Инструмент глубокого обучения для персональных рекомендаций по тренировкам

Компьютерные ученые из Калифорнийского университета в Сан-Диего разработали FitRec, рекомендательный инструмент, основанный на глубоком обучении, который способен лучше оценивать частоту сердечных сокращений бегунов во время тренировки, а также прогнозировать и рекомендовать маршруты. Команда представит свою работу на конференции WWW 19-17 мая в Сан-Франциско.

Исследователи обучили FitRec на наборе данных из более чем 250 000 записей тренировок для более чем 1000 бегунов. Это позволило компьютерным ученым построить модель, которая анализировала прошлую производительность, чтобы предсказать скорость и частоту сердечных сокращений с учетом конкретного будущего времени тренировки и маршрутов.

FitRec также способен определять важные функции, которые влияют на производительность тренировки, такие как наличие маршрута и уровень пригодности пользователя. Инструмент может порекомендовать альтернативные маршруты для бегунов, которые хотят достичь определенной целевой частоты пульса. Он также способен делать краткосрочные прогнозы, например, сообщать бегунам, когда нужно замедляться, чтобы избежать превышения желаемой максимальной частоты сердечных сокращений.

Команда смогла разработать инструмент частично, потому что они были одними из первых, кто собрал и смоделировал массивный набор данных пригодности для академических исследований. Но разработка FitRec была нелегким делом, так как набор данных о фитнесе имеет огромное количество записей о тренировках, но только небольшое количество точек данных на человека.

«Персонализация имеет решающее значение в моделях фитнес-данных, потому что люди сильно различаются во многих областях, включая частоту сердечных сокращений и способность адаптироваться к различным упражнениям», — сказал Джулиан Макаули, профессор кафедры компьютерных наук и инженерии в Калифорнийском университете в Сан-Диего.

«Основная проблема при построении модели такого типа заключается в том, что динамика сердечных сокращений при физических нагрузках невероятно сложна, и для ее моделирования требуются сложные методы», — добавили исследователи.

Чтобы построить эффективную модель, компьютерным ученым нужен инструмент, который использует все данные для изучения, но в то же время может изучать персонализированную динамику из небольшого количества точек данных на пользователя. Введите архитектуру глубокого обучения, называемую сетями с кратковременной памятью (или LSTM), которую исследователи адаптировали для учета индивидуальных динамических поведений каждого пользователя в наборе данных.

Исследователи предоставили сетям подмножество общедоступного набора данных от endomondo.com, приложения и веб-сайта, которые выполняют функцию дневника тренировок. После очистки данных исследователи получили более 100 000 записей о тренировках для обучения сетей.

Они подтвердили прогнозы FitRec, сравнив их с существующими записями тренировок, которые не были частью набора данных обучения.

В будущем FitRec может быть обучен включать другие данные, такие как то, как уровни физической подготовки пользователей меняются с течением времени, чтобы делать свои прогнозы. Инструмент также может быть применен к более сложным маршрутам рекомендаций, например, к маршрутам, ориентированным на безопасность.

Но для того, чтобы инструмент мог использоваться в коммерческих приложениях для фитнеса, исследователи должны иметь доступ к более подробным данным по отслеживанию фитнеса и решать различные проблемы качества данных.