מסגרת למידת מכונה למתן הנחיות אימון מותאמות אישית על בסיס BMI והערכת כושר גופני

מדוע אימונים חכמים חשובים

צעירים רבים נאבקים בעלייה במשקל גם כאשר הם משתדלים להישאר פעילים. עצות כלליות כמו "אימון 150 דקות בשבוע" לעיתים קרובות מרגישות מעורפלות ואינן משקפות הבדלים אישיים בכושר, במבנה הגוף או בהתקדמות. המחקר הזה בוחן האם בינה מלאכותית יכולה להפוך תוצאות מבחני כושר פשוטים לתוכניות אימון אישיות מאוד שעוזרות לצעירים לצאת מטווח המשקל העודף בצורה יעילה ובטוחה יותר מאשר הנחיות אחידות לכל.

הפיכת מבחני כושר לפרופיל אישי

החוקרים עבדו עם נתונים מ-6,698 סטודנטים גברים באוניברסיטה בגילאי 18 עד 20. לכל סטודנט נמדד מדד מסת גוף (BMI) וכן ארבעה מבחני כושר סטנדרטיים: ריצת 3,000 מטר לסיבולת, מתח לכוח עליון, כפיפות בטן לסיבולת מרכזית, וריצת שאטל למהירות וזריזות. ביחד, מדידות אלה מציירות תמונה די שלמה של תפקוד הלב, השרירים ומערכות התנועה. במקום לבחון כל מבחן בנפרד, הצוות שאף להבין את הדפוס המורכב שמקשר בין פרופיל הכושר הזה לקטגוריית ה-BMI של האדם — תת־משקל, תקין, עודף משקל או השמנת יתר.

AI היברידי שקורא את האופן שבו אתם נעים

כדי לפענח דפוסים אלה, בנה הצוות מערכת למידת מכונה היברידית שמשלבת שתי חוזקות שונות. ראשית, רשת עצבית קונבולוציונית חד־ממדית, בתמיכת מנגנון תשומת לב, סורקת את רצף זמני ההקפות בריצת ה-3,000 מטר תוך התחשבות גם בתוצאות כוח ומהירות. זה מאפשר למערכת לשים לב לפרטים כגון האם אדם מתפרק בחוזקה בסיומים או שומר על קצב יציב. שנית, המידע המוקטן מועבר למודל החלטה מבוסס חיזוק־גרדיאנט (gradient boosting), שמתמחה ביצירת גבולות קטגוריאליים ברורים — כאן, ארבע קבוצות ה-BMI. הגישה המשולבת הזו סיווגה את ה-BMI בדיוק של 94.5%, כשהיא מנצחת בבירור מודלים סטנדרטיים כמו רגרסיה לוגיסטית, יערות אקראיים ו-XGBoost על אותם נתונים, וטוענת תחזיות בפחות מילישנייה לאדם.

מנבאים לתוכניות אימון מותאמות

השלב המרכזי הוא המרת תחזיות אלה לתרגילי אימון מעשיים. כדי לשמור על מערכת ניתנת להבנה עבור מאמנים ואנשי בריאות, השתמשו החוקרים בשיטה הנקראת SHAP שמציגה כמה כל מבחן כושר דוחף את תחזית ה-BMI של אדם לכיוון קטגוריה בריאה יותר או פחות בריאה. עבור כל סטודנט המודל מדרג אילו תחומים חלשים חשובים ביותר — למשל מספר נמוך של מתח או זמני ריצה איטיים. מנוע מבוסס-חוק ואז ממפה את סדרי העדיפויות האלו לסוגי תרגילים ספציפיים, כמו יותר אימוני כוח לגוף עליון, אימוני אירובי נוספים, או עבודה נוספת על מהירות וזריזות. בכל שבועיים בניסוי, תוצאות מבחנים חדשות הוזנו חזרה למערכת כדי שיוכל לכוונן את היקף האימון מעלה או מטה ולהפחית עומס אם סימני עייפות עוררו חשש לעומס יתר.

ביצוע מבחן לשיטה

כדי לבדוק האם גישה מונחית AI זו אכן משפרת בריאות, רץ הצוות ניסוי מבוקר אקראי בן 12 שבועות עם 1,160 סטודנטים חדשים. למחצית ניתנו הוראות אימון קונבנציונליות; המחצית השנייה עקבה אחרי מרשמים מותאמים אישית שנוצרו על ידי המודל, כולל מפרטים מובנים של אינטרוולים בעצימות גבוהה, עבודה אירובית יציבה, אימוני כוח ולהנחיות תזונה בסיסיות. הקבוצה המותאמת הראתה שיפורים בולטים: היחס הכולל של סטודנטים עם עודף משקל או השמנת יתר ירד ב-23.5%, כמעט שבעה מתוך עשרה משתתפים עם עודף משקל עברו לטווח התקין, ורבים מהמשתתפים השמנים ירדו לקטגוריית עודף משקל. גם הכושר השתפר באופן משמעותי, עם כ-15% יותר מתח, קיצורי זמן של כמעט 10% בריצת 3,000 מטר, ויותר מ-10% שיפור בריצות השאטל לעומת קבוצת הביקורת, זאת בלי עלייה בפציעות.

מה משמעות הדבר עבור הבריאות היומיומית

עבור הקהל הרחב, המסקנה היא שמבחנים פשוטים ומוכרים — כמה רחוק אתה יכול לרוץ, כמה מתח וכפיפות בטן אתה מבצע וכמה מהר אתה מסנט־פיס בחזרה — יכולים להזין מערכת AI שתעצבת תוכניות אימון המותאמות לגופך וליכולותיך הנוכחיות. המחקר מראה שמערכת כזו לא רק יכולה לחזות מי נמצא בסיכון גבוה יותר במשקל, אלא גם לספק תוכניות אימון שעוזרות לאנשים לעבור בבטחה לכיוון BMI בריא יותר תוך חיזוק ושיפור הכושר. למרות שהעבודה עד כה מתמקדת בגברים צעירים בהקשר יחיד, היא מצביעה על עתיד שבו אפליקציות בסמארטפון או כלי קליניים יוכלו להציע הנחיות אימון מותאמות אישית ומעודכנות לאורך זמן עבור קבוצות שונות.

ציטוט: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

מילות מפתח: אימון מותאם אישי, למידת מכונה בבריאות, BMI וכושר, מניעת השמנת יתר בקרב צעירים, תכנון אימונים בעזרת בינה מלאכותית