基于深度学习的个性化体能训练方案智能生成与优化

《Systems and Soft Computing》：Intelligent generation and optimization of personalized physical training programs based on deep learning

　　

人工智能（AI）在运动与健康管理的应用推动了健身方案向精准化与自适应方向发展。传统训练计划常缺乏基于实时生理数据的个性化与动态调整，导致有效性下降。研究人员提出一种融合拔河优化（Tug War Optimization, TWO）与智能脉冲神经网络（Intelligent Spiking Neural Network, ISNNet）的TWO-ISNNet框架，用于生成并优化个性化体能训练方案，提供自适应实时运动指导。研究人员收集受试者人口统计学、健康及可穿戴传感器数据（心率、VO2 max、步数、恢复时间），经归一化与缺失值填补预处理后，采用主成分分析（Principal Component Analysis, PCA）与时频分析（Time-Frequency Analysis, TFA）识别显著生理与表现变量；在提取特征上训练ISNNet以捕捉体能响应的时序模式，并利用TWO微调网络参数以提升预测精度与适应性。项目基于Python开发，依据强度、时长与类型生成个性化锻炼方案变体。对比基线模型，所提方法精度达94.6%。TWO-ISNNet基于生理输入数据生成具有高预测精度与更优个性化效率的自适应锻炼方案，凸显TWO与ISNNet组合在实现智能、实时、定制化体能训练中的重要性，为个性化健身规划提供可扩展计算框架。

研究背景方面，个性化体能训练需兼顾年龄、性别、体态、健康史与体能水平，传统“一刀切”方案或支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree, DT）等浅层机器学习方法难以刻画个体生理动态，缺乏实时自适应与定制化能力。为突破上述限制，研究人员在《Systems and Soft Computing》发表研究，构建TWO-ISNNet框架，实现基于多模态可穿戴信号的实时训练方案生成与优化。研究使用Kaggle“Personalized Fitness Dataset”（2500条记录，含年龄18–64岁、性别、身高、体重、静息心率50–100、VO₂ max 20–70、步数、时长10–180分钟、运动类型Cardio/Strength/Flexibility/HIIT/Yoga、目标改善低/中/高三类），旨在验证该框架相较基线模型在预测精度与个性化效率上的优势。

关键技术方法上，研究人员首先作Z-score归一化与缺失值填补；继以PCA降维与时频分析（短时会傅里叶变换，Short-Time Fourier Transform, STFT）提取生理时序特征；核心模型为ISNNet，以事件驱动脉冲编码处理心率变异性、恢复动态与步数转移，并由TWO元启发式算法微调突触权重与发放阈值；最终依据强度、时长、类型输出自适应方案。样本队列即上述Kaggle公开数据集。

研究结果部分，第一章引言指出传统个性化系统（如GPA-RS-ML、IoT-Optimized ELM）无法快速响应生理波动且对多模态噪声敏感，TWO-ISNNet通过多模态融合与实时调整克服该短板。第二章研究方法中，数据预处理后VO₂ max分布分析显示个体有氧能力差异显著；PCA将多变量投影至主成分空间（S=YW，协方差D_S=YD_WY^S），保留最大方差方向；TFA借助STFT能量谱O_TO(s,ω)=|T(s,ω)|²追踪心率等信号的非平稳时频变化，为强度调节提供依据。第三章TWO-ISNNet用于自适应实时个性化体能训练与健身优化中，架构含数据获取与预处理、特征提取与选择、ISNNet+TWO训练优化、自适应方案生成四模块；ISNNet利用稀疏时序脉冲优于LSTM/Transformer连续激活的即时性，TWO提升收敛稳定性，整体在2500样本上精度94.6%，生成方案在预测准确性与个性化效率上均优于基线。

讨论与结论部分，研究人员指出传统方法因忽视实时生理变异而效果受限，TWO-ISNNet通过生物拟真脉冲机制与元启发式参数寻优，首次将拔河优化引入脉冲网络训练，实现生理输入到训练变量的闭环映射。结论确认：该框架在个性化健身规划中具备可扩展性与实时适应性，精度94.6%，为运动健康管理提供计算基准；未来可接入更长周期穿戴数据与多目标约束，但原文未展开此类推测，仅强调TWO与ISNNet组合对智能、实时、定制化体能训练的必要支撑作用。