💻 computer science

Construction of a Personalized Physical Fitness Training Recommendation System Based on Random Forest and Gradient Boosting Machine

Este artigo propõe um framework de Aprendizado Colaborativo Hierárquico Impulsionado por Conhecimento de Domínio (DKHCL) que integra a seleção de características por Random Forest com a predição por Gradient Boosting Machine e restrições de Razão de Carga de Trabalho Aguda-Crônica para alcançar recomendações de condicionamento físico personalizado de alta precisão, demonstrando tanto um desempenho offline superior contra baselines avançados quanto melhorias significativas no mundo real na redução de lesões e na eficiência de alcance de objetivos em uma validação de campo prospectiva.

Autores originais: Fuliang Geng, Mei Wei

Publicado 2026-08-26

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Fuliang Geng, Mei Wei

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Todo atleta, desde o corredor de fim de semana até o velocista olímpico, enfrenta um enigma biológico fundamental: quanto estresse aplicar ao corpo para torná-lo mais forte sem quebrá-lo. Se aplicar pouco, o corpo se adapta lentamente; se aplicar demais, o risco de lesão dispara. Durante décadas, os treinadores confiaram na intuição e na experiência para resolver isso, tentando equilibrar a fadiga atual de um atleta com seu condicionamento físico de longo prazo. No entanto, o julgamento humano muitas vezes tem dificuldade em considerar o histórico complexo e mutável da carga de treinamento de um atleta. Uma nova abordagem, desenvolvida por pesquisadores do Colégio Técnico Vocacional de Laiwu, na China, utiliza inteligência artificial para navegar nesse delicado equilíbrio, transformando a forma como os planos de condicionamento físico personalizados são criados. A ideia central baseia-se em dois conceitos estabelecidos nas ciências do esporte. Primeiro, a resposta do corpo ao exercício não diz respeito apenas ao treino que está acontecendo hoje, mas a como esse treino se compara ao que o atleta realizou nas últimas semanas. Segundo, a relação entre treinamento e recuperação não é uma linha reta; envolve padrões não lineares onde pequenas mudanças na intensidade podem levar a efeitos desproporcionalmente grandes no desempenho ou no risco de lesão. Ao ensinar um computador a reconhecer esses padrões enquanto adere estritamente a regras de segurança derivadas da fisiologia humana, os pesquisadores construíram um sistema que sugere programas de treinamento com um nível de precisão anteriormente difícil de alcançar.

Os pesquisadores buscaram construir um sistema que pudesse analisar o perfil físico detalhado de uma pessoa e recomendar o programa de treinamento perfeito a partir de uma biblioteca de opções. Eles coletaram dados de 2.634 indivíduos ao longo de um período de 18 meses, extraídos de um centro esportivo provincial, três clubes de fitness e uma instalação de reabilitação. Para cada pessoa, coletaram 3ções de informações diferentes, variando de detalhes estáticos como idade e altura a marcadores fisiológicos dinâmicos, como variabilidade da frequência cardíaca, força muscular e consumo de oxigênio. Eles também monitoraram como esses indivíduos treinavam ao longo do tempo, registrando a frequência, a duração e a intensidade de seus treinos. O objetivo não era apenas prever uma pontuação, mas determinar a "adequação" de um plano de treinamento específico para uma pessoa específica em uma escala de cinco pontos, de altamente inadequado a altamente adequado. Para criar a verdade fundamental para essa tarefa, um painel de cinco especialistas em ciências do esporte e treinadores avaliou independentemente cada combinação possível de atleta e programa. Quando os especialistas discordavam, eles discutiam os casos até chegarem a um consenso, garantindo que os dados dos quais o computador aprendeu fossem tão confiáveis quanto a expertise humana pudesse tornar.

Para resolver este problema, a equipe construiu uma estrutura de inteligência artificial de duas partes que funciona de forma diferente dos modelos padrão de aprendizado de máquina. A primeira parte atua como um filtro, utilizando um método chamado Random Forest para filtrar os 37 pontos de dados disponíveis e identificar os 15 mais importantes. Esta etapa é crucial porque remove o ruído e foca o sistema nos sinais que realmente importam, como a capacidade máxima de oxigênio de um atleta e sua frequência de treinamento recente. A segunda parte, uma Gradient Boosting Machine, pega esses 15 recursos principais e faz a previsão real. O que torna este sistema único é como ele lida com o tempo e a segurança. Em vez de tentar aprender a passagem do tempo apenas a partir de dados brutos, os pesquisadores alimentaram explicitamente o sistema com razões calculadas que comparam a carga de trabalho recente de uma semana do atleta com sua carga de trabalho de quatro semanas. Esta razão, conhecida como razão de carga de trabalho aguda-crônica, é uma métrica de segurança bem conhecida nas ciências do esporte. Os pesquisadores não deixaram o computador aprender isso por conta própria; eles construíram uma regra diretamente no processo de aprendizado que penaliza o sistema se ele sugerir um plano que elevaria demais essa razão de segurança. Isso garante que o computador nunca recomende um aumento perigoso na carga de treinamento, mesmo que os dados possam, de outra forma, sugerir que isso levaria a uma pontuação alta.

