AI模型推荐最佳锻炼方案

  • 0 replies
  • 393 views
*

sisiy

  • *****
  • 174
    • 查看个人资料
AI模型推荐最佳锻炼方案
« 于: 四月 27, 2019, 11:52:36 am »
计划针对用户需求的锻炼可能具有挑战性。为了帮助提供更加个性化的锻炼建议,加州大学圣地亚哥分校的研究人员开发了一种基于深度学习的系统,以便在锻炼期间更好地估计跑步者的心率并预测推荐的路线。这项工作有可能帮助健身追踪公司和移动应用开发者增强他们的应用和设备。

使用NVIDIA GeForce GTX 1080 TI GPU进行训练和推理,通过cuDNN加速的PyTorch和TensorFlow深度学习框架,该团队在数据集上训练了一个基于长短期记忆(LSTM)的模型,该数据集包含来自超过250,000条的超过250,000条锻炼记录1000名选手。这使得系统能够预测特定的未来锻炼时间和路线的速度和心率。
 
一旦经过训练,该算法依赖于GPU来生成推荐路线。该系统能够检测可能改变用户心率的山丘和障碍物。该工具还可以为正在努力达到特定心率的用户推荐替代路线。


推荐路线的示例。该模型推荐了一种类似于groundtruth的替代路线
研究人员在他们的论文中指出,“我们通过学习用户身份,运动类型和历史锻炼序列等辅助信息中的嵌入表示来实现这一目标,每个辅助信息都被纳入基于LSTM的顺序建模框架中。 “该模型能够以评估用户心率序列为中心的任务提供高质量的预测,例如锻炼概况预测和短期预测。”



锻炼概况预测(FitRec)和短期预测(FitRec-Attn)的模型结构。 FitRec包含2层堆叠LSTM,FitRec-Attn具有编码器 - 解码器模块,具有双级注意力。最终输出颜色为蓝色。

研究人员测试了他们的新算法FitRec-Attn(U / C)与其他三个模型,包括Windows MLP,Seq2Seq和DA-RNN。该团队发现他们的模型优于其他所有模型。


这项工作仍然是一个概念证明,尚未在商业健身应用程序中提供。然而,研究人员希望他们的工具可以应用于改进基于健身推荐的系统,从而实现更复杂的推荐算法。

本工作中使用的数据集和相应代码将很快向公众发布。
« 最后编辑时间: 四月 27, 2019, 12:13:11 pm 作者 sisiy »