增强数字健康服务：面向个性化运动目标设定的机器学习方法

近年来数字健康的使用有所增加，这些服务通过设定每日运动目标提供广泛指导，以鼓励用户频繁锻炼、促进健康生活方式。这些综合指南源于对各种个性化行为因素的考量。然而，现有方法常忽视用户的动态行为及其健康状况的变化。本研究旨在填补此空白，开发一种机器学习算法，利用回顾性数据与真实行为轨迹动态更新自动建议的运动目标。我们设计深度强化学习算法以考量健身-疲劳效应来评估运动表现，从而开展方法学研究。该深度强化学习算法结合深度学习技术以分析时间序列数据并推断用户运动行为。此外，我们使用异步优势 actor-critic 算法进行强化学习，通过探索与利用确定最优运动强度。本研究使用的个性化运动数据与生物特征数据来自公开数据集，涵盖步行、运动日志与跑步。在我们的研究中，我们进行了统计分析与推断检验，以比较机器学习方法在不同运动目标设定策略下于目标设定中的有效性。