Computerwetenschappers van de University of California San Diego hebben FitRec ontwikkeld, een aanbevelingstool aangedreven door deep learning, die de hartslag van hardlopers tijdens een training beter kan inschatten en routes kan voorspellen en aanbevelen. Het team zal hun werk presenteren op de WWW 19-conferentie van 13 tot 17 mei in San Francisco.

Onderzoekers trainden FitRec op een dataset van meer dan 250, 000 trainingsrecords voor meer dan 1, 000 lopers. Hierdoor konden computerwetenschappers een model bouwen dat prestaties uit het verleden analyseerde om snelheid en hartslag te voorspellen op basis van specifieke toekomstige trainingstijden en routes.

FitRec is ook in staat om belangrijke kenmerken te identificeren die van invloed zijn op de trainingsprestaties, zoals of een route heuvels heeft en het fitnessniveau van de gebruiker. De tool kan alternatieve routes aanbevelen voor hardlopers die een specifieke doelhartslag willen bereiken. Het is ook in staat om kortetermijnvoorspellingen te doen, zoals hardlopers vertellen wanneer ze moeten vertragen om te voorkomen dat ze hun gewenste maximale hartslag overschrijden.

Het team kon de tool gedeeltelijk ontwikkelen omdat ze een van de eersten waren die een enorme fitnessdataset verzamelden en modelleren voor academisch onderzoek. Maar het ontwikkelen van FitRec was niet eenvoudig, aangezien de fitnessdataset een groot aantal trainingsrecords bevat, maar slechts een klein aantal datapunten per persoon.

"Personalisatie is cruciaal in modellen van fitnessgegevens, omdat individuen op veel gebieden sterk verschillen, inclusief hartslag en aanpassingsvermogen aan verschillende oefeningen, " zei Julian McAuley, een professor in de afdeling Computer Science and Engineering aan de UC San Diego.

"De grootste uitdaging bij het bouwen van dit type model is dat de dynamiek van de hartslag als mensen oefenen ongelooflijk complex is, geavanceerde technieken nodig om te modelleren, " voegden onderzoekers eraan toe.

Om een ​​effectief model te bouwen, computerwetenschappers hadden een tool nodig die alle gegevens gebruikt om te leren, maar die tegelijkertijd gepersonaliseerde dynamiek kan leren van een klein aantal gegevenspunten per gebruiker. Betreed een deep learning-architectuur die lange-kortetermijngeheugennetwerken (of LSTM) wordt genoemd, die de onderzoekers hebben aangepast om het individuele dynamische gedrag van elke gebruiker in de dataset vast te leggen.

Onderzoekers voerden de netwerken een subset van een openbare dataset van endomondo.com, een app en website die functioneren als een trainingsdagboek. Na het opschonen van de gegevens, onderzoekers eindigden met meer dan 100, 000 trainingsrecords om de netwerken te trainen.

Ze valideerden de voorspellingen van FitRec door ze te vergelijken met bestaande trainingsrecords die geen deel uitmaakten van de trainingsdataset.

In de toekomst, FitRec kan worden getraind om andere gegevens op te nemen, zoals de manier waarop de fitnessniveaus van gebruikers in de loop van de tijd evolueren, om zijn voorspellingen te doen. De tool kan ook worden toegepast op complexere aanbevelingsroutes, bijvoorbeeld veiligheidsbewuste routes.

Maar om de tool in commerciële fitness-apps te kunnen gebruiken, onderzoekers zouden toegang moeten hebben tot meer gedetailleerde fitness-trackinggegevens en verschillende problemen met de gegevenskwaliteit moeten oplossen.