蘋果探索混合 AI 模型演算法,為你制定更個性化、更有效的健身方案

首頁 > 科技

蘋果探索混合 AI 模型演算法,為你制定更個性化、更有效的健身方案

來源:養生知多少 釋出時間:2024-04-11 06:53

IT之家 4 月 9 日訊息,蘋果健康研究團隊 3 月底釋出博文,利用機器學習和 AI 技術,為使用者探索更適合的健身計劃。

蘋果健康研究團隊表示當前模型是在高度受控的實驗室環境下,觀測某個變數對使用者健身效果的影響,這樣得出的資料可能與 Apple Watch 在真實世界中產生的心率資訊完全不同。

因此該團隊著手建立了一種新的機器學習演算法,結合傳統心率模型,以及對“對嘈雜和不確定的真實世界資料具有魯棒性(事物可以抵禦外部應力和影響並維持原有狀態的自身性質)”的適應性系統,目標建立一個定製的心率模型,為某位使用者生成最準確的資料。

機器學習演算法首先嵌入某位佩戴者的個人鍛鍊歷史,然後進一步收集使用者在健身過程中的相關資料,並透過演算法調整適應每個人身體對運動的獨特反應。

該團隊指出:“為了學習這種將鍛鍊對映到生理引數的嵌入函式,我們使用了一個卷積神經網路,輸入個人最近的鍛鍊情況,包括心率、步頻、速度和海拔變化”。

團隊表示系統會預測佩戴者的健身資料,然後再將這些預測與運動時的實際心率進行比較,透過多次收集佩戴者鍛鍊資料不斷最佳化,從而可以為佩戴者制定更貼合個人的健身方案。

該系統還關注一些可能並不明顯的指標。蘋果健康研究團隊指出,在過熱或過溼的環境中鍛鍊會增加鍛鍊時的心率,而這在嚴格控制的實驗室環境中並不總能反映出來。此外,它還會檢視步頻、海拔變化和速度等運動資料,以準確預測運動強度。

IT之家附上參考地址

IT之家 4 月 9 日訊息,蘋果健康研究團隊 3 月底釋出博文,利用機器學習和 AI 技術,為使用者探索更適合的健身計劃。

蘋果健康研究團隊表示當前模型是在高度受控的實驗室環境下,觀測某個變數對使用者健身效果的影響,這樣得出的資料可能與 Apple Watch 在真實世界中產生的心率資訊完全不同。

因此該團隊著手建立了一種新的機器學習演算法,結合傳統心率模型,以及對“對嘈雜和不確定的真實世界資料具有魯棒性(事物可以抵禦外部應力和影響並維持原有狀態的自身性質)”的適應性系統,目標建立一個定製的心率模型,為某位使用者生成最準確的資料。

機器學習演算法首先嵌入某位佩戴者的個人鍛鍊歷史,然後進一步收集使用者在健身過程中的相關資料,並透過演算法調整適應每個人身體對運動的獨特反應。

該團隊指出:“為了學習這種將鍛鍊對映到生理引數的嵌入函式,我們使用了一個卷積神經網路,輸入個人最近的鍛鍊情況,包括心率、步頻、速度和海拔變化”。

IT之家 4 月 9 日訊息,蘋果健康研究團隊 3 月底釋出博文,利用機器學習和 AI 技術,為使用者探索更適合的健身計劃。

蘋果健康研究團隊表示當前模型是在高度受控的實驗室環境下,觀測某個變數對使用者健身效果的影響,這樣得出的資料可能與 Apple Watch 在真實世界中產生的心率資訊完全不同。

因此該團隊著手建立了一種新的機器學習演算法,結合傳統心率模型,以及對“對嘈雜和不確定的真實世界資料具有魯棒性(事物可以抵禦外部應力和影響並維持原有狀態的自身性質)”的適應性系統,目標建立一個定製的心率模型,為某位使用者生成最準確的資料。

機器學習演算法首先嵌入某位佩戴者的個人鍛鍊歷史,然後進一步收集使用者在健身過程中的相關資料,並透過演算法調整適應每個人身體對運動的獨特反應。

該團隊指出:“為了學習這種將鍛鍊對映到生理引數的嵌入函式,我們使用了一個卷積神經網路,輸入個人最近的鍛鍊情況,包括心率、步頻、速度和海拔變化”。

IT之家 4 月 9 日訊息,蘋果健康研究團隊 3 月底釋出博文,利用機器學習和 AI 技術,為使用者探索更適合的健身計劃。

蘋果健康研究團隊表示當前模型是在高度受控的實驗室環境下,觀測某個變數對使用者健身效果的影響,這樣得出的資料可能與 Apple Watch 在真實世界中產生的心率資訊完全不同。

因此該團隊著手建立了一種新的機器學習演算法,結合傳統心率模型,以及對“對嘈雜和不確定的真實世界資料具有魯棒性(事物可以抵禦外部應力和影響並維持原有狀態的自身性質)”的適應性系統,目標建立一個定製的心率模型,為某位使用者生成最準確的資料。

機器學習演算法首先嵌入某位佩戴者的個人鍛鍊歷史,然後進一步收集使用者在健身過程中的相關資料,並透過演算法調整適應每個人身體對運動的獨特反應。

該團隊指出:“為了學習這種將鍛鍊對映到生理引數的嵌入函式,我們使用了一個卷積神經網路,輸入個人最近的鍛鍊情況,包括心率、步頻、速度和海拔變化”。

上一篇:歐盟再次對蘋... 下一篇:“飛的”首獲生...
猜你喜歡
熱門閱讀
同類推薦