-

köiseksi signaaliksi. Muunnettava valo voi olla peräisin suorasta tai heijastuvasta koh-

teesta. Hyvä esimerkki optisen sensorin käytöstä on fotopletysmografia. Tekniikassa

infrapunavaloa johdetaan ihmisen iholle. Veren punasolut saavat aikaan muutoksen

valon spektrissä, joka voidaan havaita optisen sensorin avulla. (Cutmore et al., 2007)

3.6.4 Kulman ja etäisyyden mittaaminen

Kulmaa voidaan mitata joko kontaktilla tai ilman. Kontaktin kanssa tapahtuva mittaa-

minen tapahtuu potentiometrin avulla eli kulman muutos aiheuttaa etäisyyden muu-

toksen potentiometrissä, joka voidaan mitata. Ilman kontaktia tapahtuva mittaaminen

perustuu laserin avulla tapahtuvaan etäisyyksien mittaamiseen (James et al., 2016).

3.6.5 Muita käytössä olevia sensoreita

Global Navigation Satellite System (GNSS) voi perustua kahteen eri tekniikkaan. Glo-

bal Positioning System (GPS) on USA:n vaihtoehto paikannukseen, kun taas Global

Navigation Satellite System (GLONASS) on Venäjän vastaava järjestelmä. GNSS-

sensorit eivät toimi sisätiloissa tai veden alla. Myös vahva kasvillisuus tai rakennukset

voivat aiheuttaa virhettä ulkotiloissa. Sensori on hyvä nopeuden mittaamiseen ja paik-

katiedon hankkimiseen. Kiihtyvyyteen liittyvää virhettä voidaan korjata esimerkiksi

kiihtyvyysanturien avulla. (Düking et al., 2016)

22

Sykkeen (HR) ja elektromyografian (EMG) mittaaminen perustuu potentiometriseen

mittaukseen. Sensorit mittaavat jänniteeroa aktiivisen ja neutraalin elektrodin välillä.

Esimerkiksi EMG-mittauksessa lihaksen tuottama sähkö muuttaa jännitettä aktiivisen

ja ei-aktiivisen osan välillä ja ero on mitattavissa ihon pinnalta. (Cutmore et al., 2007)

3.7 Mittaavat tekstiilit

Mittaavilla tekstiileillä tarkoitetaan sellaisia tekstiilejä, joihin on integroitu erilaisia

sensoreita mittaamaan erilaisia ilmiöitä. Mittaavat tekstiilit voivat mitata istujan muo-

dostamaa painetta tuolissa ja tehdä havaintoja istujan asennosta (Meyer et al., 2010).

Paita, jonka tekstiiliin on lisätty hengitystä mittaava sensori, voi tehdä havaintoja käyt-

täjän hengitystiheydestä päivän aikana (Mitchell, 2010). Mahdollista on myös tutkia

itse kankaassa tapahtuvaa muutosta. Alppihiihtoasujen kehittämisen helpottamiseksi

on kehitetty kangas, joka arvioi aerodynamiikkaa suorituksen aikana (Oggiano, 2013).

3.8 Sensoreiden valinta

Kuvassa 10 esitetään neljä erilaista sensorin vastetta mitattuun ilmiöön. Ideaalissa ti-

lanteessa sensori reagoi lineaarisesti ilmiön kanssa. Ongelmia voivat aiheuttaa kohina,

hystereesi ja mittaustuloksen epälineaarisuus. Nämä tekijät tulee ottaa huomioon jär-

jestelmässä esimerkiksi kalibroinnilla tai mittaustulosten jälkikäsittelyllä. (D’Amigo

et al., 2001 & James et al., 2016)

23

Kuva 10. Sensorin mittaamiseen liittyviä hyviä ja huonoja ominaisuuksia. (James et al., 2016)

Epätarkkuutta mittauksiin voi syntyä useasta syystä. Samaan aikaan tapahtuva muu

fysikaalinen ilmiö voi vaikuttaa mittaustulokseen. Esimerkiksi sykettä mitatessa täy-

tyy lihaksen tuottama sähköinen reaktio ottaa huomioon, jotta syke mitataan oikein.

Myös ulkoinen tekijä, kuten lämpötila, voi vaikuttaa mittauksen tulokseen. Esimer-

kiksi venymäliuskan mittaama jännite voi muuttua vuoristossa tai olosuhteiden muu-

ten muuttuessa voimakkaasti. Muutos lämpötilassa vääristää esimerkiksi pyöräilyssä

tehomittarin antamaa lukemaa, jos sitä ei korjata. Sensorien valinnassa tulee lisäksi

painottaa mahdollisimman suoraa mittausta, vaikka se ei kuitenkaan aina ole mahdol-

lista. Jos tulokset joudutaan laskemaan epäsuorasti mitatusta arvosta, virhelähteiden

vaikutus lopulliseen arvoon voi olla merkittävä. Esimerkiksi integraalin laskeminen

epälineaarisen virheen sisältävästä mittauksesta voi aiheuttaa kelvottoman lopputulok-

sen. (James et al., 2016)

24

4 SOVELLUKSET

Tässä luvussa esitellään kaupallisia sovelluksia erilaisten ongelmien ratkaisemiseen ja

pyritään luomaan kuvaa siitä mitä ilmiöitä urheilussa tällä hetkellä mitataan sekä ana-

lysoidaan. Kaupallisista tuotteista ei ole saatavilla tarkkoja tietoja käytetyistä kom-

ponenteista tai algoritmeista, mutta luvun tarkoitus on kartoittaa ongelmat mitä tällä

hetkellä saadaan ratkaistua.

Luvun aluksi esitellään tällä hetkellä tarjolla olevat rannetietokoneiden lippulaiva mal-

lit (luku 4.1). Luvussa 4.2 esitellään sensorialustoja, jotka ovat tarjolla erilaisiin käyt-

tötarkoituksiin tai käyttötarkoitus on muokattavissa. Seuraavat luvut keskittyvät eri-

laisten sensorien mahdollistamiin mittauksiin. Luvussa 4.3 esitellään voimaa ja pai-

netta mittaavien sensoreiden mahdollistamat sovellukset. Luku 4.4 käy läpi inertiasen-

soreihin perustuvia ratkaisuja. Optisiin sensoreihin liittyvät ratkaisut esitellään luvussa

4.5. Ratkaisuja, joita ei voi laittaa helposti perustumaan yksittäisten sensorien käyttöön

on koottu lukuun 4.6. Omat luvut on varattu myös turvallisuutta lisääville (luku 4.7)

ja tekstiileihin integroiduille (luku 4.8) sovelluksille. Luvun lopussa (luku 4.9) esite-

tään vielä yhteenveto sovellusten ominaisuuksia.

