Foto: Stefano Zatta

Skieliten får svar på teknikken gjennom kroppssensorer

I disse OL-tider har vi funnet en sak som viser at idrett også er teknologi. Det handler om sensorbasert forskning som skal gi løperne verdifulle treningstips og hjelpe dem med å finne det helt perfekte skipar.

Publisert

Denne artikkelen er 2 år eller eldre

Utviklingen av sensorsystemet som festes tett på skiløpernes kropper er det SINTEF som står bak. Dataene gir både idrettsforskerne og skiprodusenten Madshus ny innsikt i løpernes teknikk og skienes egenskaper.

Det unike med systemet, er at det kobler signalene fra flere sensormoduler som magnetometer, gyroskop og akselerometer i sann tid. Det gjør at alle bevegelser monitoreres nøyaktig og uten forsinkelser. Festet på kroppen og skiene til utøveren gir dette et bilde av løperens skiteknikk ned til minste detalj takket være den svært nøyaktige tidssynkroniseringen.

Nylig ble forskningen til SINTEF og samarbeidspartner NTNU publisert i det vitenskapelige tidsskriftet Sports Engineering. Her finnes en detaljert beskrivelse av systemet.

– Den detaljerte loggingen av løpernes treningsøkter viser hvor mye de staker, hvor mye de går diagonalt – med andre ord kan vi avsløre hvilken delteknikk løperen er best på og se frekvensen på både arm- og beinbevegelser. Og ikke minst antall teknikkbytter sett i forbindelse med løypa det er trent i. Alt kombinert med løpernes hastighet, forklarer SINTEF-forsker Trine M. Seeberg i en pressemelding.

Ferdig analysert skal målingene gi ny kunnskap om både løpernes teknikk og sammenhengen mellom den og skienes egenskaper.

Datasettet gir også skiprodusent Madshus verdifull kunnskap i arbeidet med å utvikle skiproduksjonen og gjøre skiplukk mer kunnskapsbasert.

– Fordi skivalg er så følelsesstyrt, ønsker vi å finne en metode som gir oss konkrete måleparameter. Vi mener at det enorme datasettet som nå genereres av feltforsøkene vil gjøre det mulig å koble ytelsen i skiene mot produksjonen av dem, sier utviklingssjef Bjørn Ivar Austrem i Madshus.

Powered by Labrador CMS