Cientistas da computação da Universidade da Califórnia em San Diego desenvolveram o FitRec, uma ferramenta de recomendação com tecnologia de aprendizado profundo, que é capaz de estimar melhor a freqüência cardíaca dos corredores durante um treino e prever e recomendar rotas. A equipe apresentará seu trabalho na conferência WWW 19 de 13 a 17 de maio em São Francisco.

Os pesquisadores treinaram FitRec em um conjunto de dados de mais de 250, 000 registros de treino para mais de 1, 000 corredores. Isso permitiu que os cientistas da computação construíssem um modelo que analisasse o desempenho anterior para prever a velocidade e a frequência cardíaca, dados os tempos de treino e as rotas futuras específicas.

FitRec também é capaz de identificar características importantes que afetam o desempenho do treino, por exemplo, se uma rota tem colinas e o nível de condicionamento físico do usuário. A ferramenta pode recomendar rotas alternativas para corredores que desejam atingir uma meta de freqüência cardíaca específica. Ele também é capaz de fazer previsões de curto prazo, como dizer aos corredores quando desacelerar para evitar exceder a frequência cardíaca máxima desejada.

A equipe conseguiu desenvolver a ferramenta parcialmente porque foi uma das primeiras a coletar e modelar um grande conjunto de dados de fitness para pesquisa acadêmica. Mas desenvolver o FitRec não foi uma tarefa fácil, pois o conjunto de dados de fitness tem um grande número de registros de treino, mas apenas um pequeno número de pontos de dados por indivíduo.

"A personalização é crucial em modelos de dados de condicionamento físico porque os indivíduos variam amplamente em muitas áreas, incluindo frequência cardíaca e capacidade de adaptação a diferentes exercícios, "disse Julian McAuley, professor do Departamento de Ciência da Computação e Engenharia da UC San Diego.

"O principal desafio na construção deste tipo de modelo é que a dinâmica dos batimentos cardíacos conforme as pessoas se exercitam é incrivelmente complexa, exigindo técnicas sofisticadas para modelar, "pesquisadores acrescentaram.

Para construir um modelo eficaz, os cientistas da computação precisavam de uma ferramenta que usasse todos os dados para aprender, mas ao mesmo tempo pudesse aprender a dinâmica personalizada de um pequeno número de pontos de dados por usuário. Entre em uma arquitetura de aprendizagem profunda chamada redes de memória de longo prazo (ou LSTM), que os pesquisadores adaptaram para capturar os comportamentos dinâmicos individuais de cada usuário no conjunto de dados.

Os pesquisadores alimentaram as redes com um subconjunto de um conjunto de dados público do endomondo.com, um aplicativo e um site que funcionam como um diário de exercícios. Depois de limpar os dados, pesquisadores acabaram com mais de 100, 000 registros de treino para treinar as redes.

Eles validaram as previsões da FitRec comparando-as com os registros de exercícios existentes que não faziam parte do conjunto de dados de treinamento.

No futuro, FitRec pode ser treinado para incluir outros dados, como a forma como os níveis de condicionamento físico dos usuários evoluem com o tempo, para fazer suas previsões. A ferramenta também pode ser aplicada a rotas de recomendação mais complexas, por exemplo, rotas de segurança.

Mas para que a ferramenta seja usada em aplicativos comerciais de fitness, os pesquisadores precisariam ter acesso a dados de rastreamento de aptidão mais detalhados e lidar com vários problemas de qualidade de dados.