کاربرد الگوریتم های هوش مصنوعی در پایش و تحلیل شاخص های فیزیولوژیک ورزشکاران
سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 47
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICSSPS02_015
تاریخ نمایه سازی: 3 آبان 1405
چکیده مقاله:
پایش مستمر و دقیق شاخص های فیزیولوژیک ورزشکاران یکی از ارکان مهم مدیریت بار تمرینی، ارزیابی سازگاری، کنترل ریکاوری و حفظ عملکرد ورزشی است. با وجود دقت مناسب بسیاری از روش های آزمایشگاهی، محدودیت هایی مانند هزینه، زمان بر بودن و دشواری استفاده مکرر در محیط واقعی تمرین و مسابقه، ضرورت استفاده از روش های غیرتهاجمی و پیوسته را افزایش داده است. توسعه فناوری های پوشیدنی امکان جمع آوری حجم زیادی از داده های فیزیولوژیک را فراهم کرده است؛ با این حال، تبدیل این داده های پیچیده و چندبعدی به اطلاعات قابل استفاده برای تصمیم گیری، نیازمند روش های تحلیلی پیشرفته است. هدف از مطالعه حاضر، بررسی کاربرد الگوریتم های هوش مصنوعی و یادگیری ماشین در پایش و تحلیل شاخص های فیزیولوژیک ورزشکاران، با تاکید بر داده های حاصل از فناوری های پوشیدنی، است. پژوهش حاضر از نوع مرور روایتی است. جست وجوی منابع در پایگاه های PubMed، Scopus و Google Scholar و برای شناسایی مطالعات فارسی در پایگاه های Civilica و SID انجام شد. کلیدواژه های مرتبط با هوش مصنوعی، یادگیری ماشین، پایش فیزیولوژیک، فناوری های پوشیدنی، تغییرپذیری ضربان قلب، VO₂max، خستگی، ریکاوری و بار تمرینی مورد استفاده قرار گرفتند. تمرکز اصلی جست وجو بر مطالعات منتشرشده در سال های ۲۰۲۳ تا ۲۰۲۶ بود. پس از غربالگری عنوان، چکیده و متن کامل و بررسی ارتباط محتوایی، منابع واجد شرایط برای تدوین مرور انتخاب شدند. یافته ها نشان می دهد که الگوریتم های یادگیری ماشین می توانند از داده هایی مانند ضربان قلب، تغییرپذیری ضربان قلب، داده های حرکتی، خواب و بار تمرینی برای تخمین وضعیت ریکاوری، برآورد برخی شاخص های عملکردی، تحلیل بار فیزیولوژیک و شناسایی الگوهای مرتبط با خستگی استفاده کنند. با این حال، عملکرد مدل ها به کیفیت داده های ورودی، ویژگی های جمعیت مورد مطالعه، نوع حسگر، انتخاب ویژگی ها و روش اعتبارسنجی وابسته است. بنابراین، هوش مصنوعی در شرایط کنونی بیشتر به عنوان ابزار پشتیبان تصمیم گیری فیزیولوژیست ها و مربیان قابل استفاده است و نه جایگزینی برای ارزیابی های مرجع و قضاوت متخصص. توسعه مدل های فردمحور، اعتبارسنجی خارجی، بهبود کیفیت داده های پوشیدنی و توجه به حریم خصوصی داده های زیستی از مهم ترین مسیرهای آینده این حوزه محسوب می شوند.
کلیدواژه ها:
نویسندگان
سید محمد صالح
دانشجوی کارشناسی ارشد فیزیولوژی ورزشی کاربردی، دانشکده علوم تربیتی و روان شناسی، دانشگاه محقق اردبیلی، اردبیل، ایران