Construction of a Personalized Physical Fitness Training Recommendation System Based on Random Forest and Gradient Boosting Machine
Cet article propose un cadre d'apprentissage collaboratif hiérarchique piloté par les connaissances du domaine (DKHCL) qui intègre la sélection de caractéristiques par Forêt Aléatoire avec la prédiction par Machine à Boosting de Gradient et des contraintes de ratio de charge de travail aiguë-chronique afin d'obtenir des recommandations de condition physique personnalisées de haute précision, démontrant à la fois une performance hors ligne supérieure par rapport aux bases de référence avancées et des améliorations significatives dans la réduction des blessures et l'efficacité de l'atteinte des objectifs lors d'une validation de terrain prospective.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque athlète, du joggeur du dimanche au sprinteur olympique, est confronté à un casse-tête biologique fondamental : quel niveau de stress appliquer au corps pour le renforcer sans le briser. Si l'on pousse trop peu, le corps s'adapte lentement ; si l'on pousse trop fort, le risque de blessure grimpe en flèche. Pendant des décennies, les entraîneurs se sont appuyés sur l'intuition et l'expérience pour résoudre ce problème, tentant d'équilibrer la fatigue actuelle d'un athlète avec sa forme physique à long terme. Cependant, le jugement humain peine souvent à rendre compte de l'historique complexe et changeant de la charge d'entraînement d'un athlète. Une nouvelle approche, développée par des chercheurs du Collège technique professionnel de Laiwu en Chine, utilise l'intelligence artificielle pour naviguer dans cet équilibre délicat, transformant la création de programmes de fitness personnalisés. L'idée centrale repose sur deux concepts établis en sciences du sport. Premièrement, la réponse du corps à l'exercice ne dépend pas seulement de l'entraînement du jour, mais de la manière dont cet entraînement se compare à ce que l'athlète a fait au cours des dernières semaines. Deuxièmement, la relation entre l'entraînement et la récupération n'est pas une ligne droite ; elle implique des schémas non linéaires où de petits changements d'intensité peuvent entraîner des effets disproportionnés sur la performance ou le risque de blessure. En apprenant à un ordinateur à reconnaître ces schéments tout en respectant strictement des règles de sécurité dérivées de la physiologie humaine, les chercheurs ont construit un système capable de suggérer des programmes d'entraînement avec un niveau de précision auparavant difficile à atteindre.
Les chercheurs ont entrepris de construire un système capable d'analyser le profil physique détaillé d'une personne et de recommander le programme d'entraînement parfait parmi une bibliothèque d'options. Ils ont recueilli des données auprès de 2 634 individus sur une période de 18 mois, provenant d'un centre sportif provincial, de trois clubs de fitness et d'un établissement de rééducation. Pour chaque personne, ils ont collecté 37 informations différentes, allant de détails statiques comme l'âge et la taille à des marqueurs physiologiques dynamiques tels que la variabilité de la fréquence cardiaque, la force musculaire et la consommation d'oxygène. Ils ont également suivi la façon dont ces individus s'entraînaient au fil du temps, enregistrant la fréquence, la durée et l'intensité de leurs séances. L'objectif n'était pas seulement de prédire un score, mais de déterminer la « pertinence » d'un programme d'entraînement spécifique pour une personne spécifique sur une échelle de cinq points, allant de très inapproprié à très approprié. Pour créer la vérité de terrain pour cette tâche, un panel de cinq experts en sciences du sport et entraîneurs a évalué indépendamment chaque combinaison possible d'athlète et de programme. Lorsque les experts n'étaient pas d'accord, ils discutaient les cas jusqu'à atteindre un consensus, garantissant que les données dont l'ordinateur apprenait étaient aussi fiables que l'expertise humaine pouvait le rendre.
