En maskininlärningsram för personlig träning baserad på BMI och fysisk konditionsbedömning

Varför smartare träningsprogram spelar roll

Många unga vuxna brottas med viktuppgång trots att de försöker vara aktiva. Generella råd som ”träna 150 minuter i veckan” kan upplevas vagt och tar inte hänsyn till individuella skillnader i kondition, kroppstyp eller framsteg. Denna studie undersöker om artificiell intelligens kan omvandla enkla konditionstestresultat till starkt personanpassade träningsprogram som hjälper unga att snabbare och säkrare lämna överviktsintervallet jämfört med universella riktlinjer.

Att omvandla konditionstester till en personlig profil

Forskarna arbetade med data från 6 698 manliga universitetsstudenter i åldern 18 till 20 år. Varje student hade ett kroppsmassindex (BMI) och fyra standardiserade konditionstester: ett 3 000 meters lopp för uthållighet, chins (pull-ups) för överkroppsstyrka, sit-ups för båluthållighet och ett shuttle-run för snabbhet och rörlighet. Tillsammans ger dessa mått en relativt komplett bild av hur hjärta, muskler och rörelsesystem fungerar. Istället för att betrakta varje test isolerat ville teamet förstå det komplexa mönstret som kopplar denna konditionsprofil till en persons BMI-kategori — undervikt, normalvikt, övervikt eller fetma.

En hybrid-AI som tolkar hur du rör dig

För att förstå dessa mönster byggde teamet ett hybridmaskininlärningssystem som kombinerar två olika styrkor. Först skannar ett endimensionellt konvolutionellt neuralt nätverk, assisterat av en attention-mekanism, sekvensen av varvtider i 3 000-metersloppet samtidigt som det tar hänsyn till styrke- och sprintresultaten. Det gör att systemet kan upptäcka detaljer som om någon tappar mycket i slutet av loppet eller håller ett jämnt tempo. Sedan skickas den kondenserade informationen vidare till en gradientförstärkt beslutsmodell, som är mycket bra på att dra tydliga kategorigränser — i detta fall de fyra BMI-grupperna. Denna kombinerade ansats klassificerade BMI med 94,5 % noggrannhet, och överträffade klart standardmodeller som logistisk regression, random forests och XGBoost på samma data, samtidigt som den gjorde förutsägelser på under en millisekund per person.

Från prediktioner till skräddarsydda träningsplaner

Det avgörande steget är att översätta dessa prediktioner till praktiska träningsprogram. För att hålla systemet begripligt för tränare och kliniker använde forskarna en metod som kallas SHAP som visar hur mycket varje konditionstest skjuter en persons BMI-prediktion mot en mer eller mindre hälsosam kategori. För varje student rangordnar modellen vilka svaga områden som är mest betydelsefulla — till exempel få chins eller långsamma löptider. En regelbaserad motor översätter sedan dessa prioriteringar till specifika träningstyper, som fler överkroppspass, extra aerob träning eller mer snabbhets- och smidighetsträning. Varannan vecka i försöket matades nya testresultat in i systemet så att det kunde skruva upp eller ner träningsvolymen och minska belastningen om tecken på trötthet antydde risk för överträning.

Att pröva systemet i praktiken

För att avgöra om denna AI-styrda metod verkligen förbättrar hälsan genomförde teamet en 12-veckors randomiserad kontrollerad studie med 1 160 nya studenter. Hälften fick konventionella träningsinstruktioner; den andra hälften följde de personliga programmen som modellen genererade, inklusive strukturerade högintensiva intervaller, jämn aerob träning, styrketräning och grundläggande näringsråd. Den personliga gruppen visade på slående förbättringar: den totala andelen överviktiga eller feta studenter minskade med 23,5 %, nästan sju av tio överviktiga deltagare hamnade i normalvikt, och många med fetma rörde sig ner till övervikt. Konditionen förbättrades också avsevärt, med cirka 15 % fler chins, nästan 10 % snabbare 3 000-meterslopp och över 10 % snabbare shuttle-run jämfört med kontrollgruppen — allt utan ökad skaderisk.

Vad detta betyder för vardagshälsan

För icke-specialister är slutsatsen att enkla, välkända tester — hur långt du kan springa, hur många chins och sit-ups du klarar och hur snabbt du kan sprinta fram och tillbaka — kan mata ett AI-system som utformar träning anpassad efter din kropp och dina aktuella förmågor. Studien visar att ett sådant system inte bara kan förutsäga vem som löper högre viktrelaterad risk utan också leverera träningsplaner som hjälper människor att säkert röra sig mot ett hälsosammare BMI samtidigt som de blir starkare och mer vältränade. Trots att arbetet hittills fokuserar på unga män i en miljö pekar det mot en framtid där smartphone-appar eller klinikverktyg kan erbjuda verkligt personliga, kontinuerligt uppdaterade träningsråd för många olika grupper.

Citering: 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

Nyckelord: personlig träning, maskininlärning inom hälsa, BMI och kondition, förebyggande av fetma hos unga, AI för träningsplanering