4.1 Rannetietokoneet

Rannetietokoneista käsitellään tämän hetken lippulaivamalleja: Suunto Spartan (Spar-

tan, 2016), Polar V800 (V800, 2016) ja Garmin Fenix 3 (Fenix, 2016). Rannetietoko-

neissa käytetään laajaa määrää erilaisia sensoreita. Taulukossa 3 listataan sensorit,

joita tämän hetken rannetiekoneissa käytetään. Rannetietokoneiden toiminnot voidaan

jakaa kahteen luokaan: Suorituskyvyn mittaaminen ja aktiivisuuden arviointi. Ranne-

tietokoneet pystyvät myös palvelemaan älykellomaisesti esimerkiksi välittämällä pu-

helimen ilmoituksia.

25

Rannetietokoneiden sensoreita: Käyttö:

Kiihtyvyyssensori Liike, frekvenssi, aktiivisuus ja unenlaatu

Gyroskooppi Kompassi

Satelliittipaikannus (GPS ja

GLONASS)

Nopeus, paikannus ja navigointi

Korkeusmittari (barosensori) Korkeus, nousumetrit ja säävaroitukset

Rintavyö (HR ja kiihtyvyysanturi) HR (Heart rate), HRV (Heart Rate Varia-

tion) ja RR(Respiration Rate)

Lämpösensori Ympäristön lämpö

Photoplethysmografi Syke

Taulukko 3. Tämän hetken parhaista rannetietokoneista löytyvät sensorit. (Spartan, 2016;

V800, 2016; Fenix, 2016)

Urheilusuorituksiin liittyvistä mittauksista keskeiset on listattu taulukkoon 3. Ranne-

tietokone pystyy laskemaan reaaliajassa juoksijan askelrytmin. Rannetietokone pystyy

myös korjaamaan mitattuja arvoja toisen sensorin datalla. Esimerkiksi Suunto Fu-

sedSpeed -toiminto korjaa GPS-sensorin huonoa kiihtyvyyden arviointia käyttämällä

kiihtyvyysanturin tietoa. Suunto toimii samalla tavalla myös vertikaalisuuntaan tapah-

tuvissa mittauksissa eli korjaa GPS:n heikompaa muutokseen reagointia barosensorin

tiedoilla FusedAlti-toiminnossa (kuva 11). (Suunto, 2016)

Kuva 11. Suunto Spartan näyttää käyttäjän etenemisen ennalta tallennetulla reitillä. (Spartan,

2016)

26

Aktiivisuutta ilmoitetaan, joko askeleina tai suoraan kalorien kulutuksena. Aktiivisuu-

den mittaaminen perustuu paljolti kiihtyvyysanturin antamaan tietoon, josta askelten

määrä voidaan arvioida. Rannetietokoneet voivat myös arvioida unenlaatua samaan

menetelmään perustuen. Garmin Sleeptrack tallentaa käyttäjän liikkeet yön aikana ja

antaa arvion unenlaadusta aamulla. (Fenix, 2016)

Liitettävyys rannetietokoneissa tapahtuu molempiin suuntiin, ts. rannetietokoneeseen

voidaan liittää lisää sensoreita, joiden lähettämä data tallennetaan kelloon. Toisaalta

rannetietokoneet voidaan liittää älypuhelimeen tai tietokoneeseen tietojen eteenpäin

lähettämistä varten. Käsitellyssä olevissa malleissa yleisin radio on Bluetooth, joka

löytyy kaikista tarkastelluista malleista. Garmin Fenix 3 -rannetietokoneesta löytyvät

lisäksi myös ANT+- ja WLAN-radiot. (Fenix, 2016)

4.2 Sensorialustat

Joukkueurheiluun on tarjolla ilman näyttöä olevia alustoja kuten Prozone ja Viperpod.

Sensorialustat keräävät tietoa pelaajan sijainnista, liikkeistä ja fysiologisista muuttu-

jista, kuten sykkeestä. Tietoja voidaan seurata reaaliajassa pelin aikana. Pelin jälkeen

taktisia tapahtumia voidaan analysoida suoraan digitaalisessa muodossa. (Prozone,

2016 & Viperpod, 2016)

Hiihtäjille on tarjolla sensorialusta, joka mittaa olosuhdemuuttujia ja hiihtäjän liikkeitä

(kuva 12). Monoon kiinnitettävä laite sisältää muun muassa inertiasensorit, GNSS-

sensorin ja lämpösensorit lumen sekä ilman lämpöä varten. Mitattu tieto on tarkastel-

tavissa reaaliajassa mobiilisovelluksen kautta. Jälkikäteen analyysi voidaan tehdä

myös tietokoneella, jossa tallennusta voidaan tarkastella itse luotujen segmenttien mu-

kaan. (Skioot, 2016)

27

Kuva 12. Skiiot mittaa hiihtäjää ja olosuhteita. (Skioot, 2016)

4.3 Voimaa ja painetta mittaavat sensorit

Tehomittaus on vakiinnuttanut paikkansa erityisesti pyöräilyssä. Mittaaminen voi ta-

pahtua kammista (esim. Stages, 2016), polkimista (esim. Keo, 2016 & Garmin, 2016),

takarenkaan keskiöstä (esim. Powertap, 2016) tai poljinkeskiöstä (esim. SRM, 2016 &

QUARQ, 2016). Mittaaminen tapahtuu voimasensorien avulla, mutta esimerkiksi Sta-

ges käyttää lämpömittaria ja kiihtyvyysanturia lopullisen teholukeman laskemisessa.

