Эта статья посвящена решению проблемы автоматического подбора комплекса восстановительных упражнений при травмах с учетом состояния сердечно-сосудистой системы человека с помощью использования нейронных сетей. Для решения данной задачи необходимо было выбрать один из двух классических подходов – Multiclass Classification или Multilabel Classification, каждый из которых решает проблему классификации данных через собственный алгоритм, и использовать выбранную архитектуру нейронной сети для написания программной системы. Во время работы над этой системой также необходимо решить определенные проблемы, касающиеся каждого из этих подходов (необходимость в большой выборке из-за большого количества упражнений, которые система должна рекомендовать) или конкретного подхода (невозможность выбрать несколько упражнений одновременно – для Multiclass Classification, меньше про- изводительность и количество поддерживаемых языков программирования – для Multilabel Classification). Для обучения нейронной сети использовались выборки различных размеров (от 1 млн. записей и более), генерировались через самостоятельно написанную программу, которая генерировала заданное количество записей и записывала их в .CSV (comma-separated values) файл.

This article is devoted to solving the problem of automatic selection of a set of rehabilitation exercises during injuries, considering the state of the human cardiovascular system through the use of neural networks. To solve this problem, it was necessary to choose one of two classical approaches – multiclass classification or multilabel classification, each of which solves the problem of data classification through its own algorithm, and use the selected neural network architecture to create a software system. While working on this system, it was also necessary to solve certain problems related to each of these approaches (the need for a large sample due to the large number of exercises that the system should recommend) or a specific approach (inability to select multiple exercises at once – for Multiclass Classification, lower productivity and the number of supported programming languages – for Multilabel Classification). Samples of different sizes (from 1 million records and more) were used to train the neural network, which were generated through a self-written program that generated a given number of records and wrote them to a .CSV (commaseparated values) file.

Ця стаття присвячена рішенню проблеми автоматичного підбору комплексу відновлювальних вправ під час травм з урахуванням стану серцево-судинної системи людини за допомогою використання нейронних мереж. Для вирішення даної задачі необхідно було обрати один із двох класичних підходів – Multiclass Classification або Multilabel Classification, кожний з яких вирішує проблему класифікації даних через власний алгоритм, та використати обрану архітектуру нейронної мережі для написання програмної системи. Під час роботи над цією системою також необхідно було вирішити певні проблеми, що стосувалися кожного з цих підходів (необхідність у великій вибірці через велику кількість вправ, що система має рекомендувати) або конкретного підходу (неможливість обрати декілька вправ одночасно – для Multiclass Classification, менша продуктивність та кількість підтримуваних мов програмування – для Multilabel Classification). Для навчання нейронної мережі використовувались вибірки різних розмірів (від 1 млн. записів та більше), що генерувались через самостійно написану програму, що генерувала задану кількість записів та записувала їх у .CSV (comma-separated values) файл.