BKI ve fiziksel uygunluk değerlendirmesine dayalı kişiselleştirilmiş egzersiz reçetesi için bir makine öğrenmesi çerçevesi

Daha Akıllı Antrenmanların Önemi

Birçok genç yetişkin, aktif olmaya çalışsa bile kilo almayla mücadele ediyor. “Haftada 150 dakika egzersiz yapın” gibi genel öneriler sıklıkla belirsiz kalıyor ve bireylerin uygunluk, vücut tipi veya ilerleme gibi farklılıklarını yansıtmıyor. Bu çalışma, basit fitness testi sonuçlarının yapay zekâ kullanılarak gençlerin fazla kilolu aralığından daha verimli ve güvenli biçimde çıkmalarına yardım eden son derece kişiselleştirilmiş antrenman planlarına dönüştürülüp dönüştürülemeyeceğini araştırıyor.

Fitness Testlerini Kişisel Bir Profile Dönüştürmek

Araştırmacılar 18–20 yaş arasındaki 6.698 erkek üniversite öğrencisinin verileriyle çalıştı. Her öğrencinin vücut kitle indeksi (BKI) ölçümü ve dört standart fitness testi vardı: dayanıklılık için 3.000 metre koşusu, üst beden gücü için barfiks, core dayanıklılığı için mekik ve hız/çeviklik için shuttle koşusu. Bu ölçümler birlikte kalp, kas ve hareket sistemlerinin nasıl işlediğine dair oldukça tamamlayıcı bir tablo çıkarıyor. Araştırma ekibi, her testi ayrı ayrı incelemek yerine, bu fitness profilini bir kişinin BKI kategorisiyle—zayıf, normal, fazla kilolu veya obez—bağlayan karmaşık deseni anlamak istedi.

Hareketinizi Okuyan Hibrit Bir Yapay Zekâ

Bu desenleri çözümlemek için ekip, iki farklı gücü birleştiren hibrit bir makine öğrenmesi sistemi geliştirdi. İlk olarak, bir boyutlu konvolüsyonel sinir ağına, dikkat (attention) mekanizması eşlik ederek 3.000 metre koşusundaki tur süreleri dizisini tarıyor ve aynı zamanda kuvvet ile sprint sonuçlarını dikkate alıyor. Bu sayede sistem, birinin son turlarda ciddi biçimde düşüş gösterip göstermediği veya sabit tempo koruyup korumadığı gibi ayrıntıları fark edebiliyor. İkinci olarak, yoğunlaştırılmış bilgiler dört BKI grubunu ayırmada çok iyi olan bir gradyan artırımlı karar modeli (gradient boosting) ile sınıflandırılıyor. Bu birleşik yaklaşım BKI’yi %94,5 doğrulukla sınıflandırdı ve aynı veride lojistik regresyon, rastgele ormanlar ve XGBoost gibi standart modelleri açık biçimde geride bıraktı; üstelik kişi başına tahminleri bir milisaniyeden kısa sürede üretebiliyordu.

Tahminlerden Kişiye Özel Antrenman Planlarına

Ana adım bu tahminleri pratik antrenmanlara çevirmek. Sistemi antrenörler ve klinisyenler için anlaşılır kılmak üzere araştırmacılar, her fitness testinin bir kişinin BKI tahminini daha sağlıklı veya daha az sağlıklı bir kategoriye ne kadar ittiğini gösteren SHAP adlı bir yöntemi kullandı. Model her öğrenci için hangi zayıf alanların en çok etki ettiğini—örneğin düşük barfiks sayısı veya yavaş koşu süreleri—sıralıyor. Ardından kural tabanlı bir motor bu öncelikleri daha fazla üst beden kuvvet çalışması, ek aerobik antrenman veya hız ve çeviklik çalışmaları gibi belirli egzersiz türlerine eşliyor. Denemede her iki haftada bir yeni test sonuçları sisteme geri beslenerek antrenman hacminin artırılıp azaltılmasına ve yorgunluk belirtileri aşırı antrenman riski gösterdiğinde yükün düşürülmesine imkan tanındı.

Sistemi Sınamaya Koymak

Bu yapay zekâ rehberli yaklaşımın gerçekten sağlığı iyileştirip iyileştirmediğini görmek için ekip 1.160 yeni öğrenciyle 12 haftalık randomize kontrollü bir çalışma yürüttü. Katılımcıların yarısına geleneksel egzersiz talimatları verildi; diğer yarısı modelin ürettiği kişiselleştirilmiş reçeteleri takip etti; bunlar yapılandırılmış yüksek yoğunluklu interval, sabit aerobik çalışmalar, kuvvet antrenmanı ve temel beslenme rehberliğini içeriyordu. Kişiselleştirilmiş grup dikkat çekici gelişmeler gösterdi: fazla kilolu veya obez öğrencilerin toplam oranı %23,5 azaldı, fazla kilolu katılımcıların yaklaşık yedide biri normal aralığa geçti ve birçok obez katılımcı fazla kiloluya indi. Fitness da önemli ölçüde iyileşti; kontrol grubuna kıyasla barfiks sayısında yaklaşık %15 artış, 3.000 metre koşu sürelerinde neredeyse %10 hızlanma ve shuttle koşularında %10’dan fazla hızlanma görüldü; bunların hepsi yaralanma artışı olmadan gerçekleşti.

Günlük Sağlık İçin Anlamı

Uzman olmayanlar için çıkarım şu: ne kadar koşabildiğiniz, kaç barfiks ve mekik yapabildiğiniz ve ileri geri ne kadar hızlı sprint atabildiğiniz gibi basit, tanıdık testler, vücudunuza ve mevcut yeteneklerinize uygun antrenmanlar tasarlayan bir yapay zekâ sistemine besleme sağlayabilir. Bu çalışma, böyle bir sistemin sadece kimlerin kilo ile ilişkili daha yüksek risk altında olduğunu tahmin etmekle kalmayıp, aynı zamanda insanları daha sağlıklı bir BKI’ye güvenli biçimde yaklaştıran, güçlenip kondisyon kazandıran egzersiz planları sunabileceğini gösteriyor. Şimdiye kadar yapılanlar genç erkekleri tek bir ortamda odaklansa da bu, akıllı telefon uygulamalarının veya klinik araçların farklı gruplar için gerçekten kişiselleştirilmiş, sürekli güncellenen egzersiz rehberliği sağlayabileceği bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: kişiselleştirilmiş egzersiz, sağlıkta makine öğrenmesi, BKI ve uygunluk, gençlik obezite önleme, Yapay zeka antrenman planlaması