فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و اهداف در پژوهش‌های بیومکانیکی، عملکرد الگوریتم‌های خوشه‌بندی یادگیری عمیق معمولاً برای شناسایی الگوهای حرکتی همگن در دوندگان هنوز ناشناخته است. هدف این مطالعه مقایسه عملکرد الگوریتم‌های خوشه‌بندی سلسله‌مراتبی و K-means مبتنی بر PCA با الگوریتم خوشه‌بندی زمانی عمیق مبتنی بر نگاشت سرتاسری داده‌ها در شناسایی گروه‌های دوندگان با الگوی حرکتی مشابه، بر‌اساس داده‌های سینماتیک مفصل مچ پا بود.مواد و روش‌ها زوایای سه‌بعدی مفصل مچ پا از ۱۰۸ دونده سالم تفریحی (سن:2/42±‌22/45 سال، قد: 0/11±‌1/69متر، توده بدن: 9/54±‌64/64کیلوگرم، جنسیت: ۵۵ مرد، ۵۳ زن) حین دویدن با پای برهنه با سرعت 0/3±‌3 متر بر ثانیه، به دست آمد. الگوریتم‌های خوشه‌بندی عمیق زمانی، سلسله‌مراتبی و K-means با استفاده از زوایای مفصل مچ پا حین دویدن آموزش داده شدند. پس از خوشه‌بندی، عملکرد و دقت خروجی هر الگوریتم در شناسایی خوشه‌های با الگوی حرکتی همگن با محاسبه شاخص‌های ارزیابی خوشه‌بندی (ضریب سیلوئت، شاخص دیویس ـ بولدین و شاخص کالینسکی ـ هاراباز)، مورد ارزیابی قرار گرفتند. یافته‌ها در تفکیک خوشه‌ها، الگوریتم خوشه‌بندی عمیق زمانی با امتیاز سیلوئت 0/74و شاخص دیویس ـ بولدین برابر با 0/35، نشان داد در مقایسه با 2 الگوریتم دیگر از عملکرد و دقت خروجی بهتری برخوردار است. این الگوریتم ۳ خوشه مجزا را با نرخ ناسازگاری 6 درصد شناسایی کرد. خوشه‌بندی سلسله‌مراتبی دارای امتیاز سیلوئت 0/68 و 0/52 در شاخص دیویس ـ بولدین با زمان اجرای 10 ثانیه و نرخ ناسازگاری 15 درصد بود. K-means دارای امتیاز سیلوئت 0/63 و 0/78 در شاخص دیویس ـ بولدین بود که در 3 ثانیه با نرخ ناسازگاری 18 درصد اجرا شد. نتیجه‌گیری یافته‌های این مطالعه نشان می‌دهد الگوریتم خوشه‌بندی زمانی عمیق در مقایسه با روش‌های سنتی، مانند خوشه‌بندی سلسله‌مراتبی و K-means، عملکرد بهتری در شناسایی الگوی حرکتی همگن مفصل مچ پایدوندگان دارد. دقت بالاتر و نرخ ناسازگاری پایین‌تر این الگوریتم، آن را به گزینه‌ای مناسب برای تحلیل داده‌های سینماتیک در پژوهش‌های بیومکانیکی تبدیل می‌کند. این نتایج می‌تواند درک و تحلیل الگوهای حرکتی را بهبود بخشد و به تدوین استراتژی‌های کارآمد جهت تجویز مداخلات هدفمند کمک کند.