Et dybt læringsværktøj til personlige træningsanbefalinger fra træningsdata

Dataloger ved University of California San Diego har udviklet FitRec, et anbefalingsværktøj drevet af dyb læring, der er i stand til bedre at estimere løberes puls under en træning og forudsige og anbefale ruter. Holdet vil præsentere deres arbejde på WWW 19-konferencen 13. til 17. maj i San Francisco.

Forskere trænede FitRec på et datasæt på mere end 250, 000 træningsrekorder for mere end 1, 000 løbere. Dette gjorde det muligt for computerforskere at bygge en model, der analyserede tidligere præstationer for at forudsige hastighed og puls givet specifikke fremtidige træningstider og -ruter.

FitRec er også i stand til at identificere vigtige funktioner, der påvirker træningens ydeevne, såsom om en rute har bakker og brugerens konditionsniveau. Værktøjet kan anbefale alternative ruter til løbere, der ønsker at opnå en bestemt målpuls. Det er også i stand til at lave kortsigtede forudsigelser, såsom at fortælle løbere, hvornår de skal sætte farten ned for at undgå at overskride deres ønskede maksimale puls.

Holdet var i stand til at udvikle værktøjet delvist, fordi de var blandt de første til at indsamle og modellere et massivt fitnessdatasæt til akademisk forskning. Men at udvikle FitRec var ingen nem bedrift, da fitnessdatasættet har et stort antal træningsrekorder, men kun et lille antal datapunkter pr. individ.

"Personliggørelse er afgørende i modeller af fitnessdata, fordi individer varierer meget på mange områder, inklusive puls og evne til at tilpasse sig forskellige øvelser, " sagde Julian McAuley, en professor ved Institut for Datalogi og Teknik ved UC San Diego.

"Den største udfordring ved at bygge denne type model er, at dynamikken i hjertefrekvensen, når folk træner, er utrolig kompleks, kræver sofistikerede teknikker til at modellere, " tilføjede forskere.

At bygge en effektiv model, dataloger havde brug for et værktøj, der bruger alle data til at lære, men som samtidig kan lære personlig dynamik fra et lille antal datapunkter pr. bruger. Indtast en dyb læringsarkitektur kaldet langtidshukommelsesnetværk (eller LSTM), som forskerne tilpassede for at fange hver enkelt brugers individuelle dynamiske adfærd i datasættet.

Forskere fodrede netværkene med en delmængde af et offentligt datasæt fra endomondo.com, en app og hjemmeside, der fungerer som en træningsdagbog. Efter at have ryddet op i data, forskere endte med mere end 100, 000 træningsposter til at træne netværkene.

De validerede FitRecs forudsigelser ved at sammenligne dem med eksisterende træningsregistreringer, der ikke var en del af træningsdatasættet.

I fremtiden, FitRec kunne trænes til at inkludere andre data, såsom den måde, brugernes konditionsniveauer udvikler sig over tid, at komme med sine forudsigelser. Værktøjet kunne også anvendes på mere komplekse anbefalingsruter, for eksempel sikkerhedsbevidste ruter.

Men for at værktøjet kan bruges i kommercielle fitness-apps, forskere skal have adgang til mere detaljerede fitnesssporingsdata og håndtere forskellige datakvalitetsproblemer.