تعیین گروههای عملکردی حین دویدن با استفاده از انرژی اندامهای تحتانی
پذیرفته شده برای ارائه شفاهی
شناسه دیجیتال (DOI): 10.22089/10thconf.2017.184
نویسندگان
1دانشیار بیومکانیک ورزشی/ دانشکده علوم ورزشی/ دانشگاه مازندران/ مازندران/ ایران
2دکترا - دانشگاه مازندران
3استاد بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه خوارزمی، تهران، ایران
4دانشجو دکتری بیومکانیک ورزشی/ دانشگاه مازندران
5هیت علمی دانشگاه مازندران
چکیده
مقدمه: پاسخهای فردی و متفاوت آزمودنیها به مداخلات درمانی همواره بهعنوان چالشی بزرگ درزمینهی تجویز و پیشبینی اثر این مداخلات مطرح بوده است. پیشنهاد شده است که دستهای از افراد وجود دارند که به یک مداخلهی مشخص پاسخی مشابه نشان میدهند که این آزمودنیها را گروههای عملکردی مینامند. پژوهش حاضر با هدف تعیین گروههای عملکردی حین دویدن با استفاده از انرژی اندامهای تحتانی انجام شد.
روش شناسی: انرژی مکانیکی لگن، ران، ساق و پای راست 118 نفر از دانشجویان دانشگاه مازندران (58 مرد و 60 زن) در حالت دویدن پابرهنه محاسبه شد. مؤلفههای اصلی حاصل از تحلیل مؤلفههای اصلی (PCA) انرژی مکانیکی اندامها که 95% پراکندگی دادهها را تشکیل میدادند، بهعنوان درونداد طرح خودسازمانده (SOM) با 40 نورون استفاده شد. ابعاد ماتریسهای خروجیSOM 1600×118 بود که دوباره بهوسیلهیPCA کاهش بعد داده شد وبهترین تعداد گروهبندی با استفاده از روش خوشهبندیK-meansتعیین گردید. صحت گروهبندی با استفاده از دستگاه بردار پشتیبان (SVM) و روش اعتبارسنجی متقابل تعیین شد.
یافته ها: بهوسیلهی روش خوشهبندیK-meansآزمودنیها در تعداد گروههای پنج تا هشت گروهبندی شدند. با توجه به اینکه خروجی این روش در تکرارهای مختلف متفاوت است، برای هر تعداد گروه 10 بار گروهبندی انجام شد و بهترین نتیجه به عنوان تعداد گروههای عملکردی تعیین گردید. بالاترین صحت گروهبندی با صحت 95.80%در حالت پنج گروهی بود.
بحث و نتیجه گیری:نتایج پژوهش حاضر نشان میدهد که گروههای عملکردی به خوبی با بهکارگیری روشهای کاهش بعد و دستهبندی بینظارت قابلشناسایی هستند. در روشهای گروهبندی رایج، گروههای آزمودنی با ویژگیهای انتخابی مانند سن و جنسیت دستهبندی میشوند که این روشها نتیجهی مطلوب را به دنبال نداشتهاند. از آنجایی که تعداد و ویژگیهای گروههای عملکردی به لحاظ مکانیکی به درستی مشخص نیست تعیین این گروههای بهوسیلهی روشهای دستهبندی بدون نظارت بسیار حائز اهمیت است.
روش شناسی: انرژی مکانیکی لگن، ران، ساق و پای راست 118 نفر از دانشجویان دانشگاه مازندران (58 مرد و 60 زن) در حالت دویدن پابرهنه محاسبه شد. مؤلفههای اصلی حاصل از تحلیل مؤلفههای اصلی (PCA) انرژی مکانیکی اندامها که 95% پراکندگی دادهها را تشکیل میدادند، بهعنوان درونداد طرح خودسازمانده (SOM) با 40 نورون استفاده شد. ابعاد ماتریسهای خروجیSOM 1600×118 بود که دوباره بهوسیلهیPCA کاهش بعد داده شد وبهترین تعداد گروهبندی با استفاده از روش خوشهبندیK-meansتعیین گردید. صحت گروهبندی با استفاده از دستگاه بردار پشتیبان (SVM) و روش اعتبارسنجی متقابل تعیین شد.
