DETERMINATION OF MAXIMUM OXYGEN CONSUMPTION BY MACHINE LEARNING METHODS USING STEP KINEMATICS
-
Published:2022-08-02
Issue:
Volume:
Page:
-
ISSN:1309-5110
-
Container-title:Spor ve Performans Araştırmaları Dergisi
-
language:tr
-
Short-container-title:SPD
Author:
USLU Serkan1, HİNDİSTAN İbrahim Ethem2, ÇETİN Emel2
Affiliation:
1. AKDENİZ ÜNİVERSİTESİ, TIP FAKÜLTESİ, TEMEL TIP BİLİMLERİ BÖLÜMÜ, BİYOFİZİK ANABİLİM DALI 2. AKDENİZ ÜNİVERSİTESİ, SPOR BİLİMLERİ FAKÜLTESİ
Abstract
Maksimal oksijen tüketimi (maxVO2) aerobik kapasitenin doğrudan göstergesidir. Bu sebeple hem spor branşlarında hem de klinikte maxVO2 ölçümü oldukça büyük öneme sahiptir. Ancak maxVO2 ölçüm sistemlerinin maliyetli oluşu farklı analiz yöntemlerinin belirlenmesi ihtiyacını ortaya çıkarmıştır. Bu çalışmada da antropometrik, kinematik, kalp atım hızı ve adım parametreleri kullanılarak makine öğrenme modelleri ile maxVO2 değerlerinin tahmin edilmesi amaçlanmıştır. Çalışmaya katılan 52 erkek sporcunun koşu bandında yapılan üç farklı koşu hızında maxVO2 değerleri ve kalp atım hızları belirlenmiş, antropometrik ve kinematik veriler ile birlikte değerlendirilmiştir. Yaş, boy, vücut ağırlığı, kalp atım hızı, bacak uzunluğu, uyluk uzunluğu, hız, adım frekansı, adım uzunluğu parametreleri makine öğrenme modellerine girdi olarak sunularak maxVO2 değerinin hesaplanması istenmiştir. Ayrıca dört farklı makine öğrenme modeli (lineer regresyon, destek vektör makineleri, karar ağaçları ve gauss süreç regresyonu) denenerek en başarılı yaklaşımın hangisi olduğu incelenmiştir. Gauss Süreç Regresyonu modelinin en başarılı tahmin (R2=0.99) ve en düşük hata oranı (RMSE=0.012) ile maxVO2 değerini tahmin ettiği belirlenmiştir. Sonuç olarak çalışma kapsamında temel antropometrik ölçümler (boy, vücut ağırlığı, bacak ve uyluk uzunluğu), kalp atım hızı, hız ve adım parametreleri (adım frekansı ve adım uzunluğu) kullanılarak maxVO2 değerleri hem submaksimal hem de maksimal değerlerde başarılı olarak tahmin edilmiştir.
Publisher
Journal of Sports and Performance Researches
Reference35 articles.
1. Abut, F., & Akay, M. F. (2015). Machine learning and statistical methods for the prediction of maximal oxygen uptake: recent advances. Medical Devices (Auckland, NZ), 8, 369. 2. Abut, F., Akay, M. F.,George, J. (2016). Developing new VO2max prediction models from maximal, submaximal and questionnaire variables using support vector machines combined with feature selection. Comput Biol Med, 79, 182-192. https://doi.org/10.1016/j.compbiomed.2016.10.018 3. Abut, F., Akay, M. F., Yildiz, I., & George, J. (2015). Performance comparison of different machine learning methods for prediction of maximal oxygen uptake from submaximal data. Proceedings of the Eighth Engineering and Technology Symposium, Ankara, Turkey, 4. Akay, M. F., Özsert, G.,George, J. (2014). Destek Vektör Makineleri Kullanilarak Submaksimal Verilerden Maksimum Oksijen Tüketiminin Tahmin Edilmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 42-48. 5. Akay, M. F., Zayid, E. I. M., Aktürk, E., & George, J. D. (2011). Artificial neural network-based model for predicting VO2max from a submaximal exercise test. Expert Systems with Applications, 38(3), 2007-2010. https://doi.org/10.1016/j.eswa.2010.07.135
|
|