Los científicos han desarrollado una herramienta de inteligencia artificial que puede hacer recomendaciones para entrenamientos basados ​​en datos de sus rastreadores de ejercicios. La herramienta, llamada FitRec, fue entrenada en un conjunto de datos de más de 250,000 registros de entrenamiento para más de 1,000 corredores, según científicos de la Universidad de California en San Diego en los Estados Unidos. Esto permitió a los científicos de computación construir un modelo que analizó el rendimiento pasado para predecir la velocidad y la frecuencia cardíaca, dados los tiempos y las rutas específicas de los ejercicios futuros.

FitRec también es capaz de identificar características importantes que afectan el rendimiento del entrenamiento, por ejemplo, si una ruta tiene pendientes y el nivel de condición física del usuario. La herramienta puede recomendar rutas alternativas para los corredores que desean alcanzar un ritmo cardíaco objetivo específico. 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 parcialmente porque fueron los primeros en recopilar y modelar un conjunto de datos masivo de aptitud física para la investigación académica. Sin embargo, desarrollar FitRec no fue una tarea fácil, ya que el conjunto de datos de aptitud física 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 condición física porque las personas varían mucho en muchas áreas, incluida la frecuencia cardíaca y la capacidad de adaptarse a diferentes ejercicios", dijo Julian McAuley, profesor 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 se ejercitan es increíblemente compleja y requiere técnicas sofisticadas para modelar", dijeron los investigadores.

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

Los investigadores proporcionaron a las redes un subconjunto de un conjunto de datos público de endomondo.com, una aplicación y un sitio web que funciona como un diario de ejercicios. Después de limpiar los datos, los investigadores terminaron con más de 100,000 registros de entrenamiento para entrenar las redes. Validaron las predicciones de FitRec al compararlas con los registros de entrenamiento existentes que no formaban parte del conjunto de datos de entrenamiento.

En el futuro, FitRec podría recibir capacitación 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. Sin embargo, para que la herramienta se use en aplicaciones comerciales de acondicionamiento físico, los investigadores deberían tener acceso a datos más detallados sobre el seguimiento de su estado físico y tratar diversos problemas de calidad de los datos.