Tehon mittaukseen tarkoitetut sensorit liitetään normaalisti rannelaitteeseen. Mittarei-

hin on kuinkin tarjolla myös mobiilisovellus, jonka avulla hoidetaan mittarin päivittä-

minen. Mittareihin myös tarjolla kolmansien toimijoiden sovelluksia, joiden avulla

mittarin signaali on mahdollista tallentaa suoraan älypuhelimeen.

28

4.4 Inertiasensoreihin perustuvat mittaukset

Juoksupodit mittaavat juoksijan askelta kiihtyvyysanturin avulla. Adidas miCoach

Speed Cell (kuva 13) on Adidaksen kehittämä juoksuaskelta mittaava sensori. Sensori

mittaa askeltiheyden ja arvioi juostua matkaa kiihtyvyydestä. Laite pystyy tallenta-

maan juoksuharjoituksen tapahtumat muistiin, mutta analyysi tapahtuu joko Adidak-

sen omassa tai yhteensopivan valmistajan ohjelmistossa. (Adidas, 2016)

Vastaavia laitteita on tarjolla muillakin valmistajilla. Runtec ZOI (Runtec, 2016) on

pidemmälle viety versio juoksupodista. Mittaukseen on lisätty rintavyö, jonka avulla

voidaan laskea muuttujia juoksijan ylävartalon asennosta. Stryd on tuonut kiihty-

vyysantureihin perustuvan tehomittauksen juoksijoille. Mittaaminen tapahtuu rinta-

vyön ja/tai juoksupodin avulla. Lopputuloksena käyttäjälle lasketaan teholukema juok-

susta, jonka luvataan olevan verrannollinen pyöräilystä tehtävään mittaukseen. (Stryd,

2016)

Kuva 13. Adidas’ miCoach Speed Cellin voi kiinnittää suoraan yhteensopivaan

kenkään tai adapterilla kengän nauhoihin. (Adidas, 2016)

29

Beast on salikäyttöön tarkoitettu mittari, joka mittaa salilla tehtyjen suoritusten määrän

ja antaa arvion laadusta. Inertiasensoreilla mitattu data siirretään matkapuhelimeen jat-

kokäsiteltäväksi (Beast, 2016 & Atlas, 2016 & Pushband, 2016). Osa yrityksistä tuo

sivuillaan esille tieteellisen tutkimuksen, joka tukee harjoittelupalautteen tuomaa har-

joittelua tukevaa vaikutusta (Randell, 2011 & Beast, 2016). Ollinfit (kuva 14) vei aja-

tuksen saliharjoittelusta pidemmälle tarjoamalla toistojen laskennan lisäksi PersonalT-

rainer-ominaisuuden (PT) käyttäjälle. Laitteessa on kolme erillistä sensoria, joiden

avulla laite tunnistaa käyttäjän liikkeitä ja antaa värinä- tai ääniohjeita niiden perus-

teella. Oman kunnon kehittymistä ja salitreenin etenemistä voi seurata mobiilisovel-

luksesta. (Ollinfit, 2016)

Kuva 14. Ollinfit mittaa käyttäjän saliharjoittelua kolmen eri kiihtyvyys anturin avulla. (Ollin-

fit, 2016)

30

Kiipeilyyn kehitetty Whipper arvioi kiipeilijän nousuja, putoamisia, suoritusten vai-

keutta, nousumetrejä ja nopeutta. Tulokset ovat jaettavissa mobiilisovelluksen kautta

omille yhteisöille. Mittaus on toteutettu korkeusmittarin ja kiihtyvyysanturien avulla.

(Whipper, 2016)

Joukkue- ja mailapeleihin kiihtyvyysantureita voidaan soveltaa monella tavalla. Zepp

on tuonut markkinoille sensorin, jonka avulla voidaan analysoida erilaisten mailojen

liikettä ja osumakohtaa pelivälineeseen (Zepp, 2016). Myvert mittaa puolestaan lento-

palloilijoiden hyppyjen määrää ja kuormitusta (Myvert, 2016). Myvertin toiminnasta

löytyy tieteellinen tutkimus, jossa todetaan laitteen arvioivan hyvin todellista hyppyjen

määrää (Chralton et al., 2016).

Aktiivisuusrannekkeet arvioivat käyttäjän aktiivisuutta kiihtyvyysantureilla (kuva 15).

Tarkkuutta aktiivisuuden arviointiin saadaan photolethysmografin avulla, joka pystyy

mittaamaan käyttäjän sykkeen ranteesta. Syketieto auttaa arvioimaan ihmisen aktivi-

teetin rasittavuuden tasoa. Esimerkiksi jos käyttäjä on jonkin laitteen kyydissä, jossa

aktiivisuus on suuri, mutta käyttäjän tekemä työ ei juurikaan rasita, niin syketieto aut-

taa korjaamaan pelkkää kiihtyvyyttä käyttävien mittareiden virheen. (Fitbit, 2016 &

Mio, 2016)

Kuva 15. Kiihtyvyyssensorit luovat pohjan aktiivisuusmittaukselle,

mutta photolethysmografi auttaa tuloksien tarkentamisessa. (Mio, 2016)

31

4.5 Optiset mittaukset

BSXinsight ja Humon mittaavat lähi-infrapunaspektroskopian avulla veren laktaatti-

pitoisuutta. Sensori laitetaan ihoa vasten sukan (kuva 16) tai vyön avulla. Laktaatti

muuttaa ihon ominaisuuksia niin, että laktaatin määrä veressä on mahdollista arvioida.

Tiedot lähetetään mobiilisovellukseen, jossa laktaattitieto voidaan yhdistää esimer-

kiksi syketietoon. (BSXinsight, 2016 & Humon, 2016)

Kuva 16. BSXinsight-sensori kiinnitetään jalkaan erikoisvalmisteisen sukan avulla. (BSXinsight,

2016)

Moxy monitor (Moxy, 2016) mittaa kehon happisaturaation reaaliajassa urheilusuori-

tuksen aikana. Suoraan ihoa vasten kiinnitettävä sensori mittaa ihon muutoksia lähi-

infrapunaspektroskopian avulla. Kehon happisaturaation (SmO2) mittaus suorituksen

32

aikana tarjoaa uuden fysiologisen muuttujan urheilijan käyttöön, josta ei tällä hetkellä

ole tarjolla laajaa tutkimusta rasituksen aikana.

