Opis projektu
Sygnały serca pomagają w dostosowaniu treningu fizycznego
Ze względu na zróżnicowanie uwarunkowań jednostek i ich motywacji w sytuacjach edukacyjnych, stosowanie znormalizowanych podejść często zawodzi i nie przynosi odpowiednich rezultatów. Uważna lektura opracowań naukowych wskazuje, że wykorzystanie sygnałów kardiologicznych pozwala na ocenę stanów poznawczych i fizycznych, co ma kluczowe znaczenie z punktu widzenia dostosowanej edukacji. Zespół finansowanego ze środków Europejskiej Rady ds. Badań Naukowych projektu SPEARS wykorzysta te sygnały w celu dynamicznego dostosowywania treści do stanów poznawczych i fizycznych użytkowników. Opierając się na sukcesie projektu BrainConquest, który koncentrował się na spersonalizowanym treningu wykorzystującym interfejsy mózg-komputer, zespół projektu SPEARS ma na celu ulepszenie algorytmów uczenia maszynowego i przetwarzania sygnałów w celu przewidywania sprawności przy użyciu danych z czujników dostępnych na rynku, takich jak smartwatche. Zespół projektu SPEARS zamierza połączyć swoją technologię predykcyjną z aplikacją do treningu sportowego, oferując dostosowane rozwiązania treningowe dla sportowców wytrzymałościowych na całym świecie.
Cel
In any learning situation, be it math education, language learning or sport training, different learners have different abilities, motivations and capacities at any given time. Thus, an optimal learning can only be achieved with personalized training solutions, dynamically adapted to each learner’s cognitive and/or physical states. The scientific literature showed that such states could be estimated from Cardiac Signals (CS). In ERC PoC SPEARS, we thus propose to redefine consumer training apps, by enabling them to propose personalized and adaptive training plans according to an estimation of their users’ cognitive and/or physical states from their CS measured with consumer grade sensors, e.g. smartwatches. The outcome of ERC project BrainConquest should enable us to tackle this challenge. Indeed, in BrainConquest we explored such a personalized training approach for users of Brain-Computer Interfaces (BCI). In doing so, we developed Machine Learning (ML) and Signal Processing (SP) algorithms to estimate users’ mental states and predict their upcoming performances from their brain and physiological signals, including CS. In SPEARS, we thus aim at adapting, improving and assessing BrainConquest ML & SP algorithms, initially designed for BCI performance prediction from research grade brain and CS sensors in the lab, to predict cognitive and physical performance from consumer grade CS sensors in the wild. Such algorithms could be used for adaptive training apps in education, cognitive training for healthy aging or sport training. We will then explore a commercial application of this technology for sport training in particular, in collaboration with the startup Flit Sport, which sells an app for providing personalized training exercises for endurance sport athletes, based on their past performances and ML. By integrating our CS-based prediction into Flit Sport training app, we should design optimally personalized training solutions for millions of runners worldwide.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- inżynieria i technologiainżynieria elektryczna, inżynieria elektroniczna, inżynieria informatycznainżynieria elektronicznaczujniki
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
System finansowania
HORIZON-ERC-POC - HORIZON ERC Proof of Concept GrantsInstytucja przyjmująca
78153 Le Chesnay Cedex
Francja