ارزیابی الگوهای فعال سازی عضلانی بر اساس یادگیری ماشین: روند صعودی انواع شنا در افراد مبتدی در مقابل ورزشکاران باسابقه

هدف از پژوهش حاضر ارزیابی الگوهای فعال سازی عضلانی در روند صعودی انواع شنا سوئدی با استفاده از روش های یادگیری ماشین و مقایسه آن در افراد مبتدی و ورزشکاران باسابقه بود. پژوهش از نوع نیمه تجربی و آزمایشگاهی بود. در این مطالعه ۴۰ مرد فعال (۲۰ مبتدی و ۲۰ ورزشکار باسابقه) به صورت هدفمند انتخاب شدند. فعالیت الکترومایوگرافی سطحی عضله پکتورالیس ماژور در حین اجرای انواع شنا شامل شنا روی زمین و شنا سوئدی مرتفع ثبت شد. سیگنال های EMG پس از پیش پردازش (فیلترگذاری، حذف نویز و نرمال سازی) وارد مرحله استخراج ویژگی های زمانی و فرکانسی شده و سپس به عنوان ورودی به الگوریتم های یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، جنگل تصادفی (Random Forest) و شبکه عصبی پرسپترون چندلایه (MLP) داده شد. برای تحلیل آماری نیز از آزمون های استنباطی در سطح معنی داری ۰.۰۵ استفاده شد.نتایج نشان داد که فعالیت الکترومایوگرافی عضله پکتورالیس ماژور در شنا سوئدی مرتفع به طور معنی داری بیشتر از شنا روی زمین بود و این افزایش در ورزشکاران باسابقه برجسته تر مشاهده شد. علاوه بر این، مدل های یادگیری ماشین توانستند با دقت بالایی (بیش از ۸۵ درصد) بین گروه مبتدی و باسابقه و همچنین بین سطوح مختلف اجرای تمرین تمایز قائل شوند. الگوریتم جنگل تصادفی بالاترین دقت طبقه بندی را نشان داد. به طور کلی، یافته های این پژوهش نشان می دهد که ترکیب تحلیل بیومکانیکی با روش های یادگیری ماشین می تواند رویکردی نوین و دقیق برای ارزیابی پیشرفت تمرینی و تفاوت های عصبی–عضلانی بین سطوح مختلف تجربه ورزشی فراهم آورد. این نتایج می تواند در طراحی برنامه های تمرینی هوشمند و سیستم های پایش عملکرد ورزشی مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، الکترومایوگرافی سطحی ، الگوهای فعال سازی عضلانی ، شنا سوئدی ، طبقه بندی ، ورزشکاران مبتدی و باسابقه