Pour résoudre ce problème, l'équipe a construit un cadre d'intelligence artificielle en deux parties qui fonctionne différemment des modèles d'apprentissage automatique standards. La première partie agit comme un filtre, utilisant une méthode appelée Forêt Aléatoire (Random Forest) pour passer au crible les 37 points de données disponibles et identifier les 15 plus importants. Cette étape est cruciale car elle élimine le bruit et concentre le système sur les signaux qui comptent réellement, tels que la capacité d'oxygène maximale d'un athlète et sa fréquence d'entraînement récente. La seconde partie, une Machine de Boosting de Gradient (Gradient Boosting Machine), prend ces 15 caractéristiques clés et effectue la prédiction réelle. Ce qui rend ce système unique, c'est sa gestion du temps et de la sécurité. Au lieu d'essayer d'apprendre le passage du temps à partir des données brutes seules, les chercheurs ont explicitement injecté dans le système des ratios calculés qui comparent la charge de travail récente d'une semaine à la charge de travail de quatre semaines. Ce ratio, connu sous le nom de ratio de charge de travail aiguë-chronique, est une métrique de sécurité bien connue dans les sciences du sport. Les chercheurs n'ont pas simplement laissé l'ordinateur apprendre cela de lui-même ; ils ont intégré une règle directement dans le processus d'apprentissage qui pénalise le système s'il suggère un plan qui pousserait ce ratio de sécurité trop haut. Cela garantit que l'ordinateur ne recommande jamais une augmentation dangereuse de la charge d'entraînement, même si les données pourraient autrement suggérer qu'elle mènerait à un score élevé.
Les résultats de cette approche ont été testés par rapport à un large éventail d'autres méthodes, y compris des modèles d'apprentissage automatique simples, des systèmes d'apprentissage profond imitant le cerveau humain et la planification traditionnelle basée sur l'expertise. Lors de tests hors ligne utilisant un ensemble de données fixes, le nouveau système a correctement identifié la pertinence des programmes d'entraînement 87,3 % du temps. Cette performance était supérieure aux meilleurs modèles d'apprentissage profond, qui atteignaient 85,8 %, et nettement meilleure que les méthodes traditionnelles. Le système s'est également avéré beaucoup plus rapide à entraîner, ne prenant qu'environ 52 secondes pour traiter les données sur une station de travail standard, alors que les modèles d'apprentissage profond nécessitaient plus de trois minutes. Plus important encore, les chercheurs ont sorti le système du laboratoire pour l'amener dans le monde réel lors d'une validation sur le terrain de 16 semaines impliquant 600 participants. Il est important de noter qu'il s'agissait d'une étude de cohorte prospective non randomisée, ce qui signifie que l'allocation des groupes était basée sur la préférence de l'athlète plutôt que sur une assignation aléatoire, ce qui introduit un biais de sélection potentiel. Dans ce test en conditions réelles, le groupe utilisant les recommandations du système a vu son taux d'incidence des blessures chuter à 3,2 pour 1000 heures d'exposition, un chiffre bien inférieur aux 7,1 observés dans les groupes suivant des plans d'entraînement traditionnels. De plus, les athlètes utilisant le système ont atteint leurs objectifs de forme physique en moyenne 21 jours plus rapidement que les groupes de contrôle.
L'étude suggère que la manière la plus efficace d'appliquer l'intelligence artificielle dans l'entraînement sportif n'est pas de laisser l'ordinateur tout apprendre à partir de zéro, mais de le guider avec les connaissances humaines établies. En intégrant des règles de sécurité physiologique directement dans le processus d'apprentissage de l'algorithme, le système évite le piège courant de suggérer des charges d'entraînement dangereuses simplement parce que les données semblent prometteuses. Les chercheurs ont constaté que, bien que les modèles d'apprentissage profond soient puissants, ils nécessitent des quantités massives de données pour apprendre ces contraintes de sécurité par eux-mêmes, tandis que leur système hybride a obtenu des résultats supérieurs avec un ensemble de données beaucoup plus restreint en partant des bonnes règles. Le système intègre également un mécanisme d'ajustement dynamique : si le feedback d'un athlète indique une fatigue élevée ou une mauvaise récupération sur une période donnée, le système déclenche une réévaluation qui peut réduire l'intensité de l'entraînement recommandé de 10 à 15 %. Cela crée une boucle fermée où le plan d'entraînement évolue avec l'état quotidien de l'athlète, plutôt que de rester un calendrier statique. Bien que l'étude ait été menée avec un groupe spécifique de participants et se soit concentrée sur des résultats à court terme, les conclusions offrent un modèle convaincant de la manière dont la technologie peut soutenir, plutôt que remplacer, le jugement nuancé des entraîneurs humains, rendant l'entraînement de haut niveau plus sûr et plus efficace pour un plus large éventail de personnes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.