Construction of a Personalized Physical Fitness Training Recommendation System Based on Random Forest and Gradient Boosting Machine
Dit artikel stelt een Domain-Knowledge-Driven Hierarchical Collaborative Learning (DKHCL)-framework voor dat Random Forest-kenmerkselectie integreert met Gradient Boosting Machine-voorspelling en Acute-Chronic Workload Ratio-beperkingen om hoogwaardige gepersonaliseerde aanbevelingen voor fysieke fitheid te bereiken, waarbij zowel superieure offline prestaties ten opzichte van geavanceerde baselines als significante verbeteringen in de reductie van blessures en de efficiëntie van het bereiken van doelen in een prospectieve veldvalidatie worden aangetoond.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke atleet, van de recreatieve jogger tot de olympische sprinter, staat voor een fundamenteel biologisch vraagstuk: hoeveel stress moet er op het lichaam worden uitgeoefend om sterker te worden zonder het te breken. Te weinig inspanning leidt tot een trage aanpassing van het lichaam; te veel inspanning zorgt ervoor dat het risico op blessures exponentieel stijgt. Decennialang hebben coaches vertrouwd op intuïtie en ervaring om dit op te lossen, waarbij zij probeerden een balans te vinden tussen de huidige vermoeidheid van een atleet en de langetermijnconditie. Het menselijk oordeel heeft echter vaak moeite met het rekening houden met de complexe, verschuivende geschiedenis van de trainingsbelasting van een atleet. Een nieuwe benadering, ontwikkeld door onderzoekers aan het Laiwu Vocational Technical College in China, gebruikt kunstmatige intelligentie om door deze delicate balans te navigeren, waardoor de manier waarop gepersonaliseerde fitnessplannen worden gemaakt, wordt getransformeerd. De kern van het idee rust op twee gevestigde concepten in de sportwetenschap. Ten eerste is de reactie van het lichaam op lichaamsbeweging niet alleen afhankelijk van de training van vandaag, maar ook van hoe die training zich verhoudt tot wat de atleet de afgelopen weken heeft gedaan. Ten tweede is de relatie tussen training en herstel geen rechte lijn; het omvat niet-lineaire patronen waarbij kleine veranderingen in intensiteit kunnen leiden tot disproportioneel grote effecten op prestaties of het blessurerisico. Door een computer te leren deze patronen te herkennen terwijl deze zich strikt houdt aan veiligheidsregels afgeleid van de menselijke fysiologie, hebben de onderzoekers een systeem gebouwd dat trainingsprogramma's kan suggereren met een niveau van precisie dat voorheen moeilijk te bereiken was.
De onderzoekers wilden een systeem bouwen dat iemands gedetailleerde fysieke profiel kon analyseren en een perfect trainingsprogramma uit een bibliotheek met opties kon aanbevelen. Ze verzamelden gegevens van 2.634 individuen over een periode van 18 maanden, afkomstig van een provinciaal sportcentrum, drie fitnessclubs en een revalidatiecentrum. Voor elke persoon verzamelden ze 37 verschillende stukken informatie, variërend van statische details zoals leeftijd en lengte tot dynamische fysiologische markers zoals hartslagvariabiliteit, spierkracht en zuurstofopname. Ze volgden ook hoe deze individuen door de tijd heen trainden, waarbij ze de frequentie, duur en intensiteit van hun trainingen registreerden. Het doel was niet alleen om een score te voorspellen, maar om de "geschiktheid" van een specifiek trainingsplan voor een specifiek persoon te bepalen op een vijfpuntschaal, van zeer ongeschikt tot zeer geschikt. Om de 'ground truth' voor deze taak te creëren, beoordeelde een panel van vijf expert-sportwetenschappers en coaches onafhankelijk elke mogelijke combinatie van atleet en programma. Wanneer de experts van mening verschilden, bespraken ze de gevallen totdat ze tot een consensus kwamen, waardoor werd gewaarborgd dat de gegevens waar de computer van leerde even betrouwbaar waren als de menselijke expertise kon maken.
