Construction of a Personalized Physical Fitness Training Recommendation System Based on Random Forest and Gradient Boosting Machine
本文提出了一种领域知识驱动的分层协同学习（DKHCL）框架，该框架将随机森林特征选择与梯度提升机预测以及急性-慢性负荷比约束相结合，以实现高准确度的个性化体适能建议，并在前瞻性实地验证中展示了其不仅在离线性能上优于先进基准模型，且在减少损伤和提高目标达成效率方面具有显著的现实意义。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
从周末慢跑者到奥运短跑选手，每一位运动员都面临着一个基本的生物学难题：如何在增强体能的同时，避免身体崩溃，从而确定应施加多少压力。压力过小，身体适应缓慢；压力过大，受伤风险激增。几十年来，教练们一直依靠直觉和经验来解决这一问题，试图在运动员当前的疲劳程度与长期体能水平之间寻找平衡。然而，人类的判断往往难以应对运动员训练负荷中复杂且不断变化的动态历史。由中国赖务职业技术学院的研究人员开发的一种新方法，正利用人工智能来驾驭这种微妙的平衡，从而改变了个性化健身计划的制定方式。其核心理念依赖于运动科学中两个既定的概念。首先，身体对运动的反应不仅取决于当天的锻炼，还取决于该次锻炼与运动员过去几周表现的对比。其次，训练与恢复之间的关系并非线性关系，它涉及非线性模式，其中强度的微小变化可能会对运动表现或受伤风险产生不成比例的巨大影响。通过教导计算机识别这些模式，同时严格遵守源自人类生理学的安全规则，研究人员构建了一个能够以以往难以实现的精准度来建议训练计划的系统。
研究人员旨在构建一个能够查看个人详细身体特征并从库中推荐完美训练计划的系统。他们在为期18个月的时间里，收集了2,634个人的数据，这些数据来源于一家省级体育中心、三家健身俱乐部和一个康复机构。对于每个人，他们收集了37种不同的信息，从年龄、身高等静态细节到心率变异性、肌肉力量和摄氧量等动态生理指标。他们还追踪了这些人在一段时间内的训练情况，记录了锻炼的频率、持续时间和强度。目标不仅仅是预测一个分数，而是要根据五分制（从极不适合到高度适合）来确定特定训练计划对特定人的“适用性”。为了为这项任务创建“地面真值”（ground truth），一个由五名专家级运动科学家和教练组成的小组对每一种运动员与程序的组合进行了独立评分。当专家意见不一致时，他们会进行讨论直至达成共识，从而确保计算机学习的数据尽可能具备人类专业知识的可靠性。
为了解决这个问题，团队构建了一个由两部分组成的、运作方式不同于标准机器学习模型的两阶段人工智能框架。第一部分充当过滤器，使用一种称为“随机森林”（Random Forest）的方法，从37个可用数据点中筛选出最重要的15个。这一步至关重要，因为它消除了噪声，使系统能够专注于真正重要的信号，例如运动员的最大摄氧量和近期的训练频率。第二部分是一个“梯度提升机”（Gradient Boosting Machine），它利用这15个关键特征进行实际预测。该系统的独特之处在于它如何处理时间和安全性。研究人员并没有试图仅通过原始数据来让系统学习时间的流逝，而是明确地向系统输入了计算出的比例，即比较运动员近期一周的工作量与四周的工作量。这个被称为“急性-慢性工作量比”（acute-chronic workload ratio）的比例是运动科学中一个著名的安全指标。研究人员并没有让计算机自行学习这一点，而是在学习过程中直接内置了一条规则，如果系统建议的计划会导致该安全比例过高，则会对系统进行惩罚。这确保了即使数据可能暗示增加训练负荷会带来高分，计算机也绝不会推荐危险的训练负荷增加。
该方法的测试结果针对广泛的其他方法进行了对比，包括单一机器学习模型、模仿人类大脑的深度学习系统以及传统的基于专家的规划。在利用固定数据集进行的离线测试中，该新系统正确识别训练计划适用性的准确率达到了87.3%。这一表现高于表现最好的深度学习模型（达到85.8%），并且显著优于传统方法。该系统还证明其训练速度快得多，在标准工作站上处理数据仅需约52秒，而深度学习模型则需要超过三分钟。更重要的是，研究人员将该系统从实验室带入现实世界，进行了一项涉及600名参与者的为期16周的实地验证。需要注意的是，这是一项前瞻性非随机对照队列研究，这意味着分组是基于运动员的偏好而非随机分配，这可能会引入选择性偏差。在这次现实世界的测试中，使用该系统建议的组别，其受伤发生率降至每1000暴露小时3.2次，远低于遵循传统训练计划组别的7.1次。此外，使用该系统的运动员比对照组平均提前21天达到了他们的健身目标。
研究表明，在体育训练中应用人工智能最有效的方式，不是让计算机从零开始学习一切，而是用既有的人类知识来引导它。通过将生理安全规则直接嵌入算法的学习过程中，该系统避免了仅仅因为数据看起来前景广阔就建议危险训练负荷的常见陷阱。研究人员发现，虽然深度学习模型功能强大，但它们需要海量数据来自主学习这些安全约束，而他们的混合系统通过从正确的规则入手，在较小的数据集下就实现了更优越的结果。该系统还包含一个动态调整机制：如果运动员的反馈显示在特定时期内存在高疲劳或恢复不良的情况，系统会触发重新评估，从而将建议的训练强度降低10%–15%。这创造了一个闭环，使训练计划能随运动员的每日状况而演变，而不是保持一个静态的日程表。尽管该研究是针对特定人群进行的，并侧重于短期结果，但其发现提供了一个引人注目的蓝图，展示了技术如何支持而非取代人类教练的细致判断，使高水平训练对更广泛的人群而言更加安全且高效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。