加州大学圣地亚哥分校的计算机科学家们开发了一种新的深度学习方法,利用健身跟踪数据进行锻炼建议和预测。
为健身推荐而开发的工具FitRec,天富注册链接已经针对超过1000名跑步者的超过25万份健身跟踪记录的数据集进行了培训。FitRec通过分析过去的表现来预测未来特定锻炼时间和路线下的速度和心率。
FitRec也可以:
识别可能影响性能的重要特征,例如,山路或用户的健康水平;
为想要达到特定心率目标的跑步者推荐替代路线;和
做一些短期的预测,例如,建议跑步者何时减速以避免超过他们所期望的最大心率。
深度学习健身跟踪数据
深度学习是人工智能的一种,是一种利用人工神经网络进行机器学习的方法。
为了个性化的锻炼建议,需要一个工具,天富注册链接它使用所有的健身跟踪数据来学习,但也可以从每个用户的少量数据点学习个性化的动态。
研究人员使用了一种被称为长短期记忆网络(LSTM)的深度学习架构,并对其进行了调整。
个性化锻炼建议
加州大学圣地亚哥分校计算机科学与工程系教授朱利安•麦考利评论道:“个性化在健康数据模型中至关重要,因为个体在许多领域都存在巨大差异,包括心率和适应不同锻炼的能力。”
研究人员解释说:“建立这类模型的主要挑战是,人们锻炼时心率的动态非常复杂,需要复杂的技术来建模。”
根据加州圣地亚哥大学的研究,FitRec在未来可以被训练使用其他数据。例如,用户的健康状况会随着时间的推移而变化,或者更复杂的推荐路线,比如安全感知路线。然而,在该工具用于商业健身应用之前,研究人员需要更详细的健身轨迹数据,并处理数据质量问题。