یافته ها: بهوسیلهی روش خوشهبندیK-meansآزمودنیها در تعداد گروههای پنج تا هشت گروهبندی شدند. با توجه به اینکه خروجی این روش در تکرارهای مختلف متفاوت است، برای هر تعداد گروه 10 بار گروهبندی انجام شد و بهترین نتیجه به عنوان تعداد گروههای عملکردی تعیین گردید. بالاترین صحت گروهبندی با صحت 95.80%در حالت پنج گروهی بود.
بحث و نتیجه گیری:نتایج پژوهش حاضر نشان میدهد که گروههای عملکردی به خوبی با بهکارگیری روشهای کاهش بعد و دستهبندی بینظارت قابلشناسایی هستند. در روشهای گروهبندی رایج، گروههای آزمودنی با ویژگیهای انتخابی مانند سن و جنسیت دستهبندی میشوند که این روشها نتیجهی مطلوب را به دنبال نداشتهاند. از آنجایی که تعداد و ویژگیهای گروههای عملکردی به لحاظ مکانیکی به درستی مشخص نیست تعیین این گروههای بهوسیلهی روشهای دستهبندی بدون نظارت بسیار حائز اهمیت است.
کلیدواژه ها
موضوعات
Title
Determination of functional groups using lower limbs energy during running
Authors
Mansour Eslami, Seyyed Esmaeil Hosseininejad, Heydar Sadeghi, Fatemeh Salary, Roohallah Yousefpour
Abstract
Introduction: Subject-dependent responses to clinical interventions have been considered as a major challenge in prescribing and predicting the effect of these interventions. It has been suggested that there may be groups of subjects who produce similar reactions to a specific intervention. These groups have been called functional groups. This study aimed to determining functional group susing lower limbs energy during running.
Methodology: Mechanical energy of pelvic, thigh, leg and right foot of 118 students (58 males and 60 females) were calculated in stance phase of running. Principal component analysis (PCA) done for mechanical energy data and principal components which accounted for 95% variance of data was used as an input for Self-Organizing Map (SOM) with 40 neurons. Size of output matrices from SOM was 118×1600 that again was reduced dimensionality by PCA and the optimal group number determine using K-means clustering method. The classification rates were determined by a leave-one-out cross-validation technique that was applied using the support vector machine (SVM).
Results: The k-means clustering algorithm was conducted with differentgroup numbers (k=5-8). The k-means clustering outcomecan slightly differ when executing for several times, so this algorithm repeated 10 times for each group number and the best result choose as a number of functional groups. Highest classification rate was 95.80% with five separate groups.
Discussion: According to our results, the functional groups were well recognized with use of dimension reduction and unsupervised clustering methods. Most frequent classification methods are relying on selective features such as age and gender that had not desirable results. Number of groups and feature of functional groups is not well understood, thus determination of these groups using unsupervised clustering methods are very important.
Methodology: Mechanical energy of pelvic, thigh, leg and right foot of 118 students (58 males and 60 females) were calculated in stance phase of running. Principal component analysis (PCA) done for mechanical energy data and principal components which accounted for 95% variance of data was used as an input for Self-Organizing Map (SOM) with 40 neurons. Size of output matrices from SOM was 118×1600 that again was reduced dimensionality by PCA and the optimal group number determine using K-means clustering method. The classification rates were determined by a leave-one-out cross-validation technique that was applied using the support vector machine (SVM).
Results: The k-means clustering algorithm was conducted with differentgroup numbers (k=5-8). The k-means clustering outcomecan slightly differ when executing for several times, so this algorithm repeated 10 times for each group number and the best result choose as a number of functional groups. Highest classification rate was 95.80% with five separate groups.
Discussion: According to our results, the functional groups were well recognized with use of dimension reduction and unsupervised clustering methods. Most frequent classification methods are relying on selective features such as age and gender that had not desirable results. Number of groups and feature of functional groups is not well understood, thus determination of these groups using unsupervised clustering methods are very important.
Keywords
Functional group, PCA, SOM, SVM, k-means clustering