4.6 Muita sovelluksia

Saliharjoittelijoille on tarjolla myös EMG-mittausta. Mpowerin tarjoamalla laitteella

EMG voidaan mitata suoraan halutun lihaksen päältä. EMG-sensori (kuva 17) kiinni-

tetään haluttuun paikkaan vyön avulla. Mittaustulokset siirretään mobiilisovellukseen,

jossa tuloksista erotellaan eri lihastyyppien aktivaatioita ja lihasten väsymistä. (Mpo-

wer, 2016)

Kuva 17. Mpower-laitteella EMG:n eli lihasaktiivisuuden voi mitata

haluamastaan paikasta ja tehostaa saliharjoittelua. (Mpower, 2016)

Oncoursegoggles-uimalaseja käytiin jo aiemmin lyhyesti läpi luvussa 3.2.4 ja ne esi-

tettiin myös saman luvun kuvassa 7. Kyseiset uimalasit pitävät uimarin suunnassa avo-

vedessä uidessa. Laseihin ei voi ladata reittiä etukäteen vaan suunta pidetään suorana

laseihin integroitujen inertiasensoreiden avulla. (Onvoursegoggles, 2016)

33

4.7 Turvallisuus

ICEdot (kuva 18) on tuote, joka on kehitetty hälyttämään apua kaatumisen jälkeen.

Inertiasensoreilla varustettu sensori yhdistetään mobiililaiteeseen. Vahingon sattuessa

ICEdot lähettää tekstiviestin ennalta määrättyihin numeroihin, josta löytyvät kaatu-

mispaikan koordinaatit. (Icedot, 2016)

Kuva 18. ICEdot kiinnitetään esimerkiksi kypärään. (Icedot, 2016)

Päähän kohdistuvien iskujen mittaamiseen on kehitetty useita erilaisia vaihtoehtoja.

Mittaaminen voi tapahtua pannan (esim. Hijiband, 2016) tai myssyn (esim. Reebok,

2016) avulla, jonka voi laittaa myös kypärän alle. Mittaamiseen vaihtoehtoja ovat

myös hammassuojat (esim. FITguard, 2016), kypärään tai päähineeseen kiinnitettävä

sensori (esim. Jolt, 2016), ihoon kiinnitettävä sensori (esim. 2xbio, 2016) tai kypärä

(Hitgard, 2016), johon sensori on kiinnitetty. Iskuja mittaavien laiteiden tarkoituksena

on tallentaa päähän kohdistuvien iskujen määrä ja voima, sekä tarvittaessa varoittaa,

34

jos iskujen kuorma on liian suuri. Mittaus voidaan tehdä myös varusteista, kuten har-

tiapanssareista (LiveSkin, 2016), jolloin tarkoituksena ei ole mitata erityisesti päähän

kohdistuvia iskuja vaan seurata pelaajaan kohdistuvaa iskujen muodostamaa kuormaa.

4.8 Tekstiilit

Myontec (kuva 19) on integroinut kankaaseen lihasaktivisuutta mittaavan EMG-tek-

nologian. Älyhousuja voidaan käyttää kaikkien urheilijoiden mittaamiseen. EMG:n

avulla voidaan saada tietoa esimerkiksi jalkojen puolieroista tai lihasten väsymisestä.

Housuihin liitettävä alusta pystyy tallentamaan suorituksen tai lähettämään sen

Bluetooth-tekniikan avulla älypuhelimeen. (Myontec, 2016)

Kuva 19. Mbody-housuilla mitataan lihasaktiivisuutta (EMG). (Myontec, 2016)

35

Tekstiileihin voidaan esimerkiksi integroida painesensori. Sensoria (Sensoria, 2016)

on tuonut markkinoille sukat, joissa on painetta mittaavat tekstiilisensorit. Mittausta

tuetaan kiihtyvyysanturidatalla. Lopputuloksesta lasketaan arvioita juoksijan teknii-

kasta. Paineanturien mittauksista on suoraviivaista tehdä arvioita esimerkiksi juoksijan

askelluksen muodostaman paineen jakautumisesta kantapään ja päkiän kesken. (Sen-

soria, 2016) Strizlyzer lähestyy samaa ongelmaa pohjallisten muodossa. Pohjallisiin

on integroitu paineanturit, joiden avulla voidaan tehdä päätelmiä juoksijan tekniikasta

ja vammariskeistä. (Stridalyzer, 2016)

Heddokolla (kuva 20) voidaan tallentaa käyttäjän biomekaniikkaa. Heddoko-pukuun

on integroitu liikesensoreita, joiden avulla voidaan tunnistaa käyttäjän liikkeet. Ohjel-

miston avulla käyttäjän tekemistä liikkeistä voidaan muodostaa 3D-malli ja analysoida

nivelten toimitaan liittyviä muuttujia. Valmistajan sivustolta ei tarkemmin selviä min-

kälaisia sensoreita pukuun on integroitu. (Heddoko, 2016)

Hexoskin tarjoaa liiviä, joka pystyy mittaamaan käyttäjän sykkeen, liikkeet ja hengi-

tystiheyden. Liivin toiminta on vertaisarvioitu makuu-, istumis-, seisomis- ja kävely-

tilanteissa (Villar, 2015). Liivi voidaan yhdistää useimpiin rannetietokoneisiin ja pu-

helimeen analyysia varten. (Hexoskin, 2016)

36

Kuva 20. Heddoko tarjoaa pukua, jonka avulla 3D-analyysi voidaan tehdä reaaliajassa. (Hed-

doko, 2016)

37

4.9 Yhteenveto kaupallisista mittauksista

Luvussa on esitelty 40 erilaista sensorijärjestelmää. Taulukossa 4 on yhteenveto esi-

teltyjen tuotteiden ominaisuuksista.

Taulukko 4. Luvussa esitetyt laiteet ja arviot niiden sisältämistä sensoreista.

