Skip to content

requ.md

Latest commit

 

History

History
69 lines (54 loc) · 2.26 KB

requ.md

File metadata and controls

69 lines (54 loc) · 2.26 KB

📋 Requirements Sheet – Strava Supercompensation Tool (Python)

1. Ziel

  • Automatisiertes Tool, das Strava-Aktivitäten über die Strava API abruft.
  • Analyse der Daten anhand eines Superkompensations-/Banister-Modells.
  • Ausgabe einer Trainingsempfehlung („Pause“, „Locker“, „Hart“).

2. Kernfunktionen (MVP)

  1. Strava API-Anbindung

    • OAuth2 Login/Token Refresh
    • Abruf von Aktivitäten (Datum, Dauer, Distanz, Durchschnitts-HF, Relative Effort, TSS falls verfügbar)

  2. Datenspeicherung

    • Lokale SQLite/PostgreSQL DB (je nach Anspruch)
    • Tabellen: activities, metrics, model_state

  3. Superkompensationsmodell

    • Implementierung eines einfachen Impulse-Response Modells (Banister)
    • Parameter: Fitness, Fatigue, Form
    • Anpassbare Konstanten (k1, k2, decay rates)

  4. Auswertung & Empfehlung

    • Täglicher Status:
      • Fatigue hoch → Pause
      • Superkompensation → Harte Einheit
      • Neutral → Locker
    • Ausgabe: CLI / einfache HTML Seite / JSON API

3. Erweiterungen (Phase 2)

  • Einbindung von HRV & Schlafdaten (z. B. Garmin, Oura API).
  • Visualisierung (Matplotlib/Plotly Dash).
  • Automatische Push-Benachrichtigung (Telegram Bot, E-Mail).
  • Anpassbares Modell pro Nutzer (Machine Learning).

4. Technische Anforderungen

  • Programmiersprache: Python 3.10+

  • Libraries (Basis):

    • requests (API Calls)
    • pandas (Datenhandling)
    • sqlalchemy oder sqlite3 (Datenbank)
    • matplotlib oder plotly (Visualisierung, optional)
    • fastapi (falls Web-API gewünscht)

  • Deployment

    • Lokal ausführbar (Mac/Linux)
    • Optional Docker-Container für Serverbetrieb

5. Non-Functional Requirements

  • Erweiterbar: Modellparameter und Datenquellen leicht anpassbar
  • Reproduzierbar: Daten + Berechnungen nachvollziehbar speichern
  • Datensicherheit: Strava OAuth Tokens sicher speichern (z. B. .env oder Secret Store)
  • Performance: Abruf und Berechnung < 10 Sekunden pro Lauf

6. Deliverables

  • Python Package/Projektstruktur
  • Datenbank mit Aktivitäts-Historie
  • Skript zum Abrufen & Aktualisieren
  • Analyse-Modul (Superkompensation)
  • Erste CLI-Ausgabe (Textempfehlung)