来源： 时间：2022-11-10 17:35:06
科学家开发了一种人工智能工具，可以根据健身追踪器的数据为锻炼提供建议。据来自美国加州大学圣地亚哥分校的科学家称，该工具名为FitRec，是在超过1,000名跑步者的250,000多个锻炼记录的数据集上进行训练的。这使计算机科学家能够建立一个模型，该模型可以分析过去的表现，以在特定的未来锻炼时间和路线下预测速度和心率。
FitRec还能够识别影响锻炼效果的重要特征，例如路线是否有山丘和用户的健身水平。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。它还能够进行短期预测，例如告诉跑步者何时减速以避免超过其所需的最大心率。
<iframe src = "https://www.dailymotion.com/embed/video/ k465p95SJAylkCugsSU" width = "100%" height = "363"></iframe>该团队之所以能够开发该工具，部分原因是他们是最早收集和建模用于学术研究的大规模适应性数据集的人之一。但是，开发FitRec并非易事，因为健身数据集具有大量的锻炼记录，但每个inpidual只有少量数据点。
加州大学圣地亚哥分校 (UC San Diego) 教授朱利安·麦考利 (Julian McAuley) 表示: “个性化在健身数据模型中至关重要，因为个人在许多领域差异很大，包括心率和适应不同锻炼的能力。”
研究人员说: “建立这种模型的主要挑战是，人们运动时的心率动态非常复杂，需要复杂的技术来建模。”
为了建立有效的模型，计算机科学家需要一种工具，该工具可以使用所有数据进行学习，但同时可以从每个用户的少量数据点学习个性化动态。进入一个称为长期短期记忆网络 (或LSTM) 的深度学习体系结构，研究人员对其进行了调整，以捕获数据集中每个用户的动态行为。
研究人员向网络提供了endomondo.com公共数据集的子集，endomondo.com是一个用作锻炼日记的应用程序和网站。清理数据后，研究人员最终获得了100,000多个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，来验证FitRec的预测。
将来，可以对FitRec进行培训，以包括其他数据，例如用户的健康水平随时间变化的方式，以进行预测。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。但是，为了将该工具用于商业健身应用程序，研究人员将需要访问更详细的健身跟踪数据并处理各种数据质量问题。
相关推荐
猜你喜欢
