ارزیابی ناپایداری ایستایی در افراد کمردردی از طریق اندازه گیری مرکز فشار و شدت تمرین های ورزشی: یک رویکرد یادگیری ماشین

سقوط یکی از نگرانی های اصلی در حوزه سلامت عمومی است، به ویژه برای افرادی که با کمردرد دست وپنجه نرم می کنند؛ چرا که این عارضه می تواند منجر به پیامدهای ناگوار جسمی شود. در حالی که تست های بالینی سنتی اغلب در تشخیص اختلال تعادل ناتوان هستند، شاخص های کمی مرکز فشار تصویر بسیار دقیق تری از وضعیت پایداری ارائه می دهند. ما می توانیم با ترکیب این ویژگی های مرکز فشار با شدت تمرینات ورزشی و بهره گیری از یادگیری ماشین پیشرفته، ابزاری قدرتمند برای پیش بینی و تحلیل مشکلات تعادلی در بیماران مبتلا به کمردرد ایجاد کنیم.در این پژوهش، داده های مرکز فشار جمع آوری و ویژگی های کلیدی معرف پایداری قامت استخراج گردید. پس از انجام مراحل دقیق پیش پردازش و نرمال سازی، چندین مدل یادگیری ماشین از جمله رگرسیون لجستیک، جنگل تصادفی و ماشین بردار پشتیبان را برای طبقه بندی افراد در دو گروه تعادل پایدار و تعادل ضعیف مورد ارزیابی قرار دادیم.نتایج نشان داد که این ساختارهای یادگیری ماشین در تفکیک دو گروه عملکرد فوق العاده ای دارند. در میان ویژگی های استخراج شده از داده های مرکز فشار، شاخص های سرعت و دامنه جابه جایی به عنوان قوی ترین پیش بین های تعادل ضعیف شناخته شدند. مدل های ما از طریق اعتبارسنجی متقاطع لایه ای، به دقت و پایداری بالایی دست یافتند که چارچوبی موثر و قابل اعتماد را برای شناسایی نقص های تعادلی فراهم می کند.

کلیدواژه ها:

مرکز فشار ، اجهاد جسمانی ، کمردرد ، شبکه های عصبی ، رایانه ای ، تعادل ایستایی