Os resultados desta abordagem foram testados contra uma ampla gama de outros métodos, incluindo modelos únicos de aprendizado de máquina, sistemas de aprendizado profundo que mimetizam o cérebro humano e o planejamento tradicional baseado em especialistas. Em testes offline usando um conjunto fixo de dados, o novo sistema identificou corretamente a adequação dos programas de treinamento 87,3% das vezes. Este desempenho foi superior aos melhores modelos de aprendimento profundo, que atingiram 85,8%, e significativamente melhor que os métodos tradicionais. O sistema também provou ser muito mais rápido para treinar, levando apenas cerca de 52 segundos para processar os dados em uma estação de trabalho padrão, enquanto os modelos de aprendizado profundo exigiam mais de três minutos. Mais importante ainda, os pesquisadores levaram o sistema do laboratório para o mundo real em uma validação de campo de 16 semanas envolvendo 600 participantes. É importante notar que este foi um estudo de coorte controlado não randomizado prospectivo, o que significa que a alocação dos grupos foi baseada na preferência do atleta em vez de atribuição aleatória, o que introduz um potencial viés de seleção. Neste teste do mundo real, o grupo que utilizou as recomendações do sistema viu sua taxa de incidência de lesões cair para 3,2 por 1.000 horas de exposição, um número muito inferior aos 7,1 observados nos grupos que seguiram planos de treinamento tradicionais. Além disso, os atletas que utilizaram o sistema alcançaram seus objetivos de condicionamento físico, em média, 21 dias mais rápido do que os grupos de controle.

O estudo sugere que a maneira mais eficaz de aplicar a inteligência artificial no treinamento esportivo não é deixar o computador aprender tudo do zero, mas sim guiá-lo com o conhecimento humano estabelecido. Ao incorporar regras de segurança fisiológica diretamente no processo de aprendizado do algoritmo, o sistema evita a armadilha comum de sugerir cargas de treinamento perigosas apenas porque os dados parecem promissores. Os pesquisadores descobriram que, embora os modelos de aprendizado profundo sejam poderosos, eles exigem quantidades massivas de dados para aprender essas restrições de segurança por conta própria, enquanto seu sistema híbrido alcançou resultados superiores com um conjunto de dados muito menor, começando com as regras corretas. O sistema também incorpora um mecanismo de ajuste dinâmico: se o feedback do atleta indicar alta fadiga ou baixa recuperação durante um período específico, o sistema aciona uma reavaliação que pode reduzir a intensidade do treinamento recomendado em 10–15%. Isso cria um ciclo fechado onde o plano de treinamento evolui com a condição diária do atleta, em vez de permanecer um cronograma estático. Embora o estudo tenha sido conduzido com um grupo específico de participantes e focado em resultados de curto prazo, as descobertas oferecem um modelo convincente de como a tecnologia pode apoiar, em vez de substituir, o julgamento matizado dos treinadores humanos, tornando o treinamento de alto nível mais seguro e eficiente para uma gama mais ampla de pessoas.

Resumo Técnico: Construção de um Sistema de Recomendação de Treinamento de Condicionamento Físico Personalizado Baseado em Random Forest e Gradient Boosting Machine

1. Definição do Problema

Programas tradicionais de treinamento de condicionamento físico dependem frequentemente da experiência de treinadores, enfrentando dificuldades para equilibrar as diferenças fisiológicas individuais com as necessidades de ajuste dinâmico. As abordagens de aprendizado de máquina existentes para recomendações personalizadas enfrentam três limitações fundamentais:

