前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >深度学习工具根据健身数据,提供个性化锻炼建议

深度学习工具根据健身数据,提供个性化锻炼建议

作者头像
AiTechYun
发布2019-05-13 13:53:20
1K0
发布2019-05-13 13:53:20
举报
文章被收录于专栏:ATYUN订阅号

加州大学圣地亚哥分校的计算机科学家开发了FitRec,这是一种基于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大会上展示该作品。

研究人员用超过1000名跑步者的超过250000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,预测特定锻炼时间和路线下的速度和心率。

FitRec还能够识别影响锻炼效果的重要特征,例如路线是否具有坡度以及用户的健康水平。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,以避免超过期望的最高心率。

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团队,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。

加州大学圣地亚哥分校计算机科学与工程系教授Julian McAuley说,“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。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。”

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。于是使用一种长短期记忆网络(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,这是一个应用程序的网站,功能类似于锻炼日记。在整理完数据后,研究人员整理了超过10万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,以验证FitRec的预测。

在未来,FitRec可以接受其他数据的训练,例如通过用户健康水平随时间推移的方式进行预测。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,并处理数据的质量问题。

End

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-04-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 ATYUN订阅号 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档