基于应用程序的运动处方使用强化学习对满意度和运动强度的影响的评估:随机交叉试验
Cailbhe Doherty1,2, Rory Lambe1,2, Ben O'Grady1,2
1School of Public Health, Physiotherapy and Sports Science, University College Dublin, Dublin, Ireland.
JMIR mHealth and uHealth
|December 2, 2024
概括
智能手机应用中的强化学习 (RL) 显著提高了运动强度和用户满意度. 个性化,ML驱动的健身计划显示出对公共卫生干预的承诺.
科学领域:
- 数字健康数字健康
- 运动科学 运动科学
- 机器学习 机器学习
背景情况:
- 久坐不动的生活方式需要创新的公共卫生干预措施,如智能手机应用程序以进行个性化炼.
- 移动技术提供了一种可扩展的,具有成本效益的方法,用于远程提供炼计划.
- 机器学习 (ML),特别是强化学习 (RL),可以通过个性化提高用户参与度和程序有效性.
研究的目的:
- 评估i80 BPM应用程序对用户满意度和运动强度的影响.
- 评估ML生成的远程处方炼计划的有效性.
主要方法:
- 参与者完成了12周的运动,在RL个性化和非个性化课程之间交替进行.
- 运动强度和用户满意度使用经过验证的尺度表来衡量.
- 随机交叉设计与62名参与者.
主要成果:
- 个人化RL条件导致运动强度显著提高 (平均5.82比5.19).
- 参与者报告说,他们对RL状况的满意度更高 (平均值为4.0比3.73).
- 62名参与者在12周内完成了559次会议.
结论:
- 实际上,RL有效地增加了运动强度和享受,证明了ML在远程干预中的潜力.
- 个性化的运动处方可以提高坚持和满意度,这对长期健康至关重要.
- 基于应用程序的个性化炼可能会超过传统方法,通过减少不活动而影响公众健康.