Järjestelmät jakautuivat kellomaisiin, kehoon tai välineeseen kiinnitettäviin ja puetta-

viin ratkaisuihin. Sensoreita laiteet sisälsivät 1–10 kappaletta käyttötarkoituksesta riip-

puen. Vain muutamien laitteiden toiminnasta oli löydettävissä vertaisarvioituja artik-

keleita. Laitteiden sisältämistä sensoreista tietoa löytyi vaihtelevasti, mutta esimer-

kiksi algoritmeihin liittyvistä ratkaisuista ei tietoa ollut ollut saatavilla minkään lait-

38

teen kohdalla. Käytetyistä radioista suosituin oli Bluetooth. Muita käytettyjä tiedon-

siirtomenetelmiä olivat ANT, WLAN (Wi-Fi), USB (Universal Serial Bus) ja omat

langattomat ratkaisut.

Laitteista lähes kaikki sisälsivät inertiasensorit, joita käytetään käyttäjän aktiivisuuden

ja liikkeen seurantaan. Sykkeen seuranta oli mukana useissa laiteissa. Sykkeen mittaa-

miseen käytettiin joko erillistä pantaa tai photolethysmografia, joka mittaa sykkeen

suoraan ihon pinnalta. GNSS-sensori oli myös paljon käytetty erilaissa ratkaisuissa.

Sijaintiedon käyttö rajoittui kuitenkin ulkona tapahtuvaan toimintaan. Sisätiloissa si-

jaintia ei tarjottu. Liikettä sisätiloissa arvioitiin kameran avulla tai kiihtyvyysantureilla

mitattuna aktiivisuutena. Muita harvinaisempia sensoreita löytyi yksittäisiltä tarjo-

ajilta, mutta niiden toiminnasta ei ollut usein muuta näyttöä kuin valmistajan itse te-

kemät kokeilut. Vaatteisiin integroitavat sensorit vastasivat käyttötarkoituksiltaan

muilla menetelmillä kiinnitettyjä sensoreita. Poikkeuksena oli kuitenkin painesensori,

joka esiteltiin vain vaatteisiin integroitujen tuotteiden yhteydessä.

Urheilulajeittain tarkasteltuna eniten sovelluksia löytyi kestävyysurheiluun. Suuri osa

kestävyysurheilusovelluksista toimi useammassa kestävyyslajissa. Toinen suurempi

ryhmä olivat iskujen tallentamiseen tarkoitetut turvallisuutta lisäävät laiteet, jotka oli

pääsääntöisesti tarkoitettu amerikkalaisen jalkapallon pelaajille. Kolmanneksi eniten

tuotteita löytyi saliharjoittelijoilla. Jalkapallon taktiikan tarkasteluun tarkoitettuja so-

velluksia tarkastelusta löytyi kaksi. Loput sovellukset olivat yksittäisiä tarkasteltuna

ryhmittäin.

Yleisin tapa hyödyntää sensoreiden tuottamaa tietoa reaaliajassa oli käyttää matkapu-

helimen näyttöä. Matkapuhelimessa tehtiin myös jonkin verran analyysia reaaliaikai-

sissa mittauksissa. Matkapuhelinta käytettiin myös meneillään olevan aktiviteetin oh-

jaukseen. Osassa ratkaisuissa palautteen antaminen oli viety valmennustasolle asti.

Rannetietokoneet olivat toinen mahdollisuus näyttää reaaliaikaista tietoa harjoituksen

etenemisestä. Rannetietokoneita ei kuitenkaan käytetty muuta kuin mitattujen tai las-

kettujen arvojen esittämiseen. Muita käytettyjä keinoja palautteen antamiseen olivat

erilaiset valo-, ääni- ja värinäsignaalit.

39

Mittauksia analysoitiin lähes poikkeuksetta pilveen sijoitetun palvelun avulla. Pilveen

siirto tapahtui matkapuhelin sovelluksen avulla. Analyysit on nähtävissä suoraan pu-

helimella tai erillisen Internet-sivun kautta. Sivustojen yhteydessä painotettiin usein

datan tuovan uudenlaista ymmärrystä ja tietoa mitatusta aiheesta. Myös sosiaalisuus ja

sosiaalisuuden lisääminen aktiviteettiin tuotiin esille monen tarjoajan toimesta. Osa

tarjoajista jakoi mitatut arvot suoraan tai data oli jaettavissa kolmansien osapuolien

kanssa.

40

5 POHDINTA JA JATKOTUTKIMUSIDEAT

Urheilusuorituksia voidaan tällä hetkellä mitata itse kaupallisesti saatavilla sovelluk-

silla ja ammattilaisten käyttöön kehitetyillä sovelluksilla. Puettavia ratkaisuita tarjo-

taan mittalaitteiksi suureen määrään hyvin erilaisia ongelmia, vaikka järjestelmän val-

mistajan todistusaineisto laitteen soveltuvuudesta perustuu yleensä valmistajan omiin

testeihin.

Ohjelmoijalle puettavat järjestelmät luovat haasteen. Laskentakapasiteetin yhdistämi-

nen mittauksen puutteisiin ja häiriöihin vaikeuttaa oikeanlaisen tuloksen saamista.

Toiminnan luokittelu vaatii tarkkaan mietityn ratkaisun. Oman sovellusalueen muo-

dostavat pilveen tallennetun tiedon käsittely. Tällä hetkellä rannetietokoneilla teh-

dyille tallennuksille on olemassa standardit tallennusformaatit, jotka mahdollistamat

kolmansien osapuolten sovellukset. Muista tarkastelluista tuotteista, kuten esimerkiksi

aktiivisuus ja voimaharjoittelu, tietoja ei pysty siirtämään pois valmistajan ohjelmasta.

Tämä tarkoittaa sitä, että järjestelmillä tehtävät tallennukset pysyvät erillään, eikä ko-

konaisvaltaiseen tarkasteluun yhdessä ohjelmistossa ole mahdollisuutta ainakaan

vielä.

Puettavien sensorijärjestelmien avulla toteutettuja järjestelmiä löytyy tällä hetkellä eri

tarkoituksiin. Tekniikat, joilla sovellukset toteutetaan voivat olla hyvin samoja, mutta

käyttö varsin erilaista. Vertaillessa päähän kohdistuvien iskujen seuraamista ja hyppy-

jen määrän sekä tehon laskevaa sovellusta käyttö on varsin erilaista, mutta sovelluksen

muut vaatimukset ovat lähellä toisiaan. Useille sovelluksille on tunnusomaista se, että

laitteen luvataan tuottavan oikein mitattua ja hyvä laatuista dataa. Kuitenkin mittauk-

sen oikeellisuudesta on harvoin tarjolla tieteellisesti todettuja tuloksia. Myöskään ana-

lyysien muuttujien laskentaa on harvoin avattu muuttujien paremman ymmärryksen

saavuttamiseksi.

