深度学习工具用于根据健身追踪数据提供个性化锻炼建议

加州大学圣地亚哥分校的计算机科学家开发了FitRec，这是一种深度学习的推荐工具，可以更好地估计跑步者在锻炼期间的心率，并预测和推荐路线。该团队将于5月13日至17日在旧金山举行的WWW 19大会上展示他们的作品。

研究人员为超过1,000名跑步者的超过250,000条锻炼记录的数据集训练FitRec。这使计算机科学家能够建立一个模型，分析过去的表现，以预测特定的未来锻炼时间和路线的速度和心率。

FitRec还能够识别影响锻炼表现的重要特征，例如路线是否具有丘陵和用户的健康水平。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。它还能够做出短期预测，例如告诉跑步者什么时候减速以避免超过他们想要的最大心率。

该团队能够部分开发该工具，因为他们是第一批收集和建模用于学术研究的大型健身数据集的工具。但是，开发FitRec绝非易事，因为健身数据集拥有大量的锻炼记录，但每个人只有少量的数据点。

“个性化在健身数据模型中至关重要，因为个体差异很大，包括心率和适应不同运动的能力，”加州大学圣地亚哥分校计算机科学与工程系教授Julian McAuley说。

“建立这种模型的主要挑战是人们锻炼时的心率动态非常复杂，需要复杂的技术来建模，”研究人员补充说。

为了建立一个有效的模型，计算机科学家需要一个使用所有数据来学习的工具，但同时可以从每个用户的少量数据点学习个性化动态。进入一种称为长期短期记忆网络(或LSTM)的深度学习架构，研究人员将其应用于捕获数据集中每个用户的各个动态行为。

研究人员向网络提供了来自endomondo.com的公共数据集的子集，这是一个用作锻炼日记的应用程序和网站。在清理完数据后，研究人员收集了超过100,000份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。

在未来，FitRec可以接受培训，以包括其他数据，例如用户健康水平随时间推移的方式，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。

但为了将该工具用于商业健身应用程序，研究人员需要访问更详细的健身追踪数据并处理各种数据质量问题。