Ein deep-learning-tool für individuelles Training Empfehlungen vom fitness-tracking-Daten

Informatiker an der University of California in San Diego entwickelt haben, FitRec, eine Empfehlung-tool powered by deep learning, das in der Lage ist, um eine bessere Schätzung der Läufer Herzfrequenzen während des Trainings und vorherzusagen, und empfehlen Routen. Das team präsentieren Ihre Arbeit auf dem WWW-19-Konferenz Mai 13 bis 17 in San Francisco.

Forscher trainierten FitRec auf einem Datensatz von mehr als 250.000 Trainings-Datensätze für mehr als 1.000 Läufer. Dies erlaubt computer-Wissenschaftler ein Modell zu bauen, analysiert Wertentwicklung in der Vergangenheit, um vorherzusagen, die Geschwindigkeit und die Herzfrequenz bestimmte Zukunft workout-Zeiten und-Routen.

FitRec ist auch in der Lage zu identifizieren wichtiger Funktionen, die die Leistungsfähigkeit, wie etwa, ob eine Strecke hat Hügel und der Benutzer-Ebene der fitness. Kann das tool empfehlen Alternative Routen für Läufer, die wollen, um erreichen eine bestimmte Ziel-Herzfrequenz. Es ist auch in der Lage, Kurzfristige Vorhersagen, wie die Läufer sagen, Wann zu verlangsamen zu vermeiden, überschreiten Sie Ihre gewünschte maximale Herzfrequenz.

Das team war in der Lage zu entwickeln, das tool teilweise, weil Sie unter den ersten waren, zu sammeln und Modell eine massive fitness-dataset für die Akademische Forschung. Aber die Entwicklung FitRec war kein leichtes Unterfangen, wie die fitness-dataset hat eine riesige Anzahl von Training-Datensätzen, aber nur eine kleine Anzahl von Datenpunkten pro Individuum.

„Personalisierung ist von entscheidender Bedeutung in Modellen von fitness-Daten, weil Individuen variieren stark in vielen Bereichen, einschließlich der Herzfrequenz und der Fähigkeit zur Anpassung an die verschiedenen übungen“, sagte Julian McAuley, ein professor in der Abteilung für Computer Science und Engineering an der UC San Diego.

„Die größte Herausforderung beim Aufbau dieser Art von Modell ist, dass die Dynamik der Herzfrequenz als Menschen ausüben, sind unglaublich Komplex und erfordert anspruchsvolle Techniken für die Konstruktion,“ die Forscher hinzu.

Zu bauen ist ein effektives Modell, Informatiker benötigt ein Werkzeug, das verwendet alle Daten zu lernen, aber zur gleichen Zeit lernen können personalisierte Dynamik, die aus einer kleinen Anzahl von Datenpunkten pro Benutzer. Geben Sie ein deep-learning-Architektur namens long-short-term-memory-Netzwerke (oder LSTM), die von den Forschern angepasst zu erfassen, die einzelnen dynamischen Verhalten der einzelnen Benutzer im Datensatz.

Die Forscher fütterten die Netzwerke eine Teilmenge eines öffentlichen dataset aus endomondo.com, eine app und website, die Funktion als ein workout-Tagebuch. Nach der Reinigung die Daten, Forscher Wunde mit mehr als 100.000 Trainings-Datensätze zum trainieren der Netze.

Sie validiert FitRec Prognosen durch Vergleich mit vorhandenen Trainings-Datensätze, die nicht Teil des Trainings-Datensatzes.

In der Zukunft, FitRec ausgebildet werden konnten, um auch andere Daten, wie die Art und Weise Benutzer “ fitness-Niveaus im Laufe der Zeit weiterentwickelt, um seine Vorhersagen. Das tool kann auch angewendet werden, um komplexere Empfehlung Routen, zum Beispiel der Sicherheit-bewusst-Routen.

Aber in Reihenfolge für das tool eingesetzt werden, um im kommerziellen fitness-apps, die Forscher benötigen würde, um Zugang zu den detaillierten fitness-tracking-Daten und befassen sich mit verschiedenen Problemen mit der Datenqualität.