Tulevaisuudessa puettavien sensorijärjestelmien käyttö tulee todennäköisesti lisäänty-

mään liikuntasektorilla (Researchandmarkets, 2016). Tällä hetkellä käyttäjät ovat var-

41

masti enemmän teknologiasuuntautuneita harrastajia, mutta todellinen markkina tuot-

teille voisi löytyä laihduttajista ja kuntoutujista. Sairaanhoidon puolella puettavien jär-

jestelmien käyttö on jo monipuolisempaa. (Chan, 2012) Tulevaisuudessa kuntouttavan

toiminnan määrä tai ihmisen yleinen aktiivisuus voisi kiinnostaa esimerkiksi vakuu-

tusyhtiöitä, jotka voisivat hinnoitella tuotteitaan riskien kartoitusta parantavilla tuot-

teilla. Tällä hetkellä markkinoilla olevat tuotteet kokevat varmasti tulevaisuudessa

suuren haasteen, kun suurimmat valmistajat, kuten Samsung ja Apple, tuovat markki-

noille yhä enemmän urheilun mittaamiseen tarkoitettuja rannelaitteita, jotka integroi-

tuvat saumattomasti käytössä oleviin ja laajalla sensorikattauksella varustettuihin mat-

kapuhelimiin.

Työn perusteella kiinnostavia ongelmia puettavien sensorijärjestelmien osalta ovat eri-

laiset tunnistukset ja luokittelut, joita tehdään inertiasensorien avulla. Ongelman rat-

kaisemisen avuksi myös muiden sensorien, kuten sykkeen hyödyntäminen on mahdol-

lista. Toinen mielenkiintoinen ongelma on eri mittaustietojen yhdistäminen ja muo-

dostaminen yhtenäiseksi kokonaisuudeksi. Esimerkiksi urheilija tai painonpudottaja

voisi yhdellä silmäyksellä verrata omaa aktiivisuuttaan ruokailun tuomaan kalorimää-

rään ja unenlaatuun. Eri mittauksien yhdistäminen voi myös avata aivan uuden mah-

dollisuuden mittausten tulkintaan mittauksen helppouden ja suuren tietomäärän kautta.

Tärkeä työ puettavien sensorijärjestelmien kannalta on mittauksien tieteellinen arvi-

ointi ja tehtävien luokittelu mittausmahdollisuuksien mukaan.

Vielä tänä päivänä harjoittelun ja liikkeiden arviointi tapahtuu vastaamalla kysymyk-

seen ”Miltä tuntui?”. Ehkä tulevaisuudessa yhä useamman lajin yksittäiset suoritukset

ja harjoituksen sisällöt voidaan arvioida niin tarkasti, että vastaajana toimiikin tieto-

tekniikka.

42

Viitteet

2xbio (2016), Päähän kohdistuvia iskuja mitaava laite. x2 biosystems 2016.

http://x2biosystems.com/ (23.9.2016)

Adidas (2016), Adidas MiCoach tuotteen kotisivu. Adidas

2016.http://www.adidas.com/us/micoach (23.9.2016)

Anderson, Brian E. "Comparison of acceleration sensors for American football helmet

impacts." International Journal of Instrumentation Technology 1.4 (2015): 282-293.

Ant (2016), ANT viestintä protokollan kotisivu, ANT 2016.

https://www.thisisant.com/company/d1/history/ (23.9.2016)

Atlas (2016), Voimaharjoitteluranneke. Atlas Wristband 2016. https://www.atlas-

wearables.com/ (29.11.2016)

Beast (2016), Voimaharjoittelua mittaava laite. Beast 2016. https://www.thisis-

beast.com/en (23.9.2016)

Bideau, Benoit, et al. "Using virtual reality to analyze sports performance." IEEE

Computer Graphics and Applications 30.2 (2010): 14-21.

Bosquet, L., et al. "Night heart rate variability during overtraining in male endurance

athletes." Journal of sports medicine and physical fitness 43.4 (2003): 506.

BSXinsight (2016) valmistajan kotisivu, https://www.bsxinsight.com/ (23.9.2016)

Chan, Marie, et al. "Smart wearable systems: Current status and future challenges."

Artificial intelligence in medicine 56.3 (2012): 137-156.

Charlton, Paula C., et al. "A simple method for quantifying jump loads in volleyball

athletes." Journal of Science and Medicine in Sport (2016).

Checkmylevel (2016), Palatumista mittaava laite, Check My Level 2016.

http://checkmylevel.com/ (23.9.2016)

43

Connect (2016), Garminin yhteisö ja datan analysointisivusto. Garmin 2016.

https://connect.garmin.com/en-US/ (23.9.2016)

Cutmore, Tim RH, and Daniel A. James. "Sensors and sensor systems for psychophys-

iological monitoring: A review of current trends." Journal of Psychophysiology 21.1

(2007): 51-71.

Dadashi, Farzin, et al. "Front-crawl instantaneous velocity estimation using a wearable

inertial measurement unit." Sensors 12.10 (2012): 12927-12939.

Dannecker, Kathryn L., et al. "A comparison of energy expenditure estimation of sev-

eral physical activity monitors." Medicine and science in sports and exercise 45.11

(2013): 2105.

Düking, Peter, et al. "Comparison of Non-Invasive Individual Monitoring of the Train-

ing and Health of Athletes with Commercially Available Wearable Technologies."

Frontiers in physiology 7 (2016).

D'AMICO, Arnaldo, and Corrado Di Natale. "A contribution on some basic definitions

of sensors properties." IEEE Sensors Journal 1.3 (2001): 183-190.

Emfit (2016), Unta mittaava laite. Emfit 2016. www.emfit.com (23.9.2016)

Fenix (2016), Garmin fenix 3 rannetietokoneen kotisivu. Garmin 2016. https://buy.gar-

min.com/en-US/US/into-sports/multisport/fenix-3/prod160512.html (29.11.2016)

Firstbeat (2016), Sykevälivaihtelu analyysi yritys. Firstbeat 2016.

https://www.firstbeat.com/fi/ (23.9.2016)

Fitbit (2016), Aktiivisuusmittareita tarjoavan Fitbitib kotisivu. Fitbit 2016.

https://www.fitbit.com/fi/flex2 (23.9.2016)

Fitguard (2016), Iskuja mittaavat hammassuojat, Fitguard 2016. http://www.fit-

guard.me/ (23.9.2016)

44

Fortune, Emma, et al. "Validity of using tri-axial accelerometers to measure human

movement–Part II: Step counts at a wide range of gait velocities."Medical engineering

& physics 36.6 (2014): 659-669.

Garmin (2016), Garminin kotisivu. Garmin 2016 www.garmin.com (23.9.2016)

Goldencheetah (2016), Pyöräilydatan analysointiin kehitetyn ohjelmiston kotisivu.

Golden Cheetah 2016. http://www.goldencheetah.org/#section-science (23.9.2016)

Halson, Shona L. "Monitoring training load to understand fatigue in athletes."Sports

Medicine 44.2 (2014): 139-147.

Hardegger, Michael, et al. "Sensor technology for ice hockey and skating."2015 IEEE

12th International Conference on Wearable and Implantable Body Sensor Networks

(BSN). IEEE, 2015.

Heddoko (2016), Liikeanalyysia tekevä asuste. Heddoko 2016. http://www.hed-

doko.com/ (23.9.2016)

Hexoskin (2016), Kehon toimintoja mittaava asuste. Hexoskin 2016.

http://www.hexoskin.com/ (23.9.2016)

Hijiband (2016), Päähän kohdistuvia iskuja mittaava päähine. Hijiband 2016.

http://www.hijiband.com/ (23.9.2016)

Hirsch, Judith Ann, and Beverly Bishop. "Respiratory sinus arrhythmia in humans:

how breathing pattern modulates heart rate." American Journal of Physiology-Heart

and Circulatory Physiology 241.4 (1981): H620-H629.

Hitgard (2016), Päähänkohdistuvia iskija mittaava järjestelmä. Baytechproducts

2016. http://baytechproducts.com/hitgard/ (23.9.2016)

Humon (2016), Rasitusta mittaava järjestelmä. Humon 2016. http://humon.io/

(23.9.2016)

45

Icedot (2016), Pyöräilijän kaatumisesta ilmoittava järjestelmä. Icedot 2016.

http://site.icedot.org/site/ (23.9.2016)

IEEE (2016), Institute of Electrical and Electronics Engineers –kotisivu. IEEE 2016,

http://www.ieee.org/ (23.9.2016)

Ishikawa, Takahiro, and Toshiyuki Murakami. "An approach to 3D gyro sensor based

motion analysis in tennis forehand stroke." Industrial Electronics Society, IECON

2015-41st Annual Conference of the IEEE. IEEE, 2015.

James, Daniel A., and Nicola Petrone. "Sensors and Wearable Technologies in Sport:

Technologies, Trends and Approaches for Implementation."SpringerBriefs in applied

sciences and technology (2016).

Jolt (2016), Päähän kohdistuvien iskujen seurantaan kehitetty laite. Jolt 2016.

http://www.joltsensor.com/shop/ (23.9.2016)

Kavanagh, Justin J., and Hylton B. Menz. "Accelerometry: a technique for quantifying

movement patterns during walking." Gait & posture 28.1 (2008): 1-15.

Keo (2016), Polarin tehoa mittaavat polkimet. Polar 2016. https://www.po-

lar.com/fi/tuotteet /lisatarvikkeet/keo_power_bluetooth_smart (23.9.2016)

Lin, Che-Wei, et al. "A wearable sensor module with a neural-network-based activity

classification algorithm for daily energy expenditure estimation." IEEE Transactions

on Information Technology in Biomedicine 16.5 (2012): 991-998.

Linnamo, Vesa, et al. "Sports technology, science and coaching." Proceedings of the

2nd Internetional Congress on Science and Nordic Skiing, Vuokatti, Finland. 2012.

Liveskin (2016), Kehoon kohdistuvien iskujen seurantaan kehitetty laite. Sansible

2016. http://www.sansible.com/ (23.9.2016)

Mathie, Merryn “Monitoring and interpreting human move-ment patterns using a tri-

axial accelerometer.” Diss. Sydney Australia: School of Electrical Engineering

andTelecommunications, University of New South Wales, 2003.

46

Meyer, Jan, et al. "Design and modeling of a textile pressure sensor for sitting posture

classification." IEEE Sensors Journal 10.8 (2010): 1391-1398.

Mio (2016), Aktiivisuuden seurantaan kehitetty laite. Mio 2016. http://www.mioglo-

bal.com/en-us/Mio-FUSE-Heart-Rate-Training-Activity-Tracker/Product.aspx

(23.9.2016)

Mitchell, Edmond, et al. "Breathing feedback system with wearable textile sensors."

2010 International Conference on Body Sensor Networks. IEEE, 2010.

Movescount (2016), Suunnon yhteisö- ja analyysipalvelu. Suunto 2016. www.moves-

count.com (23.9.2016)

Moxy (2016), Kehon happisaturaatiota mittaava sensori. Moxy 2016.

http://www.moxymonitor.com/ (23.9.2016)

Mpower (2016), Lihasten aktiivisuutta mittaava laite. Mpower 2016.

http://www.mpower-bestrong.com/ (23.9.2016)

Myontec (2016), Lihasten aktiivisuutta mittaava puettava järjestelmä. Myontec 2016.

http://www.myontec.com/en/ (23.9.2016)

Myvert (2016), Lentopalloilijoille kehitettylaite. Myvert 2016.

https://www.myvert.com (23.9.2016)

Nurkkala, V. M., et al. "Exergaming simulator for athletes’ training and exercise test-

ing." (2012)

Oggiano, Luca, et al. "A review on skin suits and sport garment aerodynamics: guide-

lines and state of the art." Procedia Engineering 60 (2013): 91-98.