Negligência de Dependências Temporais: A maioria dos sistemas trata a carga de treinamento como um problema de otimização estática, falhando em considerar como o histórico de treinamento recente influencia a fadiga e a adaptação atuais. Embora a teoria da Razão de Carga Aguda-Crônica (ACWR) exista, ela é tipicamente aplicada como um filtro post-hoc em vez de ser incorporada dentro do processo de aprendizado, levando a previsões que podem violar domínios de segurança fisiológica.
Compromisso entre Precisão e Robustez: Algoritmos únicos lutam para equilibrar desempenho e estabilidade. O Random Forest (RF) oferece tolerância ao ruído, mas carece de caracterização detalhada de resíduos, enquanto as Máquinas de Gradient Boosting (GBM) alcançam alta precisão, mas são sensíveis ao ruído de características (features).
Estratégias de Fusão Ineficazes: Os métodos de conjunto (ensemble) existentes frequentemente dependem de combinações lineares simples ou meta-aprendizes (stacking) que falham em aproveitar as propriedades estruturais complementares de diferentes algoritmos ou em incorporar medidas de confiança específicas do domínio de forma dinâmica.

2. Metodologia: O Framework DKHCL

O artigo propõe um framework de Aprendizado Colaborativo Hierárquico Orientado pelo Conhecimento do Domínio (DKHCL). Esta arquitetura integra RF para seleção de características e GBM para predição ordinal, sendo restringida por princípios de fisiologia do exercício.

2.1 Pipeline de Dados e Pré-processamento

Conjunto de Dados: 2.634 amostras válidas de 2.847 praticantes (coletadas ao longo de 18 meses de um centro esportivo provincial, clubes de fitness e um centro de reabilitação).
Características (Features): Os dados brutos incluem 37 dimensões (atributos estáticos, indicadores fisiológicos dinâmicos e rastreamento comportamental).
Codificação Temporal: Em vez de modelagem sequencial nativa (ex: RNNs), as dependências temporais são codificadas via estatísticas de janela deslizante projetadas: carga aguda de 7 dias, carga crônica de 28 dias e razões de ACWR.
Rotulagem: A adequabilidade é definida como uma tarefa de classificação ordinal (escala Likert de 5 pontos: 1=Altamente Inadequado a 5=Altamente Adequado), rotulada por um painel de especialistas (ICC = 0,87).

2.2 Componentes Principais

O framework opera em três estágios distintos:

Seleção de Características por RF (Redução de Dimensionalidade):
- Um modelo Random Forest (RF-FS) é treinado no conjunto completo de 37 dimensões para identificar as características mais preditivas usando importância de permutação condicional.
- Isso reduz o espaço de entrada para um subconjunto central de 15 características (ex: VO₂max, índice de força muscular, frequência de treinamento), comprimindo o espaço de características em ~55% enquanto retém 89,7% da informação preditiva cumulativa.
- Este passo atua como um filtro de ruído, preparando um espaço de entrada mais limpo para o preditor.
Predição Ordinal por GBM com Restrições de ACWR:
- Uma Máquina de Gradient Boosting (GBM) realiza a predição ordinal primária no conjunto de características reduzido de 15 dimensões.
- Injeção de Conhecimento do Domínio: Diferente de uma GBM padrão, este modelo incorpora a restrição de segurança de ACWR diretamente no processo de treinamento via uma penalidade de gradiente.
- Se um programa de treinamento previsto implica um ACWR > 1,5 (um limiar de risco fisiológico), um termo de penalidade suave é adicionado à função de perda durante a iteração do gradiente. Isso garante que o modelo aprenda a evitar regiões inseguras inerentemente, em vez de apenas realizar o corte das predições post-hoc.
- Os hiperparâmetros são otimizados usando otimização Bayesiana (Optuna).
Fusão Hierárquica Dinâmica:
- A pontuação final de recomendação é uma combinação ponderada das saídas de RF e GBM: $Score = w_{RF} \cdot y_{RF} + w_{GBM} \cdot y_{GBM} + \sum \theta_k \cdot g_k$ .
- Pesos Adaptativos à Incerteza: Os pesos ( $w_{RF}, w_{GBM}$ ) não são fixos. Eles são calculados dinamicamente com base na variância da predição (incerteza) de cada modelo para uma amostra específica. Se o RF estiver mais confiante (menor variância) para uma entrada específica, seu peso aumenta, e vice-versa.
- Intervenção Baseada em Regras: Uma camada de estratégia aplica restrições rígidas (ex: contraindicações médicas, disponibilidade de equipamentos) e regras de diversidade antes do ranking final.

