کاربرد یادگیری ماشین در پیش بینی خستگی مرکزی (Central Fatigue) بر اساس داده های الکتروانسفالوگرافی (EEG) حین ورزش

مقدمه: خستگی مرکزی یکی از مولفه های مهم کاهش عملکرد ورزشی است که با تغییر در فعالیت دستگاه عصبی مرکزی همراه می شود. الکتروانسفالوگرافی (EEG) امکان ثبت غیرتهاجمی فعالیت الکتریکی مغز را حین فعالیت بدنی فراهم می کند، اما پیچیدگی، چندبعدی بودن و وابستگی زمانی این سیگنال ها، شناسایی الگوهای مرتبط با خستگی را با محدودیت هایی همراه ساخته است. در سال های اخیر، الگوریتم های یادگیری ماشین برای استخراج الگوهای پنهان در داده های EEG و پیش بینی وضعیت خستگی مورد استفاده قرار گرفته اند. هدف این مقاله مروری، بررسی شواهد موجود درباره کاربرد یادگیری ماشین در پیش بینی خستگی مرکزی بر اساس داده های EEG حین ورزش و ارزیابی ظرفیت، محدودیت ها و الزامات روش شناختی این رویکرد است.روش ها: این مقاله به صورت مروری و با تمرکز بر مطالعاتی انجام شد که از داده های EEG در شرایط ورزشی یا پروتکل های القای خستگی برای شناسایی، طبقه بندی یا پیش بینی خستگی مرکزی با استفاده از الگوریتم های یادگیری ماشین استفاده کرده بودند. شواهد مربوط به مراحل پیش پردازش سیگنال، حذف آرتیفکت های حرکتی، استخراج ویژگی های حوزه زمان و فرکانس، انتخاب ویژگی، الگوریتم های یادگیری نظارت شده و یادگیری عمیق و شیوه های اعتبارسنجی مدل ها بررسی شد. همچنین، محدودیت های مربوط به ناهمگونی پروتکل های ورزشی، تعریف خستگی، اندازه نمونه و قابلیت تعمیم مدل ها مورد توجه قرار گرفت.یافته ها: شواهد مرورشده نشان دادند که تغییرات ویژگی های EEG، به ویژه الگوهای مرتبط با توان باندهای فرکانسی و سایر ویژگی های استخراج شده از فعالیت قشری، می توانند برای تفکیک یا برآورد وضعیت های مختلف خستگی مورد استفاده قرار گیرند. الگوریتم های یادگیری ماشین توانایی استفاده هم زمان از مجموعه ای از ویژگی های EEG را دارند و در مقایسه با اتکا به یک شاخص منفرد، چارچوب مناسبی برای مدل سازی الگوهای پیچیده عصبی فراهم می کنند. با وجود این، تفاوت در روش های ثبت و پردازش EEG، پروتکل های ورزشی، جمعیت های مورد مطالعه و معیارهای ارزیابی، مقایسه مستقیم عملکرد مدل ها را محدود کرده است. خطر بیش برازش، نشت داده و نبود اعتبارسنجی مستقل نیز از محدودیت های روش شناختی مهم در این حوزه محسوب می شود.نتیجه گیری: ترکیب EEG و یادگیری ماشین ظرفیت مناسبی برای توسعه روش های غیرتهاجمی پایش خستگی مرکزی حین ورزش دارد، اما شواهد موجود برای تعیین یک مدل عمومی و قابل تعمیم کافی نیست. اعتبارسنجی مستقل و بین آزمایشگاهی، استانداردسازی پردازش EEG، استفاده از نمونه های بزرگ تر، ترکیب داده های عصبی با شاخص های فیزیولوژیک و عملکردی و توسعه مدل های قابل تفسیر می تواند اعتبار این رویکرد را افزایش دهد. کاربرد بالینی و ورزشی این فناوری باید پس از ارزیابی دقیق قابلیت تعمیم و ارتباط خروجی مدل با شاخص های معتبر خستگی انجام شود.

کلیدواژه ها:

خستگی مرکزی ، الکتروانسفالوگرافی ، یادگیری ماشین ، خستگی ورزشی ، یادگیری عمیق