Ollinfit (2016), Saliharjoitteluun kehitettylaite. Ollinfit 2016. http://www.ollin-

fit.com/ (23.9.2016)

Omegawave (2016), Palautumista mittaava laite. Omegawave 2016.

https://www.omegawave.com/ (23.9.2016)

47

Omegawaveb (2016), The way of Champion –blogiteksti. Omegawave 2016.

https://www.omegawave.com/2014/10/28/the-way-of-the-champion/

Oncoursegoggles (2016), Uimarin navigointilaite. Oncource goggles 2016.

https://www.oncoursegoggles.com/ (23.9.2016)

Pober, David M., et al. "Development of novel techniques to classify physical activity

mode using accelerometers." Medicine and science in sports and exercise 38.9 (2006):

1626.

Polar (2016), Polarin historiasta kertova verkkosivu. Polar 2016. http://www.po-

lar.com/fi/tietoa_polarista/keita_olemme/polarin_historiaa (23.9.2016)

Powertap (2016), Pyörän tehomittari. Powertap 2016. https://www.powertap.com/

(23.9.2016)

Prozone (2016), Joukkue urheilun analytiikkaa tarjoava yritys. Prozonesport 2016.

http://prozonesports.stats.com/ (23.9.2016)

Pushband (2016), Voiharjoittelua mittaava laite. Pushband 2016.

http://www.trainwithpush.com/push-band/ (23.9.2016)

Quarq (2016), Pyörän tehomittari. Guarq 2016. http://www.quarq.com/ (23.9.2016)

Randell, Aaron D., et al. "Effect of instantaneous performance feedback during 6

weeks of velocity-based resistance training on sport-specific performance tests." The

Journal of Strength & Conditioning Research 25.1 (2011): 87-93.

Reebok(2016), Päähn kordistuvia iskuja mittaava laite. Reebok 2016.

http://www.reebok.com/us/checklight/Z85846.html (23.9.2016)

Researchandmarkets (2016) vuotuinenraportti puotteavien teknoloioiden markkina-

osuuksista, http://www.researchandmarkets.com/reports /3685183/wearable-technol-

ogies-global-market-forecast (23.9.2016)

48

Runtec (2016), Juoksutekniikkaa analysoiva laite. Runteq 2016. http://www.run-

teq.com/# (23.9.2016)

Sasaki, Jeffer Eidi, et al. "Validation of the Fitbit wireless activity tracker for predic-

tion of energy expenditure." J Phys Act Health 12.2 (2015): 149-154.

Sensoria (2016), Painetta mittavat sukat. Sensoria 2016. http://www.sensoriafit-

ness.com/ (23.9.2016)

Shu, Lin, et al. "In-shoe plantar pressure measurement and analysis system based on

fabric pressure sensing array." IEEE Transactions on information technology in bio-

medicine 14.3 (2010): 767-775.

Skioot (2016), Hiihtotekniikkaa ja olosuhteita analisoivalaite. Skioot 2016.

http://skiiot.com/ (23.9.2016)

Spartan (2016), Suunnon rannetietokone. Suunto 2016. http://www.suunto.com/fi-

FI/spartancollection (23.9.2016)

Sport, (2016), Esittely Coachtech järjestelmästä. Sport 2016. http://www.sport.fi/sys-

tem/resources/W1siZiIsIjIwMTQvMTAvMjEvMTVfMjlfMTlfODM5X09sbGl-

PaHRvbmVuX0hVX1ZpZXJ1bWFraV9Db2FjaHRlY2gucGRmIl1d/OlliOhto-

nen_HU_Vierumaki_Coachtech.pdf (29.11.2016)

Srm (2016), Pyörän tehomittari. SRM 2016. http://www.srm.de/home/ (23.9.2016)

Stages (2016), Pyörän tehomittari. Stages 2016., http://stagescycling.com/

(23.9.2016)

Strava (2016), Urheilimittausten yhteisö- ja analyysipalvelu. Strava 2016.

www.Strava.com (23.9.2016)

Stridaluzer (2016), Painetta mittaavat pohjalliset. Stridlyzer 2016. http://www.re-

tisense.com/ (23.9.2016)

Stryd (2016), Juoksun tehomittari. Stryd 2016. https://www.stryd.com/ (23.9.2016)

49

Suunto (2016), Suunto Ambit malliston kotisivu. Suutno 2016.

http://www.suunto.com/fi-FI/Urheilukellokokoelmat/Suunto-Ambit-mallisto/

(23.9.2016)

Susi, Melania, Valérie Renaudin, and Gérard Lachapelle. "Motion mode recognition

and step detection algorithms for mobile phone users." Sensors13.2 (2013): 1539-

1562.

Thompson W. R. (2015). Worldwide survey of fitness trends for 2016: 10th anniver-

sary edition.ACSM Health Fitness J. 19, 9–18. 10.1249

Trainingpeaks (2016), Harjoittelun analyysisivusto. Trainingpeeks 2016.

http://home.trainingpeaks.com/blog/article/estimating-training-stress-score-tss

(23.9.2016)

Vector (2016), Suunto Vector malliston kotisivu. Suunto 2016. http://sites.gar-

min.com/en-US/vector/ (23.9.2016)

Villar, Rodrigo, Thomas Beltrame, and Richard L. Hughson. "Validation of the Hex-

oskin wearable vest during lying, sitting, standing, and walking activities."Applied

Physiology, Nutrition, and Metabolism 40.10 (2015): 1019-1024.

Viperpod (2016), Joukkue urheilun analytiikkaan kehitetty laite. Sportstats 2016.

http://statsports.com/technology/viper-pod/ (23.9.2016)

Whipper (2016), Kiipeilijöille kehitytty laite. Whipper 2016. https://thewhipper.com/

(23.9.2016)

V800 (2016), Polar V800 mallin kotisivu. Polar 2016. https://www.polar.com/fi/tuot-

teet/pro/V800 (29.11.2016)

Zepp (2016), Mailapelien analyysiin kehitetty laite. Zepp 2016. http://www.zepp.com/

(23.9.2016)

Zhou, Xiangzeng, et al. "Tennis ball tracking using a two-layered data association ap-

proach." IEEE Transactions on Multimedia 17.2 (2015): 145-156.