Des informaticiens de l'Université de Californie à San Diego ont développé FitRec, un outil de recommandation alimenté par le deep learning, capable de mieux estimer la fréquence cardiaque des coureurs pendant un entraînement et de prévoir et recommander des itinéraires. L'équipe présentera son travail lors de la conférence WWW 19 du 13 au 17 mai à San Francisco.

Les chercheurs ont formé FitRec sur un ensemble de données de plus de 250, 000 enregistrements d'entraînement pour plus de 1, 000 coureurs. Cela a permis aux informaticiens de créer un modèle qui analysait les performances passées pour prédire la vitesse et la fréquence cardiaque en fonction des heures et des itinéraires d'entraînement spécifiques futurs.

FitRec est également capable d'identifier les caractéristiques importantes qui affectent les performances d'entraînement, comme si un itinéraire a des collines et le niveau de forme physique de l'utilisateur. L'outil peut recommander des itinéraires alternatifs pour les coureurs qui souhaitent atteindre une fréquence cardiaque cible spécifique. Il est également capable de faire des prédictions à court terme, comme dire aux coureurs quand ralentir pour éviter de dépasser leur fréquence cardiaque maximale souhaitée.

L'équipe a pu développer l'outil en partie parce qu'elle a été parmi les premières à collecter et à modéliser un ensemble de données de fitness massif pour la recherche universitaire. Mais développer FitRec n'a pas été une tâche facile car l'ensemble de données de fitness contient un grand nombre d'enregistrements d'entraînement, mais seulement un petit nombre de points de données par individu.

"La personnalisation est cruciale dans les modèles de données de fitness car les individus varient considérablement dans de nombreux domaines, y compris la fréquence cardiaque et la capacité à s'adapter à différents exercices, " a déclaré Julian McAuley, professeur au Département d'informatique et d'ingénierie de l'UC San Diego.

"Le principal défi dans la construction de ce type de modèle est que la dynamique des fréquences cardiaques lorsque les gens font de l'exercice est incroyablement complexe, nécessitant des techniques sophistiquées pour modéliser, ", ont ajouté les chercheurs.

Pour construire un modèle efficace, les informaticiens avaient besoin d'un outil qui utilise toutes les données pour apprendre, mais qui puisse en même temps apprendre des dynamiques personnalisées à partir d'un petit nombre de points de données par utilisateur. Entrez dans une architecture de deep learning appelée réseaux de mémoire à long terme (ou LSTM), que les chercheurs ont adapté pour capturer les comportements dynamiques individuels de chaque utilisateur dans l'ensemble de données.

Les chercheurs ont alimenté les réseaux avec un sous-ensemble d'un ensemble de données public d'endomondo.com, une application et un site Web qui fonctionnent comme un journal d'entraînement. Après avoir nettoyé les données, les chercheurs se sont retrouvés avec plus de 100, 000 fiches d'entraînement pour entraîner les réseaux.

Ils ont validé les prédictions de FitRec en les comparant avec des enregistrements d'entraînement existants qui ne faisaient pas partie de l'ensemble de données d'entraînement.

À l'avenir, FitRec pourrait être formé pour inclure d'autres données, comme la façon dont les niveaux de forme physique des utilisateurs évoluent au fil du temps, faire ses prédictions. L'outil pourrait également être appliqué à des itinéraires de recommandation plus complexes, par exemple les itinéraires de sécurité.

Mais pour que l'outil soit utilisé dans des applications de fitness commerciales, les chercheurs devraient avoir accès à des données de suivi de la condition physique plus détaillées et traiter divers problèmes de qualité des données.