Los informáticos de la Universidad de California en San Diego han desarrollado FitRec, una herramienta de recomendación impulsada por el aprendizaje profundo, que puede estimar mejor la frecuencia cardíaca de los corredores durante un entrenamiento y predecir y recomendar rutas. El equipo presentará su trabajo en elWWW 19 conferencia del 13 al 17 de mayo en San Francisco.
Los investigadores entrenaron a FitRec en un conjunto de datos de más de 250,000 registros de entrenamiento para más de 1,000 corredores. Esto permitió a los científicos informáticos construir un modelo que analizara el rendimiento pasado para predecir la velocidad y la frecuencia cardíaca dados los tiempos y rutas de entrenamiento futuros específicos.
FitRec también es capaz de identificar características importantes que afectan el rendimiento del entrenamiento, como si una ruta tiene colinas y el nivel de condición física del usuario. La herramienta puede recomendar rutas alternativas para los corredores que desean alcanzar una frecuencia cardíaca objetivo específica. Tambiéncapaz de hacer predicciones a corto plazo, como decirle a los corredores cuándo reducir la velocidad para evitar exceder su frecuencia cardíaca máxima deseada.
El equipo pudo desarrollar la herramienta parcialmente porque fueron de los primeros en recopilar y modelar un conjunto de datos de acondicionamiento físico masivo para investigación académica. Pero desarrollar FitRec no fue tarea fácil ya que el conjunto de datos de acondicionamiento físico tiene una gran cantidad de registros de entrenamiento, pero solouna pequeña cantidad de puntos de datos por persona
"La personalización es crucial en los modelos de datos de aptitud física porque las personas varían ampliamente en muchas áreas, incluida la frecuencia cardíaca y la capacidad de adaptarse a diferentes ejercicios", dijo Julian McAuley, profesor del Departamento de Ciencias de la Computación e Ingeniería de la Universidad de California en San Diego.
"El principal desafío en la construcción de este tipo de modelo es que la dinámica de la frecuencia cardíaca a medida que las personas hacen ejercicio es increíblemente compleja y requiere técnicas sofisticadas para modelar", agregaron los investigadores.
Para construir un modelo efectivo, los informáticos necesitaban una herramienta que utilizara todos los datos para aprender, pero al mismo tiempo puede aprender dinámicas personalizadas desde un pequeño número de puntos de datos por usuario. Ingrese una arquitectura de aprendizaje profundo llamada a largo plazoredes de memoria o LSTM, que los investigadores adaptaron para capturar los comportamientos dinámicos individuales de cada usuario en el conjunto de datos.
Los investigadores alimentaron a las redes un subconjunto de un conjunto de datos públicos de endomondo.com, una aplicación y un sitio web que funcionan como un diario de ejercicios. Después de limpiar los datos, los investigadores terminaron con más de 100,000 registros de ejercicios para entrenar las redes.
Validaron las predicciones de FitRec comparándolas con los registros de entrenamiento existentes que no formaban parte del conjunto de datos de entrenamiento.
En el futuro, FitRec podría recibir capacitación para incluir otros datos, como la forma en que los niveles de condición física de los usuarios evolucionan con el tiempo, para hacer sus predicciones. La herramienta también podría aplicarse a rutas de recomendación más complejas, por ejemplo, rutas conscientes de la seguridad.
Pero para que la herramienta se use en aplicaciones comerciales de acondicionamiento físico, los investigadores necesitarían tener acceso a datos de seguimiento de acondicionamiento físico más detallados y tratar varios problemas de calidad de datos
Fuente de la historia :
Materiales proporcionado por Universidad de California - San Diego . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :