تلفیق هوش مصنوعی و شاخص‌های بیومتریک برای پیش‌بینی صدمات و بهبود عملکرد در شنا

کد مقاله : 1127-4THPECONF

نویسندگان

مهدیه عیدی، محمدعرفان خدابنده لو * دانشجو

چکیده مقاله

هدف: هدف از این پژوهش، توسعه یک مدل پیش‌بینی کننده آسیب در شناگران با تلفیق شاخص‌های بیومتریک و الگوریتم‌های یادگیری ماشین بود. روش‌ها: این مطالعه مقطعی بر روی ۲۰ شناگر مرد با میانگین سنی 4/1 ± 3/۲۲ سال انجام شد. داده‌های بیومتریک شامل شش شاخص حجم تمرین، شدت تمرین، نوسانات ضربان قلب (HRV)، درک ریکاوری (PRS)، نرخ ضربات دست و ثبات ضربات به مدت ۱۲ هفته پایش شدند. از سه الگوریتم یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی LSTM برای پیش‌بینی آسیب استفاده شد. یافته‌ها: مدل LSTM با دقت ۹۱٪، حساسیت ۸۸٪ و ویژگی ۹۴٪ بهترین عملکرد را در پیش‌بینی آسیب نشان داد. شاخص HRV با اهمیت نسبی ۲۸/۵٪، قوی‌ترین پیش‌بینیکننده آسیب بود. آستانه‌های بحرانی برای شاخص‌های کلیدی شامل HRV کمتر از ۴۵ میلی‌ثانیه، حجم تمرین بیش از ۴۳۰۰۰ متر و نمره PRS کمتر از ۴/۵ تعیین شد. کاهش تدریجی شاخص‌های ریکاوری در هفته‌های منتهی به آسیب، الگوی تجمعی خستگی را تأیید کرد. نتیجه‌گیری: تلفیق شاخص‌های بیومتریک و یادگیری ماشین می‌تواند با دقت بالا به پیش‌بینی آسیب در شناگران منجر شود. این رویکرد امکان مداخله به موقع و پیشگیری از آسیب را فراهم می‌سازد.

کلیدواژه ها

پیش‌بینی آسیب، شنا، یادگیری ماشین، داده‌های بیومتریک، نوسانات ضربان قلب

وضعیت: پذیرفته شده برای ارائه شفاهی