深度学习工具根据健身数据可以给出什么建议

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。