Om dit probleem op te lossen, construeerde het team een tweeledig framework voor kunstmatige intelligentie dat anders werkt dan standaard machine learning-modellen. Het eerste deel fungeert als een filter en gebruikt een methode genaamd Random Forest om door de 37 beschikbare datapunten te zeven en de 15 belangrijkste te identificeren. Deze stap is cruciaal omdat het de ruis verwijdert en het systeem focust op de signalen die er echt toe doen, zoals de maximale zuurstofcapaciteit van een atleet en hun recente trainingsfrequentie. Het tweede deel, een Gradient Boosting Machine, neemt deze 15 belangrijke kenmerken en doet de daadwerkelijke voorspelling. Wat dit systeem uniek maakt, is de manier waarop het met tijd en veiligheid omgaat. In plaats van te proberen het verstrijken van de tijd enkel uit ruwe gegevens te leren, voedden de onderzoekers het systeem expliciet met berekende ratio's die de recente eenweekse werklast van een atleet vergelijken met de vierweekse werklast. Deze ratio, bekend als de acute-chronische werklastratio, is een bekende veiligheidsmaatstaf in de sportwetenschap. De onderzoekers lieten de computer dit niet zelfstandig leren; ze bouwden een regel direct in het leerproces die het systeem straft als het een plan suggereert dat deze veiligheidsratio te hoog zou maken. Dit zorgt ervoor dat de computer nooit een gevaarlijke toename in trainingsbelasting aanbeveelt, zelfs niet als de gegevens anders zouden suggereren dat dit tot een hoge score zou leiden.
De resultaten van deze aanpak werden getest tegen een breed scala aan andere methoden, waaronder enkele machine learning-modellen, deep learning-systemen die het menselijk brein nabootsen en traditionele expert-gebaseerde planning. In offline tests met een vaste dataset identificeerde het nieuwe systeem de geschiktheid van trainingsprogramma's in 87,3% van de gevallen. Deze prestatie was hoger dan die van de beste deep learning-modellen, die 85,8% bereikten, en aanzienlijk beter dan traditionele methoden. Het systeem bleek ook veel sneller te trainen; het had slechts ongeveer 52 seconden nodig om de gegevens te verwerken op een standaard werkstation, terwijl de deep learning-modellen meer dan drie minuten nodig hadden. Belangrijker nog is dat de onderzoekers het systeem uit het laboratorium naar de echte wereld hebben gebracht voor een 16-wekelijkse veldvalidatie met 600 deelnemers. Het is belangrijk op te merken dat dit een prospectieve, niet-gerandomiseerde cohortstudie was, wat betekent dat de groepsindeling gebaseerd was op de voorkeur van de atleet in plaats van op willekeurige toewijzing, wat kan leiden tot selectiebias. In deze real-world test zag de groep die de aanbevelingen van het systeem gebruikte, dat het incidentiecijfer van blessures daalde naar 3,2 per 1000 blootstellingsuren, een cijfer dat veel lager was dan de 7,1 die werd waargenomen bij groepen die traditionele trainingsplannen volgden. Bovendien bereikten de atleten die het systeem gebruikten hun fitnessdoelen gemiddeld 21 dagen sneller dan de controlegroepen.
De studie suggereert dat de meest effectieve manier om kunstmatige intelligentie toe te passen in sporttraining niet is om de computer alles vanaf nul te laten leren, maar om deze te sturen met gevestigde menselijke kennis. Door fysiologische veiligheidsregels direct in het leerproces van het algoritme in te bedden, vermijdt het systeem de veelvoorkomende valkuil om gevaarlijke trainingsbelastingen te suggereren enkel omdat de gegevens er veelbelovend uitzien. De onderzoekers ontdekten dat hoewel deep learning-modellen krachtig zijn, ze enorme hoeveelheden gegevens nodig hebben om deze veiligheidsbeperkingen zelfstandig te leren, terwijl hun hybride systeem superieure resultaten behaalde met een veel kleinere dataset door te starten met de juiste regels. Het systeem bevat ook een mechanisme voor dynamische aanpassing: als de feedback van een atleet wijst op een hoge vermoeidheid of slecht herstel over een specifieke periode, activeert het systeem een herbeoordeling die de aanbevolen trainingsintensiteit met 10–15% kan verlagen. Dit creëert een gesloten lus waarbij het trainingsplan meebeweegt met de dagelijkige conditie van de atleet, in plaats van een statisch schema te blijven. Hoewel de studie werd uitgevoerd met een specifieke groep deelnemers en zich richtte op korte-termijnresultaten, bieden de bevindingen een overtuigend blauwdruk voor hoe technologie de genuanceerde beoordeling van menselijke coaches kan ondersteunen in plaats van vervangen, waardoor hoogwaardige training toegankelijker veiliger en efficiënter wordt voor een breder publiek.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.