Система підтримки прийняття рішень для персоналізованого планування тренувань у спортзалі
Автор: Палій Богдан Юрійович
Кваліфікаційний рівень: магістр
Спеціальність: Системи і методи прийняття рішень
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Активний розвиток мобільних фітнес-додатків відкрив широкі можливості для персоналізації тренувань. Сучасні технології, зокрема штучний інтелект та нейромережі [1], а також доступність носимих пристроїв [5], створюють ідеальні умови для глибокого аналізу фізичного стану людини. Однак, поширені на ринку рішення, такі як MyFitnessPal [2] чи Freeletics [3], часто обмежуються загальними рекомендаціями або фокусуються переважно на трекінгу харчування. Ключова проблема полягає у відсутності глибокої адаптації тренувальних планів до унікальних потреб користувача, особливо у контексті безпеки. Існуючі системи рідко враховують медичні протипоказання чи специфічні обмеження, що може призводити до неефективних або навіть небезпечних навантажень, підвищуючи ризик травматизму. Таким чином, виникла актуальна потреба у розробці інтелектуальної системи, здатної запропонувати дійсно індивідуальний та безпечний план. Саме на вирішення цієї проблеми спрямоване дане дослідження. Метою стало створення системи, що автоматизує підбір програм на основі комплексного аналізу даних. Для обґрунтування архітектури було проведено системний аналіз. Застосування методу аналізу ієрархій (МАІ) дозволило довести, що саме формат системи підтримки прийняття рішень (СППР) є найбільш доцільним для вирішення поставлених завдань, отримавши найвищий пріоритет (0.32) серед альтернатив [8]. Концептуальна модель та логіка взаємодії компонентів були спроектовані з використанням стандартної мови моделювання UML [10]. В основі спроектованої системи лежить гібридний метод персоналізації [9]. Цей підхід поєднує контентно-орієнтовану фільтрацію (для первинного підбору вправ відповідно до цілей) з набором експертних правил (для забезпечення безпеки та врахування медичних обмежень). Ця архітектура також закладає фундамент для майбутньої інтеграції модулів глибокого навчання [4] для динамічної корекції плану на основі прогресу. Для підтримки взаємодії з тренерами передбачено можливості, що є актуальним трендом для ринку [7]. Для програмної реалізації було створено прототип «Momentum» у вигляді односторінкового веб-застосунку (SPA) на базі бібліотеки React. Його працездатність була підтверджена на контрольних прикладах: система продемонструвала коректну генерацію плану відповідно до мети та успішно адаптувала план під медичне обмеження, замінивши небезпечну вправу на безпечний аналог. Об’єкт дослідження – процес планування індивідуальних тренувань у спортзалі з використанням ІТ-рішень. Предмет дослідження – методи та алгоритми аналізу фізичних параметрів користувача, що дозволяють автоматично формувати тренувальні програми на базі цих даних. Мета дослідження – розробка системи підтримки прийняття рішень, яка дозволить персоналізувати тренувальний процес у спортзалі на основі аналізу фізичних параметрів користувача та інших факторів, включаючи інтеграцію з медичними даними [6]. Результатом дослідження є робочий прототип СППР "Momentum", що вирішує задачу автоматизованого підбору безпечних та ефективних тренувальних програм. На відміну від багатьох аналогів, система ставить у пріоритет медичні обмеження, що підвищує безпеку тренувального процесу. Проведений техніко-економічний аналіз підтвердив інвестиційну привабливість проєкту, розрахувавши термін окупності витрат на розробку в 1.60 року. Ключові слова – система підтримки прийняття рішень (СППР), персоналізоване планування, тренування у спортзалі, гібридний метод, метод аналізу ієрархій, UML. Перелік використаних літературних джерел. 1. Нейромережі для спорту і фітнесу: Використання ШІ для персоналізації тренувань, аналізу результатів і прогнозування спортивних досягнень - Нейросенсей. Нейросенсей. URL: https://neurosensey.com/nejromerezhi-dlya-sportu-i-fitnesu-vykorystannya-shi-dlya-personalizacziyi-trenuvan-analizu-rezultativ-i-prognozuvannya-sportyvnyh-dosyagnen (дата звернення: 24.10.2025). 2. Calorie tracker & BMR calculator to reach your goals | MyFitnessPal. URL: https://www.myfitnesspal.com (date of access: 24.10.2025). 3. Intensive workouts & individual training plans | FREELETICS. URL: https://www.freeletics.com (date of access: 24.10.2025). 4. Глибоке навчання – Вікіпедія. Вікіпедія. URL: https://uk.wikipedia.org/wiki/Глибоке_навчання (дата звернення: 25.10.2025). 5. Школа фітнес інструктора - Технології для носіння - лідер списку фітнес трендів. Школа фітнес інструктора. URL: https://www.fitnesservice.com.ua/статті-та-фото/технології-для-носіння-лідер-списку-фітнес-трендів (дата звернення: 25.10.2025). 6. Гайд з розробки віддаленого моніторингу пацієнтів | Stfalcon. Logistics & Transportation Software Development Agency | Stfalcon. URL: https://stfalcon.com/uk/blog/post/health-monitoring-system (дата звернення: 25.10.2025). 7. Мобільні застосунки фітнес-тренера для роботи з клієнтами. Оранжева книга тренера. URL: https://orangebook.apollo.online/mobilni-zastosunki-fitnies-trieniera-dlia-roboti-z-kliientami/ (дата звернення: 25.10.2025). 8. Теленик С. Ф., Суржик Л. М. Системи підтримки прийняття рішень: навч. посіб. Київ: НТУУ «КПІ», 2010. 9. Литвин В. В. Технології проектування інформаційних систем: навч. посіб. Львів: Видавництво Львівської політехніки, 2014. 10. Fowler M. UML Distilled: A Brief Guide to the Standard Object Modeling Language. 3rd ed. Boston: Addison-Wesley, 2003.