3. Principais Contribuições

Aprendizado Fisiologicamente Restrito: O artigo introduz um mecanismo para incorporar a teoria da ACWR como um termo de penalidade suave dentro do processo de gradient boosting da GBM, garantindo que as predições adiram aos limites de segurança fisiológica durante o treinamento, e não após ele.
Arquitetura Colaborativa Hierárquica: Propõe um pipeline específico de "RF para seleção de características $\to$ GBM para refinamento". Isso desacopla a redução de dimensionalidade da predição, aproveitando a robustez do RF ao ruído para estabilizar o gradiente descendente da GBM.
Fusão Dinâmica Orientada pela Incerteza: O sistema vai além dos conjuntos de pesos fixos ao calcular pesos de fusão específicos para cada amostra baseados na variância do modelo, permitindo que o sistema confie adaptativamente no modelo mais confiável para cada perfil de praticante específico.
Engenharia de Características Temporais: O estudo demonstra que a engenharia explícita de características temporais (janelas deslizantes, ACWR) pode superar modelos sequenciais de ponta a ponta (LSTM/Transformer) em dados tabulares com amostras limitadas, oferecendo melhor interpretabilidade e eficiência computacional.

4. Resultados Experimentais

4.1 Desempenho Offline

Os experimentos foram conduzidos utilizando validação cruzada 5×2 em uma divisão fixa de treino-validação-teste.

Acurácia: O DKHCL alcançou 87,3% (95% CI: 85,1–89,4%), superando modelos únicos (RF: 74,7%, GBM: 81,5%) e baselines de deep learning (Transformer: 85,8%).
AUC: O DKHCL alcançou 0,924, comparado a 0,918 para o Transformer.
F1-Score: O DKHCL alcançou 0,883.
Eficiência: O tempo de treinamento do DKHCL foi de 52,4 segundos por fold, significativamente mais rápido que o Transformer (203,4s) e o LSTM (156,2s).
Significância Estatística: Embora o DKHCL tenha mostrado uma melhoria de 1,5% na acurácia sobre o baseline mais forte (Transformer), o artigo observa que essa diferença não atingiu significância estatística após a correção de Bonferroni para múltiplas comparações, embora o tamanho do efeito (Cohen's d = 0,18) sugira uma vantagem prática.

4.2 Validação de Campo (Coorte Prospectiva)

Um estudo prospectivo separado de 16 semanas com 600 participantes (distintos do conjunto de dados offline) avaliou os resultados no mundo real, compreendendo um Grupo Experimental (Sistema Híbrido, n=180), Grupo Controle A (Tradicional, n=90) e Grupo Controle B (RF Único, n=90):

Taxa de Lesão: O grupo guiado pelo sistema teve uma taxa de lesão de 3,2%, comparado a 7,1% nos grupos de controle tradicionais.
Alcance de Objetivos: O ciclo médio de alcance de objetivos foi encurtado em 21 dias em relação aos controles.
Adoção: As taxas de adoção do plano atingiram 89,4%, significativamente superiores aos perfis de dimensão única tradicionais (65,7%).

5. Significância e Alegações

O artigo alega que o framework DKHCL demonstra que incorporar explicitamente o conhecimento do domínio (restrições fisiológicas) como vieses indutivos é mais eficiente em termos de amostra do que o aprendizado de caixa-preta de ponta a ponta em domínios de amostra pequena e alto ruído, como a ciência do esporte.

Interpretabilidade vs. Desempenho: O estudo argumenta que, ao projetar características temporais e incorporar restrições de segurança, o sistema alcança alta precisão e segurança sem o custo computacional e a natureza de "caixa-preta" dos modelos de deep learning.
Impacto Prático: O sistema transita com sucesso do planejamento estático para a evolução dinâmica, reduzindo riscos de lesão e acelerando objetivos de fitness em cenários do mundo real.
Limitações Reconhecidas: Os autores notam modestamente que a validação de campo foi um estudo de coorte controlado não randomizado, introduzindo potencial viés de seleção. Eles também reconhecem que o sistema atualmente depende de fontes de dados específicas (wearables, logs) e ainda não incorpora dados multimodais como análise de vídeo ou estados psicológicos. O limiar de ACWR (1,5) é reconhecido como um heurístico derivado de esportes de equipe, exigindo calibração adicional para populações específicas.

Em conclusão, o artigo apresenta uma solução robusta, interpretável e computacionalmente eficiente para o treinamento de condicionamento físico personalizado que prioriza a segurança fisiológica e aproveita as forças complementares de métodos de ensemble baseados em árvores.