Рамочная модель машинного обучения для персонализированных рекомендаций по упражнениям на основе ИМТ и оценки физической подготовленности

Почему важны более умные тренировки

Многие молодые люди набирают вес, даже если стараются оставаться активными. Универсальные рекомендации вроде «занимайтесь 150 минут в неделю» часто кажутся расплывчатыми и не учитывают индивидуальные различия в подготовленности, типе телосложения или прогрессе. В этом исследовании изучают, может ли искусственный интеллект превращать простые результаты фитнес‑теста в высокоперсонализированные планы тренировок, которые помогут молодым людям эффективнее и безопаснее выйти из категории избыточного веса по сравнению с универсальными рекомендациями.

Преобразование тестов физподготовки в персональный профиль

Исследователи работали с данными 6 698 студентов‑мужчин в возрасте 18–20 лет. У каждого были измерены индекс массы тела (ИМТ) и четыре стандартных теста физподготовки: 3 000‑метровый забег на выносливость, подтягивания на силу верхней части тела, скручивания (sit‑ups) на выносливость корпуса и челночный бег на скорость и ловкость. В совокупности эти показатели дают достаточно полное представление о работе сердца, мышц и двигательных систем. Вместо того чтобы рассматривать каждый тест по отдельности, команда стремилась понять сложную взаимосвязь, которая связывает профиль физподготовки с категорией ИМТ — дефицит массы, норма, избыточный вес или ожирение.

Гибридный ИИ, который «читает» ваши движения

Чтобы разобраться в этих шаблонах, команда создала гибридную систему машинного обучения, объединяющую два подхода. Сначала одномерная сверточная нейронная сеть с механизмом внимания просматривает последовательность круговых временных показателей в 3 000‑метровом забеге, одновременно учитывая результаты по силе и спринту. Это позволяет системе замечать такие детали, как сильное падение темпа в финальных кругах или устойчивое поддержание скорости. Затем сжатая информация передаётся в модель градиентного бустинга решений, хорошо зарекомендовавшую себя в проведении чёткой классификации — в данном случае по четырём категориям ИМТ. Такой комбинированный подход классифицировал ИМТ с точностью 94,5%, значительно превзойдя стандартные модели вроде логистической регрессии, случайных лесов и XGBoost на тех же данных, при этом делая предсказание менее чем за миллисекунду на человека.

От предсказаний к персонализированным планам тренировок

Ключевой шаг — перевод этих предсказаний в практические тренировки. Чтобы система оставалась понятной тренерам и клиницистам, исследователи использовали метод SHAP, который показывает, насколько каждый тест физподготовки смещает предсказание ИМТ в сторону более здоровой или менее здоровой категории. Для каждого студента модель ранжирует наиболее значимые слабые места — например, малое число подтягиваний или медленные результаты в беге. Правила на основе логики затем связывают эти приоритеты с конкретными типами упражнений: дополнительные занятия на силу верхней части тела, увеличенный объём аэробной работы или тренировки на скорость и ловкость. Каждые две недели в рамках испытания новые результаты тестов возвращались в систему, чтобы она могла увеличить или уменьшить объём тренировки и снизить нагрузку, если признаки усталости указывали на риск перетренированности.

Проверка системы в реальном времени

Чтобы узнать, действительно ли такой подход с поддержкой ИИ улучшает здоровье, команда провела 12‑недельное рандомизированное контролируемое испытание с 1 160 новыми студентами. Половина получила обычные рекомендации по упражнениям; другая половина следовала персонализированным предписаниям модели, включающим структурированные интервальные тренировки высокой интенсивности, планомерную аэробную работу, силовые занятия и базовые рекомендации по питанию. В персонализированной группе наблюдались заметные улучшения: доля студентов с избыточным весом или ожирением снизилась на 23,5%, почти семь из десяти участников с избыточным весом перешли в нормальную категорию, а многие участники с ожирением опустились до категории избыточного веса. Физическая форма тоже значительно улучшилась: примерно на 15% увеличилось число подтягиваний, почти на 10% сократилось время в беге на 3 000 метров и более чем на 10% улучшились показатели в челночном беге по сравнению с контрольной группой — и всё это без роста числа травм.

Что это значит для повседневного здоровья

Для неспециалистов вывод таков: простые и знакомые тесты — насколько далеко вы можете пробежать, сколько подтягиваний и скручиваний вы сможете сделать и как быстро вы можете бегать туда‑обратно — могут стать входными данными для ИИ‑системы, которая разрабатывает тренировки с учётом вашего тела и текущих возможностей. Это исследование демонстрирует, что такая система не только способна предсказывать повышенный риск, связанный с массой тела, но и предоставлять планы упражнений, которые помогают людям безопасно двигаться к более здоровому ИМТ, одновременно повышая силу и выносливость. Хотя на данный момент работа сфокусирована на молодых мужчинах в одном контексте, она указывает на будущее, в котором приложения для смартфонов или клинические инструменты смогут предлагать по‑настоящему персонализированные и постоянно обновляемые рекомендации по упражнениям для разных групп населения.

Цитирование: 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

Ключевые слова: персонализированные упражнения, машинное обучение в здравоохранении, ИМТ и физподготовка, профилактика ожирения у молодежи, планирование тренировок с ИИ