深度学习工具根据健身数据,提供个性化锻炼建议

2019年04月23日 由 深深深海 发表 954323 0
加州大学圣地亚哥分校的计算机科学家开发了FitRec,这是一种基于深度学习的推荐工具,可以更好地估计跑步者在锻炼期间的心率,并预测和推荐路线。该团队将于5月13日至17日在旧金山举行的WWW 19大会上展示该作品。

研究人员用超过1000名跑步者的超过250000条锻炼记录的数据集训练FitRec。这使计算机科学家能够建立一个模型,分析过去的表现,预测特定锻炼时间和路线下的速度和心率。

FitRec还能够识别影响锻炼效果的重要特征,例如路线是否具有坡度以及用户的健康水平。该工具可以为想要达到特定目标心率的跑步者推荐替代路线。

它还能够做出短期预测,例如告诉跑步者什么时候减速,以避免超过期望的最高心率。

他们是第一批收集和建模用于学术研究的大型健身数据集团队,但是,开发FitRec绝非易事,因为健身数据集拥有大量的锻炼记录,但每个人只有少量的数据点。

加州大学圣地亚哥分校计算机科学与工程系教授Julian McAuley说,“个性化在健身数据模型中至关重要,因为个体差异很大,包括心率和适应不同运动的能力。建立这种模型的主要挑战是,人们锻炼时的心率动态非常复杂,需要复杂的技术来建模。”



为了建立一个有效的模型,计算机科学家需要一个使用所有数据学习的工具,但同时可以从每个用户的少量数据点学习个性化动态。于是使用一种长短期记忆网络(LSTM)的深度学习架构,研究人员将其应用于捕获数据集中每个用户的各个动态行为。

研究人员向网络提供了来自endomondo.com的公共数据集的子集,这是一个应用程序的网站,功能类似于锻炼日记。在整理完数据后,研究人员整理了超过10万份锻炼记录来训练网络。

他们通过将FitRec的预测与不属于训练数据集的现有锻炼记录进行比较,以验证FitRec的预测。

在未来,FitRec可以接受其他数据的训练,例如通过用户健康水平随时间推移的方式进行预测。该工具还可以应用于更复杂的推荐路线,例如安全感知路线。

但为了将该工具用于商业健身应用程序,研究人员需要访问更详细的健身追踪数据,并处理数据的质量问题。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
评论 登录
写评论取消
回复取消