Gli scienziati informatici dell'Università della California a San Diego hanno sviluppato FitRec, uno strumento di raccomandazione basato sul deep learning, che è in grado di stimare meglio le frequenze cardiache dei corridori durante un allenamento e prevedere e consigliare percorsi. Il team presenterà il proprio lavoro alla conferenza WWW 19 dal 13 al 17 maggio a San Francisco.

I ricercatori hanno addestrato FitRec su un set di dati di oltre 250, 000 record di allenamento per più di 1, 000 corridori. Ciò ha permesso agli scienziati informatici di costruire un modello che analizzasse le prestazioni passate per prevedere la velocità e la frequenza cardiaca in base a tempi e percorsi di allenamento futuri specifici.

FitRec è anche in grado di identificare caratteristiche importanti che influiscono sulle prestazioni di allenamento, ad esempio se un percorso ha colline e il livello di forma fisica dell'utente. Lo strumento può consigliare percorsi alternativi per i corridori che desiderano raggiungere una specifica frequenza cardiaca target. È anche in grado di fare previsioni a breve termine, come dire ai corridori quando rallentare per evitare di superare la frequenza cardiaca massima desiderata.

Il team è stato in grado di sviluppare lo strumento in parte perché è stato tra i primi a raccogliere e modellare un enorme set di dati di fitness per la ricerca accademica. Ma sviluppare FitRec non è stata un'impresa facile in quanto il set di dati di fitness ha un numero enorme di record di allenamento, ma solo un piccolo numero di punti dati per individuo.

"La personalizzazione è fondamentale nei modelli di dati di fitness perché gli individui variano ampiamente in molte aree, compresa la frequenza cardiaca e la capacità di adattarsi a diversi esercizi, " ha detto Julian McAuley, un professore nel Dipartimento di Informatica e Ingegneria dell'UC San Diego.

"La sfida principale nella costruzione di questo tipo di modello è che le dinamiche della frequenza cardiaca durante l'esercizio fisico sono incredibilmente complesse, che richiedono tecniche sofisticate per modellare, " hanno aggiunto i ricercatori.

Per costruire un modello efficace, gli informatici avevano bisogno di uno strumento che utilizzasse tutti i dati per apprendere ma allo stesso tempo potesse apprendere dinamiche personalizzate da un numero limitato di punti dati per utente. Entra in un'architettura di apprendimento profondo chiamata reti di memoria a lungo termine a breve termine (o LSTM), che i ricercatori hanno adattato per catturare i comportamenti dinamici individuali di ciascun utente nel set di dati.

I ricercatori hanno fornito alle reti un sottoinsieme di un set di dati pubblico da endomondo.com, un'app e un sito Web che funzionano come un diario di allenamento. Dopo aver ripulito i dati, i ricercatori hanno concluso con più di 100, 000 record di allenamento per allenare le reti.

Hanno convalidato le previsioni di FitRec confrontandole con i record di allenamento esistenti che non facevano parte del set di dati di allenamento.

Nel futuro, FitRec potrebbe essere addestrato per includere altri dati, come il modo in cui i livelli di fitness degli utenti evolvono nel tempo, per fare le sue previsioni. Lo strumento potrebbe essere applicato anche a percorsi di raccomandazione più complessi, per esempio percorsi attenti alla sicurezza.

Ma affinché lo strumento possa essere utilizzato nelle app di fitness commerciali, i ricercatori dovrebbero avere accesso a dati di monitoraggio dell'attività fisica più dettagliati e affrontare vari problemi di qualità dei dati.