Los informáticos de la Universidad de California en San Diego han desarrollado FitRec, una herramienta de recomendación impulsada por el aprendizaje profundo, que puede estimar mejor la frecuencia cardíaca de los corredores durante un entrenamiento y predecir y recomendar rutas. El equipo presentará su trabajo en la conferencia WWW 19 del 13 al 17 de mayo en San Francisco.

Los investigadores capacitaron a FitRec en un conjunto de datos de más de 250, 000 registros de entrenamiento durante más de 1, 000 corredores. Esto permitió a los científicos informáticos construir un modelo que analizaba el rendimiento pasado para predecir la velocidad y la frecuencia cardíaca dados los tiempos y rutas de entrenamiento futuros específicos.

FitRec también es capaz de identificar características importantes que afectan el rendimiento del entrenamiento, como si una ruta tiene colinas y el nivel de condición física del usuario. La herramienta puede recomendar rutas alternativas para corredores que quieran alcanzar una frecuencia cardíaca objetivo específica. También es capaz de hacer predicciones a corto plazo, como decirle a los corredores cuándo reducir la velocidad para evitar exceder su frecuencia cardíaca máxima deseada.

El equipo pudo desarrollar la herramienta en parte porque fueron de los primeros en recopilar y modelar un conjunto de datos de fitness masivo para la investigación académica. Pero desarrollar FitRec no fue tarea fácil, ya que el conjunto de datos de fitness tiene una gran cantidad de registros de entrenamiento. pero solo una pequeña cantidad de puntos de datos por individuo.

"La personalización es crucial en los modelos de datos de fitness porque los individuos varían ampliamente en muchas áreas, incluida la frecuencia cardíaca y la capacidad de adaptarse a diferentes ejercicios, "dijo Julian McAuley, profesor en el Departamento de Ingeniería y Ciencias de la Computación de UC San Diego.

"El principal desafío en la construcción de este tipo de modelo es que la dinámica de la frecuencia cardíaca a medida que las personas hacen ejercicio es increíblemente compleja, que requieren técnicas sofisticadas para modelar, "agregaron los investigadores.

Para construir un modelo efectivo, Los informáticos necesitaban una herramienta que utilizara todos los datos para aprender, pero que al mismo tiempo pudiera aprender dinámicas personalizadas a partir de una pequeña cantidad de puntos de datos por usuario. Ingrese a una arquitectura de aprendizaje profundo llamada redes de memoria a corto plazo a largo plazo (o LSTM), que los investigadores adaptaron para capturar los comportamientos dinámicos individuales de cada usuario en el conjunto de datos.

Los investigadores alimentaron las redes con un subconjunto de un conjunto de datos públicos de endomondo.com, una aplicación y un sitio web que funcionan como un diario de ejercicios. Después de limpiar los datos, investigadores terminaron con más de 100, 000 registros de entrenamiento para entrenar las redes.

Validaron las predicciones de FitRec comparándolas con registros de entrenamiento existentes que no formaban parte del conjunto de datos de entrenamiento.

En el futuro, FitRec podría estar capacitado para incluir otros datos, como la forma en que los niveles de condición física de los usuarios evolucionan con el tiempo, para hacer sus predicciones. La herramienta también podría aplicarse a rutas de recomendación más complejas, por ejemplo, rutas de seguridad.

Pero para que la herramienta se utilice en aplicaciones comerciales de fitness, los investigadores necesitarían tener acceso a datos de seguimiento de la condición física más detallados y lidiar con varios problemas de calidad de los datos.