Datavetare vid University of California San Diego har utvecklat FitRec, ett rekommendationsverktyg som drivs av djupinlärning, som bättre kan uppskatta löparnas hjärtfrekvens under ett träningspass och förutsäga och rekommendera rutter. Teamet kommer att presentera sitt arbete på WWW 19-konferensen 13-17 maj i San Francisco.

Forskare utbildade FitRec på en datauppsättning på mer än 250, 000 träningsrekord för mer än 1, 000 löpare. Detta gjorde det möjligt för datavetare att bygga en modell som analyserade tidigare prestationer för att förutsäga hastighet och puls givet specifika framtida träningstider och rutter.

FitRec kan också identifiera viktiga funktioner som påverkar träningsprestanda, till exempel om en rutt har backar och användarens konditionsnivå. Verktyget kan rekommendera alternativa rutter för löpare som vill uppnå en specifik målpuls. Det är också kapabelt att göra kortsiktiga förutsägelser, som att tala om för löpare när de ska sakta ner för att undvika att överskrida den önskade maxpulsen.

Teamet kunde utveckla verktyget delvis eftersom de var bland de första att samla in och modellera en massiv fitnessdatauppsättning för akademisk forskning. Men att utveckla FitRec var ingen lätt bedrift eftersom träningsdataset har ett stort antal träningsrekord, men endast ett litet antal datapunkter per individ.

"Personligisering är avgörande i modeller av träningsdata eftersom individer varierar mycket inom många områden, inklusive puls och förmåga att anpassa sig till olika övningar, sa Julian McAuley, professor vid institutionen för datavetenskap och teknik vid UC San Diego.

"Den största utmaningen med att bygga den här typen av modell är att dynamiken i hjärtfrekvensen när människor tränar är otroligt komplex, kräver sofistikerade tekniker för att modellera, ", tillade forskare.

För att bygga en effektiv modell, datavetare behövde ett verktyg som använder all data för att lära sig men som samtidigt kan lära sig personlig dynamik från ett litet antal datapunkter per användare. Ange en djupinlärningsarkitektur som kallas långtidsminnesnätverk (eller LSTM), som forskarna anpassade för att fånga de individuella dynamiska beteendena hos varje användare i datamängden.

Forskare matade nätverken med en delmängd av en offentlig datauppsättning från endomondo.com, en app och hemsida som fungerar som träningsdagbok. Efter att ha rensat upp data, forskare slutade med mer än 100, 000 träningsrekord för att träna nätverken.

De validerade FitRecs förutsägelser genom att jämföra dem med befintliga träningsposter som inte var en del av träningsdatauppsättningen.

I framtiden, FitRec kan tränas att inkludera annan data, till exempel hur användarnas konditionsnivåer utvecklas över tiden, att göra sina förutsägelser. Verktyget kan också användas på mer komplexa rekommendationsvägar, till exempel säkerhetsmedvetna rutter.

Men för att verktyget ska kunna användas i kommersiella fitnessappar, forskare skulle behöva ha tillgång till mer detaljerad träningsdata och hantera olika datakvalitetsfrågor.